Sprachliche Mensch-Maschine-Kommunikation

12.5 Spracherkennung mit Hidden Markov Modellen 201
Menge subphonetischer Einheiten festzulegen. Daß die Modellierung von
Aussprachen mittels einer vorgegebenen Menge von Silben nicht einfach
ist, erkennt man gelegentlich an der Schwierigkeit, mit der Fremdwörter in
die Japanische Sprache aufgenommen werden. Im Japanischen gibt es eine
feste Silbenmenge und jede Silbe hat eine eigene im wesentlichen kontextunabhängige
Aussprache. Wenn für bestimmte Wörter keine exakt passende
Silbenfolge gefunden werden kann, wird leicht aus einem Wort wie ” Stuttgart“
etwas, das sich anhört wie ” Schututogaruto“. Also sind es die Phoneme.
Linguisten und Phonetiker verwenden schon seit langer Zeit das international
genormte IPA Alphabet. Viele Sprachen (z.B. die meisten slawischen
Sprachen, auch skandinavische Sprachen) verwenden eine Orthographie, die
sehr eng an die Aussprache angelehnt ist. Bedenkt man, daß der Ursprung
unseres lateinischen und auch des griechischen und arabischen Alphabets
die Umschreibung der akustischen Erscheinung ist, so verwundert es nicht,
daß selbst Laien sehr schnell lernen können, zu einem Wort die passende
Aussprache in Lautschrift zu finden. Die meisten Sprachen verwenden ca.
50 verschiedene Laute. Je nach Definition eines Lautes können das auch
nur 20 oder mehrere hundert sein. Im Chinesischen zum Beispiel gibt es
von jedem Vokal mehrere (je nach Dialekt vier bis fünf) Ausprägungen.
In jedem Fall sind es ” ausreichend wenige“, damit jeder Laut in einer
Standard-Datenbasis genügend Vorkommen hat. Damit ist sichergestellt,
daß ein Phonem-HMM bzw. seine Parameter robust trainiert werden können.
Abb. 12.8 zeigt, wie ein typisches HMM für das Wort ” Tag“ entsteht.
Im ersten Schritt würde ein HMM-System in einem Aussprachelexikon
nachsehen, um festzustellen, daß das Wort aus drei Phonemen besteht: t, a
und g. Für jedes Phonem gibt ein vorkonstruiertes Phonem-HMM basierend
auf dem Bakis Übergangsschema. Jedes der Phonem-HMMs ist aus drei
Zuständen aufgebaut, von denen der erste (jeweils mit ” -b“ markiert) die
akustischen Eigenschaften des Segments zu Beginn des Phonems modelliert,
der zweite (mit ” -m“ markiert) den Mittelteil, und der dritte (mit ” -e“
markiert das Ende. Würden wir streng nach dem Bakis-Schema vorgehen,
dann müßte zu den eingezeichneten Übergängen noch ein Übergang aus dem
letzten Zustand in den ” zweiten“ des darauffolgenden Teil-HMMs gehen.
Erstens ist es gar nicht sicher, ob dieses dann überhaupt mehr als einen
Zustand hat, und zweitens könnte es sogar mehrere ” zweite“ Zustände
haben. In der Praxis haben sich derartige kleine Abweichungen von der
Definition des Übergangsschemas als meistens irrelevant erwiesen. Das
Ergebnis der Komposition des Wort-HMMs aus Phonem-HMMs ist in Abb.
12.8 unten zu sehen. Ohne daß dies in der Abbildung gekennzeichnet wäre,
ist der mit ” T-b“ markierte Zustand der Erste (also π( ” T-b“) = 1.0) und
der mit “G-e“ markierte der Finalzustand.