Sprachliche Mensch-Maschine-Kommunikation

214 13. Das Trainieren von Spracherkennern
Wählen Sie nun wieder Aufnahme 0 und ” ache“ aus. Klicken Sie auf
Forward-Backward . Auch jetzt erscheint eine Matrix mit eingefärbten
Zellen, die diesmal den γt(j) des Forward-Backward-Algorithmus entsprechen.
Diese werden im Programm intern abgespeichert. Wenn Sie danach
auf Update klicken. Werden Die Parameter des HMMs entsprechend
der Baum-Welch Regeln und dem Expectation Maximization Algorithmus
optimiert.
Sie können erkennen, daß jetzt die Darstellung der Gauß-Mischverteilungen
nicht mehr überall gleich ist. Insbesondere haben sich die Verteilungen
für die Modelle EY-b, EY-e, K-b und K-e verändert. Auch wenn diese
Veränderungen nur minimal ausfallen, ist erkennbar, daß der Schwerpunkt
der K-b und K-e Modelle näher zum Nullpunkt gerückt ist. Dies ist darauf
zurückzuführen, daß diese Modelle tendenziell eher mit den Mustern trainiert
wurden, die dem verhältnismäßig energiearmen k-Laut entsprechen.
Wenn Sie die Verteilungen von EY-b und EY-e miteinander vergleichen
erkennen Sie, daß der Schwerpunkt der EY-e Verteilung weiter ” oben“ liegt.
Dies ist darauf zurückzuführen, daß der EY-Laut ein Diphthong ist, dessen
vorderer Teil (EY-b) durch das eher etwas tiefer klingende E dominiert wird,
während der hintere Teil (EY-e) durch das eher etwas höher klingende Y
dominiert wird. Daher wurde die Mischverteilung des EY-e Modells tendenziell
eher mit Mustern trainiert, deren oberes Frequenzband energiereicher ist.
Wenn Sie nun wiederholt Forward-Backward Update klicken, können
Sie beobachten, wie mit jeder Iteration die angezeigte Wahrscheinlichkeit
für P(Aufnahme0|λ(ache)) steigt. Die eben festgestellten Veränderungen an
den Gauß-Mischverteilungen der Modelle, die im Word ” ache“ vorkommen,
werden zementiert.
Um den Erkenner mit mehreren Aufnahmen zu trainieren müßten Sie
die Aufnahmen einzeln zusammen mit ihren entsprechenden Wort-HMMs
auswählen und jeweils Forward-Backward ausführen; am Ende dann
einmalig Update , um alle akkumulierte Trainingsinformation auszuwerten.
Die Aufnahmen sind so angeordnet daß für jedes der Vokabularwörter vier
Aufnahmen vorhanden sind. Da es zur Beurteilung der Erkennerqualität
nicht korrekt wäre, die Fehlerrate auch auf den Trainingsdaten zu messen,
sollte ein Teil der Daten nicht für das Training verwendet werden. Wenn Sie
die Aufnahmen 3, 7, 11, 15, 19 und 23 (und 24) auslassen, dann bleibt von
jedem Wort eine Aufnahme für die spätere Evaluation übrig. Es wäre sogar
interessant, alle Aufnahmen des Wortes ” shake“ wegzulassen, um später die
Erkennung auf untrainierten Wörtern zu Testen.