Sprachliche Mensch-Maschine-Kommunikation

234 14. Das akustische Modell
Σ Σ Σ Σ
Abb. 14.5. Verschiedene Ebenen der Parameterkopplung
aus einem Lautsprecher kommen und so die getrennte Lokalisierung der
Schallquellen durch das binaurale Hören nicht möglich ist. Nach dem heutigen
Stand der Technik ist nicht abzusehen, daß maschinelle Spracherkenner
ähnliche Leistungen bald auch erbringen können. Dennoch gibt es viele
ähnliche Aufnahmesituationen, die etwas einfacher zu handhaben sind, bei
denen zum Beispiel ein Sprecher und irgendwelche Hintergrundgeräusche
sich überlagern. Wenn die Hintergrundgeräusche wesentlich weniger Energie
enthalten als die zu erkennende Stimme, dann bieten oft Adaptionsmethoden
(s. Kap. 21) gute Lösungen. Wenn die Energie der Hintergrundgeräusche
jedoch in die Größenordnung der Energie der Sprache kommt, und wenn
die Hintergrundgeräusche eine eigene Struktur haben, dann bietet sich eine
Vorgehensweise an, die als Verwendung mehrdimensionaler Hidden-Markov-
Modelle bezeichnet werden kann.
Die bei solchen Modellen basiert auf der Annahme, daß alle (beide)
Schallquellen Signale erzeugen, die durch ein Hidden-Markov-Modell modelliert
werden können. Im einfachen Fall, würde ein HMM die Sprache
und eines die Geräusche (Musik, Auto, Büro etc.) modellieren. Jedes HMM
hat seine eigene Zustandsmenge. Die Forward-Backward- und Viterbi-
Algorithmen können aber nicht unabhängig voneinander durchgeführt
werden, weil die einzelnen Signale nicht isoliert vorliegen. Daher wird für
sie ein Zustandsraum aufgebaut, der das kartesische Produkt der einzelnen
Zustandsräume S (1) × S (2) ist. Wenn der Zustand s (1)
i der i-te Zustand