Sprachliche Mensch-Maschine-Kommunikation

236 14. Das akustische Modell
14.6 Aussprachemodellierung
Wenn wir das akustische Modell aus der Fundamentalformel der Spracherkennung
berechnen, läßt sich p(x|W) auf viele verschiedene Arten zerlegen.
Die bei weitem am meisten verwendete Zerlegung ist die von W in eine Folge
von akustischen Einheiten, typischerweise Allophone bzw. deren Untersegmente.
In letzter Zeit häufen sich Ansätze, die eine Zerlegung von W weniger
nach phonetischen Einheiten sondern eher nach Sequenzen artikulatorischer
Eigenschaften [?] gestalten. Der große Vorteil einer Zerlegung in Phoneme
besteht darin, daß ein in die Lautschrift Eingeweihter – nicht unbedingt
ein Phonetiker – relativ einfach die phonetische Umschrift für ein Wort
bestimmen kann.
Es gibt einige Ansätze, Spracherkennung mit null phonetischem Wissen
zu machen [?] [?] [?], allerdings bisher für die meisten Sprachen mit deutlich
schlechterer Erkennungsrate. Für Sprachen mit phonetischer Orthographie
ist es einfach möglich, aus der Orthographie die korrekte Aussprache direkt
abzuleiten. Für die meisten Sprachen, insbesondere für das Englische ist dies
nicht mehr möglich. So verwenden die allermeisten Spracherkenner im voraus
erstellte Lexika, in denen für jedes erkennbare Wort zur Orthographie dieses
Wortes auch die entsprechende phonetische Umschrift eingetragen ist. Nur
mit dieser Information können gute HMMs für die Wörter aufgebaut werden.
14.6.1 Aussprachelexika und Text-To-Speech Systeme
Dieser Abschnitt beschäftigt sich nicht mit der akustischen Qualität
von Sprachsynthesesystemen. Wenn wir hier von Mensch-Maschine-
Kommunikation reden, ist der die Kommunikation vom Menschen zur
Maschine gemeint. Inwiefern können Text-To-Speech Systeme für das
Verstehen menschlicher Sprache dennoch gewinnbringend eingesetzt werden?
Der Begriff ” Text-To-Speech Systeme“ wird für zweierlei Dinge verwendet,
einmal für die Generierung der Phonemfolge aus einem gegebenen
Text, und darüber hinaus auch für komplette Sprachsynthesesysteme mit
zusätzlicher Erzeugung eines Sprachsignals.
Zweifellos ist es nötig, für eine große Akzeptanz von natürlichsprachlichen
Mensch-Maschine Dialogsystemen eine sehr gute Sprachsynthese zu
verwenden. Dazu gehören im wesentlichen drei nicht unbedingt unabhängige
Teile: Die akustische Qualität, die korrekte Prosodie (s. 23) und die korrekte
Auswahl der Lautefolge.
Die meisten Sprachsynthesesysteme verwenden einen mehrstufigen
Prozeß zum Generieren eines Sprachsignals. In der ersten Phase wird dem