Sprachliche Mensch-Maschine-Kommunikation

238 14. Das akustische Modell
akustischen Atomen kann aus der Aussprache die dazu gehörige HMM-
Zustandsfolge direkt ohne Umwege abgeleitet werden. Wenn wir aber davon
ausgehen, daß wir spezifischere Modelle verwenden, kann es vorkommen, daß
in dem neuen Wort Phoneme in bestimmten Kontexten oder Ausprägungen
vorkommen, die bis dahin in den Trainingsdaten nicht beobachtet worden
waren. In solchen Fällen gilt es, aus dem vorhandenen Repertoire an
akustischen Einheiten die passenden auszuwählen (Details dazu in Kap. 17).
Mitte der achtziger Jahre machte ein Experiment von T. Sejnowski
Furore und trug mit dazu bei, daß die durch den Artikel von Minski
und Papert quasi betäubte Forschung an künstlichen neuronalen Netzen
wiederbelebt wurde [?]. Bei diesem Experiment wurde ein verhältnismäßig
einfaches dreischichtiges Perzeptron (vgl. Kap. 22) mit ca. 200 Neuronen
trainiert, bei Eingabe eines Buchstaben und seiner Nachbarbuchstaben in
einem Text das dazu passende Phonem zu generieren. Natürlich hatte das
Netz Schwierigkeiten beim Erzeugen von Phonemfolgen für Eigennamen,
Fremdwörter oder Buchstabenfolgen bei denen die Zuordnung Buchstabezu-Phonem
stark von einer Eins-zu-eins-Zuordnung abwich. Auch wenn die
Qualität der so produzierten Aussprache von der heutiger Systeme noch
weit weg war, so kann man es allein schon wegen seiner Einfachheit als
einen sehr gelungenes Experiment bezeichnen. Deutlich besser als so ein
einfaches Perzeptron funktionieren Regelbasierte Text-To-Speech Systeme.
Diese enthalten Regeln, wie bestimmte Buchstabenfolgen der Orthographie
ausgesprochen werden, und für einige Wörter und Eigennamen auch komplette
Phonemfolgen.
Die typischen Aussprachelexika werden heute in einem zweistufigen
Prozeß erzeugt. Zuerst wird mit einem Regelbasierten System für jedes
Vokabularwort eine Aussprache erzeugt. Dabei wird gegebenenfalls geprüft,
ob Teile des zu phonetisierenden Wortes selbst schon bekannte Wörter oder
Teile bekannter Wörter sind. Dann können diese bereits bekannten Aussprachen
verwendet werden. Im zweiten Durchgang überprüft ein Mensch die
automatisch erzeugten Umschriften, was schneller geht, als wenn der Mensch
von Anfang an die Umschriften erzeugt. Schlechte Umschriften lassen sich
teilweise dadurch aufdecken, daß auf einer Testdatenmenge die phonetisch
falsch beschriebenen Wörter überdurchschnittlich viele Fehler verursachen.
Solche müssen dann bei Bedarf manuell korrigiert werden. Ein als ganzes
sorgfältig manuell erzeugtes, auf die Belange der Spracherkennung hin
optimiertes Aussprachelexikon [?] kann gegenüber einem halbautomatisch
erzeugten Lexikon [?] die Fehlerrate eines Erkenners um über 10% (von
10.7% auf 9.3%) senken [?].