Sprachliche Mensch-Maschine-Kommunikation

244 14. Das akustische Modell
Verwendung von Wortclustern
Für die meisten Sprachen gibt es bestimmte, häufig verwendete Phrasen, deren
Aussprache sich mit der Zeit von der Konkatenation der Aussprache der
einzelnen Phrasenbestandteile weg entwickelt hat. Beispiel für solche Phänomene
sind im Deutschen zum Beispiel die Wortfolge haben wir“ die gerne
”
wie hammer“ oder hamwer“ ausgesprochen wird, oder das im Englischen
” ”
typische going to“, das eher wie gonna“ ausgesprochen wird. Manche Kon-
” ”
traktionen finden sich sogar in der Bildung neuer Wörter wieder, wie zum
Beispiel die Wörter fürs“ und aufs“ als Zusammenfassung der Wortfolgen
” ”
” für das“ bzw. auf das“. Daher verwenden viele Aussprachelexika gesonderte
”
Einträge für einige wenige aber häufig auftretende kurze Wortfolgen.
14.6.4 Flexible Transkriptionen
Die Trainingsdaten für einen Spracherkenner bestehen in der Regel aus einer
Sammlung von Aufnahmen und einer Datei, in der beschrieben ist, was auf
den Aufnahmen zu hören ist, die sogenannten Transkriptionen. Es gehört
nicht viel Weisheit dazu, zu schließen, daß die Qualität der Trainingsdaten
auch die Qualität des aus ihnen berechneten Modells bestimmt. Dabei kommt
es vor allem darauf an, daß in den Sprachsignalen auch das gesprochen
wird, was in den zugehörigen Transkriptionen steht. In den Anfängen der
Spracherkennung verwendete man daher sicherheitshalber nur sehr saubere
Aufnahmen, also solche, in denen keine störenden Geräusche und auch
keine störenden menschlichen Laute wie Atem- oder Lippengeräusche zu
hören waren. Selbst Pausen zwischen den Wörtern eines kontinuierlich
gesprochenen Satzes waren unerwünscht. Die Trainingsdaten wurden meist
eigens für das Trainieren von Spracherkennern gesammelt. Inzwischen ist
es üblich Aufnahmen zu verwenden, die nicht für die Spracherkennung
vorgesehen waren – Aufnahmen, in denen Menschen natürlich z.B. mit
anderen Menschen reden. In solcher ” ungeplanter“ Sprache kommen sehr
wohl Störgeräusche und Pausen vor.
Der erste Schritt in Richtung der Verwendung ungeplanter Sprache geht
dahin, in den Transkriptionen auch die Geräusche festzuhalten. Darüber
hinaus gibt es noch eine Reihe weiterer Phänomene, die ebenfalls in die
Transkriptionen mit aufgenommen werden können, wie z.B. die Tatsache,
daß ein Wort falsch oder auch im Dialekt ausgesprochen wurde, oder daß
nur Wortfragmente ausgesprochen bzw. gestottert wurden.
Selbst erfahrenen Transkribieren unterlaufen dabei oft Fehler, weil kurze
Stotterer, dialektische Einfärbungen oder für den Menschen das Verständnis
nicht störende Geräusche einfach ” psychologisch“ überhört werden. Daher
gibt es das Bestreben, sehr gut ausgebildete Transkribierer in mehreren