Sprachliche Mensch-Maschine-Kommunikation

14.6 Aussprachemodellierung 245
Durchläufen über dieselben Daten in einem sehr zeitaufwendigen Prozeß
hochqualitative Transkriptionen zu erzeugen. Der zeitliche Aufwand für das
Abhören der Aufnahmen und schreiben der Transkriptionen kann dabei
sogar vom Zehnfachen bis zum Hundertfachen der Länge der Aufnahme
betragen. Dabei werden nicht einmal die zeitlichen Zuordnungen ( ” Labels“)
angegeben, sondern lediglich der gesprochene mit diversen Effekten angereicherte
Text.
Aus den Transkriptionen werden die im Training verwendeten Satz-
HMMs erzeugt. Wären die Transkriptionen perfekt, dann würde stets ein
Satz-HMM mit einer einzigen völlig linearen Anordnung der Zustände
genügen. Gestehen wir aber den Transkribierern zu, daß sie nicht nur die
Länge von Pausen sondern sogar deren Existenz zwischen zwei Wörtern
überhören dürfen, dann müssen wir zumindest zwischen dem letzten Zustand
eines Wortes und dem ersten Zustand des darauffolgenden Wortes
einen optionalen Stillezustand einbauen, der das Stillephonem modelliert.
Gestatten wir den Transkribierern, einige zwar im Signal recht gut wiederzuerkennenden
Laute wie Atmen, Lippen- oder Zungengeräusche, Reiben
oder Klopfen am Mikrophon etc. zu überhören, dann bietet es sich an,
zwischen den Wörtern nicht nur optionale Stillelaute sondern auch noch
optionale Geräusche zu erlauben. Ganz besonders offensichtlich wird dies bei
Mischgebilden zwischen Geräuschen und Wörtern, wie z.B. bei emphatischen
Pausen, die im Deutschen typischerweise mit ” Äh“-Lauten und Varianten
davon gefüllt werden. Selbst solche ” Ah“ Laute entgehen Transkribierern
hin und wieder. Ganz besonders kompliziert kann es werden, wenn Wortfragmente
oder Stotterer abgebildet werden sollen. Es ist oft gar nicht
möglich eine sinnvolle Beschreibung zu liefern, weil z.B. das gesprochene
Fragment keine korrekte textuelle Umschreibung hat. Man stelle sich vor,
jemand stottert beim Sprechen des Wortes ” Manager“ und spricht die erste
Silbe zweimal: ” Man- Manager“. Würde man dies so in die Transkription
schreiben, hätte das System wohl große Schwierigkeiten, zu dem ” Man-“ eine
passende Phonemfolge zu finden, der nächstbeste Lexikoneintrag für ” man“
wäre jedenfalls ungeeignet. Schlimmer noch sind in der Praxis tatsächlich
nicht selten beobachtete Lautartikulationen, die gar nicht im phonetischen
Inventar einer Sprache enthalten sind. Erlauben wir den Transkribierern,
solche Dinge nicht immer perfekt zu umschreiben und erlauben wir darüber
hinaus zusätzlich, das Überhören dialektgeprägter Einfärbungen der Sprache
nicht explizit festzuhalten, so kommen wir schnell an einem Punkt an, an
dem die Qualität der Transkriptionen deutlich abnimmt. An diesem Punkt
gibt es dann nur noch zwei Alternativen, entweder man investiert noch
viel mehr Aufwand zum Verbessern dieser Qualität, oder man unternimmt
Maßnahmen zum Umgang mit nicht vollständig korrekt transkribierten
Aufnahmen. Gerade bei sehr großen Trainingsdatenbasen wird sich die