Sprachliche Mensch-Maschine-Kommunikation

15. Erkennung kontinuierlicher Sprache
Kontinuierliche Sprache bietet gegenüber isolierten Wörtern zusätzliche
Herausforderungen in mehreren Bereichen. Wenn man fließend spricht,
spricht man meist unvorsichtiger und ungenauer. Außerdem ist fließende
Sprache meist deutlich schneller, und es treten Koartikulationseffekte auf,
die einzelne Wörter im Kontext anders klingen lassen, als wenn diese Wörter
isoliert ausgesprochen würden. Diese Probleme könnten im Prinzip ignoriert
werden, wenn wir wüßten, wo in einer Aufnahme ein Wort beginnt und wo
es aufhört. Dann wäre die Erkennung wegen der größeren Variablität und
schlechteren Qualität der Signale zwar schwieriger, aber wir könnten die
bisher betrachteten Algorithmen weiter verwenden. Jetzt ist es aber so, daß
das Erkennungssystem keine explizite Information darüber hat, wo sich in
einer Aufnahme Wortgrenzen befinden, es muß diese selbst finden.
Da beim automatischen Finden der Wortgrenzen Fehler gemacht werden,
ist zu erwarten, daß der Erkenner bei Eingaben wie ” geh heim“ Hypothesen
wie ” geheim“ liefert, oder statt ” Nordirlandbeauftragter“ das falsche ” nord
Ihr Land beauftragt er“ erkennt. Wie auch immer diese Wortgrenzen zustande
kommen, man kann schon jetzt sagen, daß ein Vorgehen, bei dem ein
Sprachsignal zunächst in unabhängige Segmente zerstückelt wird, um dann
auf den Segmenten eine Isoliertworterkennung durchzuführen, zum Scheitern
verurteilt ist. Ein ausreichend exaktes Finden von Wortgrenzen nur mit Hilfe
des akustischen Signals ist nahezu ausgeschlossen. Manche Sprachen wie
z.B. die chinesische sind so geartet, daß die geübten Nachrichtensprecher im
Rundfunk die Silben mit einer relativ gleichbleibenden ” Taktrate“ vorlesen
und daß sich diese Silbenfrequenz in der energetischen Analyse des Signals
wiederfinden läßt, so daß eine automatische Segmentierung in Silben manchmal
machbar ist. Aber die allermeisten Chinesen sprechen weniger getaktet
und in den meisten anderen Sprachen ist eine Taktung viel schwieriger im
Signal zu erkennen. In Sprachen wie im Englischen und Deutschen, in denen
nicht einmal eindeutig definiert ist, was eine Silbe ist (wieviele Silben hat das
Wort Uhr?), ist eine automatische Wortsegmentierung vor der eigentlichen
Erkennung nicht möglich. Daher werden wir auf andere Algorithmen zum
Trainieren von Erkennern und zum Erkennen von Aufnahmen angewiesen
sein. Im folgenden werden Probleme, die mit kontinuierlicher Sprache