Sprachliche Mensch-Maschine-Kommunikation

256 15. Erkennung kontinuierlicher Sprache
15.3 Hidden Markov Modelle für kontinuierliche
Sprache
Während bei der Einzelworterkennung sowohl für das Training als auch für
die Erkennung die gleichen Hidden-Markov-Modelle verwendet werden, auf
denen dann im Training der Forward-Backward- und bei der Erkennung
der Forward-Algorithmus eingesetzt werden, so gilt dies für kontinuierliche
Sprache nicht mehr. Die aus der Einzelworterkennung bekannten Wort-
HMMs könnten für das Training übernommen werden, wenn bekannt wäre,
wo in einer Aufnahme jedes Wort anfängt und wo es aufhört. Da eine solche
Segmentierung in der Regel nicht gegeben ist, muß hier ein anderer Weg
beschritten werden.
Meistens haben wir es beim Trainieren eines HMM-Erkenners für
kontinuierliche Sprache mit Aufnahmen zu tun, in denen ganze Sätze stehen.
Manchmal sind es auch mehrere Sätze, manchmal nur Satzfragmente.
Eine Trainingsdatenmenge besteht aus vielen solcher Aufnahmen und den
dazugehörigen Transkripten. Gelegentliche kleine Fehler in den Transkripten
können meist toleriert werden, dennoch ist es vorteilhaft, wenn sie so
exakt wie möglich sind, und sogar Atemgeräusche, Schmatzlaute, Stotterer,
Telefonklingeln und andere Geräusche als solche beschrieben werden.
Guten Tag
G U T N T A G
Wortgraph
Phonemgraph
G1 G2 U1 U2 T1 T2 N1 N2 T1 T2
Abb. 15.7. Aufbau eines HMMs für einen ganzen Satz
Zustandsgraph
A1 A2 G1 G2
Um auf einer kompletten Aufnahme mit mehreren Worten einen Forward-
Backward Algorithmus zu rechnen, benötigen wir ein HMM, das alle Worte
(und Geräusche) der Aufnahme modelliert. Im einfachsten Fall genügt es,
die einzelnen Wort-HMMs zu einem einzigen HMM zu konkatenieren, wie in
Abb. 15.7 dargestellt.
Typischerweise besteht die Erzeugung des finalen HMMs (Zustandsgraph)
aus drei Schritten. Im ersten Schritt wird ein Pseudo-HMM (Wortgraph)
erzeugt, dessen Zustände ganzen Wörtern entsprechen. Im zweiten Schritt
wird jeder Wortzustand durch ein HMM ersetzt, bei dem jeder Zustand