Sprachliche Mensch-Maschine-Kommunikation

16.6 Verschiedene weitere Sprachmodelle 281
Struktur, die sich während des Erkennungsprozesses nur sehr schwer ändern
läßt. Dynamisch berechnete Übergänge und deren Wahrscheinlichkeiten
(wie zum Beispiel bei Trigger-Modellen) sind hier nur sehr schwer zu
implementieren.
16.6.5 Gewichtung von Akustik und Linguistik
Beim Betrachten der Fundamentalformel der Spracherkennung (14.2) fällt
auf, daß in dieser das akustische Modell mit p(X|W) als Faktor einen Dichtewert
und das Sprachmodell mit P(W) eine echte Wahrscheinlichkeit als Faktor
beiträgt. Rein mathematisch ist dies nicht weiter problematisch, allerdings
kann es je nachdem, auf welche Art die Emissionswahrscheinlichkeiten berechnet
werden, dazu führen, daß für zwei verschiedene Hypothesen W1 und
W2 der Unterschied der beiden akustischen Beiträge |p(X|W1) − p(X|W2)|
um viele Größenordnungen größer sein kann als der Unterschied der beiden
Sprachmodellbeiträge |P(W1)−P(W2)|. Dies kann dazu führen, daß der Einfluß
des Sprachmodells auf den Erkennungsvorgang zu gering ausfällt. Daher
wird in der Praxis das Produkt von akustischem Modell und Sprachmodell
mit Hilfe eines Exponenten z über dem Sprachmodell gewichtet. Außerdem
wird der Nichtberücksichtigung der A-priori-Wahrscheinlichkeit für die Länge
einer Hypothese P(|W| = n) ein zuzsätzlicher Faktor q n in die Formel aufgenommen:
ˆW = argmaxP(X|W)
· P(W)
W
z · q |W|
(16.25)
Wenn - wie bei fast allen Spracherkennern üblich - die Wahrscheinlickeiten
und Dichten im logarithmischen Raum betrachtet werden ergibt sich somit:
ˆW = argmax(log
P(X|W) + log P(W) · z + q · |W|) (16.26)
W
In dieser Darstellung ist leicht zu sehen, wie ein größerer Wert für z
den Einfluß des Sprachmodells erhöht. Mit einer passenden Wahl von q läßt
sich der Erkenner dahingehend beinflussen, mehr oder weniger Wörter in
den Hypothesen unterzubringen. Die optimale Einstellung von z und q wird
in der Regel anhand einer Kreuzvalidierungsmenge bestimmt, indem die
Fehlerrate des Erkenners auf dieser Menge für verschiedene Kombinationen
der z und q gemessen wird und schließlich die Kombination mit den besten
Resultaten weiterverwendet wird.
In [?] wid ein Verfahren vorgestellt, wie mit Hilfe eines Multi-Layer-
Perzeptrons bei Kenntnis verschiedener Eigenschaften des Signals und einer
tentativen Hypothese die für jede Aufnahme individuell optimierten Einstellung
von z und q berechnet werden können. Mit einer derartigen individuellen
Einstellung kann in vielen Fällen die durchschnittliche Fehlerrate etwas