Sprachliche Mensch-Maschine-Kommunikation

292 17. Kontextabhängige akustische Modelle
wir komplette Wortmodelle verwenden, da auch hier jedes Modell komplett
vom Wort abhängt. Die zeitliche Ausdehnung bleibt aber die gleiche wie bei
Monophonen.
Tab. 17.2 gibt an, welcher Anteil an allen Wall Street Journal Vokabularwörtern
durch die Kontextbreite komplett abgedeckt wird, also mit anderen
Worten, welcher Anteil des Vokabulars so gut wie mit Ganzwortmodellen
modelliert wird. Man sieht, daß eine allzu große Kontextbreite keine nennenswerten
Vorteile mehr erwarten läßt.
Kontextbreite: Mono- Di- Tri- Quint- Septphone
Ganzwortabdeckung: 3% 27% 49% 80% 90%
Tabelle 17.2. Abdeckung des Vokabulars durch Quasi-Ganzwortmodelle
Wenn der Phonemsatz aus 50 Monophonen besteht, dann kann es theoretisch
bis zu 2500 Diphone geben. Das wäre noch handhabbar. Allerdings
ist es illusorisch alle möglichen Polyphone einer Sprache zu modellieren, so
daß in der Praxis ein Zusammenfassung zu generalisierten Polyphonen zu
Polyphonklassen nötig wird. Auch diese habe die zeitliche Ausdehnung von
Monophonen. Aus der Kenntnis der Polyphonklasse läßt sich dann aber
nicht mehr der Kontext selbst ableiten.
Auch wenn Phoneme eine relativ kurze Zeitspanne von 10ms bis 100ms
abdecken, so beobachtet man dennoch oft innerhalb dieser Zeit eine Variation.
Gerade bei Diphthongen und Affrikaten ist es offensichtlich, daß der
Anfang des Lautes nicht auf die gleiche Art wie sein Ende modelliert weden
sollte. Daher verwenden alle erfolgreichen Spracherkenner zeitlich kürzere
Einheiten, wie zum Beispiel die kontextunabhängigen Submonophone. Meist
wird ein Phonem in drei Teile, ein Beginn-, ein Mittel- und ein Endsegment.
Seltener in zwei Teile wie in Tab. 17.1. Dort besteht nun das Wort ” Hallo“
aus acht Einheiten.
Subtriphone sind die Unterteilung von Triphonen in zeitlich kürzere
Einheiten. Subtriphone haben die gleiche zeitliche Ausdehnung wie Submonophone
(bei gleicher Anzahl von Segmenten). Sie bilden aber schon eine
so feine Unterteilung des Merkmalsraumes, daß in der Regel nicht genug
Trainingsdaten zur Verfügung stehen, um jedes Modell zu trainieren.