Sprachliche Mensch-Maschine-Kommunikation

348 20. Erkennung von Spezialvokabular
als minimierter Automat.
Wenn die Benutzerschnittstelle so gestaltet ist, daß das System weiß,
wann der Sprecher Buchstabierfolgen eingibt, kann ein isoliertes System
mit einem Automaten wie in Abb. 20.2 direkt auf der Aufnahme eingesetzt
werden. Dies wurde zum Beispiel in [?] für eine vollautomatische Telefonauskunft
bzw. Telefonvermittlung mir sehr guter Erkennungsleistung gemacht.
In vielen Anwendungen muß aber damit gerechnet werden, daß neben
den Buchstabiersequenzen auch fließend gesprochene Wörter oder Phrasen
auftreten, zum Beispiel: Mein Name ist Maier, M, A, I, E, R, ich wohne in
”
...“. Für solche Aufgaben genügt ein reiner Buchstabiererkenner nicht. Dann
ist die beste Vorgehensweise eine Hintereinanderausführung von Erkennung
mit einem kontinuierlichen Spracherkenner und einem spezialisierten Buchstabiererkenner
[?]. Der Standard Spracherkenner erkennt dann im obigen
Beispiel womöglich Mein Name ist Maier M ah Ihr R ich wohne in ...“. Mit
”
Hilfe von Konfidenzmaßen und eines Sprachmodells kann die Wortsequenz
” M ah Ihr R“ als wahrscheinliche Buchstabierfolge identifiziert und der
entsprechende Teil aus dem Sprachsignal herausgeschnitten werden, so daß
der spezialisierte Buchstabiererkenner darauf die korrekte Buchstabenfolge
erkennen kann. Ein Vergleich des Buchstabierhypothese mit der Hypothese
des Standarderkenners kann am Ende noch zusätzliche Informationen liefern,
die zur Entscheidung oder Revidierung, daß es sich um Buchstabieren
handelt, verwendet werden können.
20.2 Erkennung beliebiger Namen
Lange Zeit wurde die Forschung auf dem Gebiet der Erkennung unbekannter
Wörter vernachlässigt. Dies geschah vor allem deshalb, weil ein Großteil
der Forschung auf englischer bzw. amerikanisch-englischer Sprache stattfand
und immer noch stattfindet. Aufgrund der sehr wenigen Flexionen und
sehr eingeschränkten Möglichkeiten der Komposition von Wörtern im
Englischen genügen in der Regel wenige hunderttausend Wörter in einem
Erkennervokabular um weit über 99% des Wörter der allermeisten Dokumente
abzudecken. Von den nicht abgedeckten Wörtern sind die meisten
Eigennamen, Abkürzungen oder seltene Symbolfolgen (z.B. Zahlen).
Weil seit den achtziger Jahren fast ausschließlich die Wortfehlerrate als
Maß für die Qualität eines Spracherkenners verwendet wurde, und weil dabei
keine Unterscheidung gemacht wurde, welche Fehler schwerwiegender sind
oder welche Fehler schwerwiegendere Konsequenzen für die nachgeschalteten
Systeme wie Verstehen und Übersetzen haben, wurde auch wenig Energie in
die Erkennung dieser OOV-Wörter investiert. In der Praxis stellt sich aber