Sprachliche Mensch-Maschine-Kommunikation

354 21. Robustheit und Adaption
zu finden, fokussiert sich ein Großteil der Forschung auf wesentlich schwierigere
Probleme wie das Erkennen spontaner Telefondialoge. Dies illustriert
die Bedeutung, die der Problematik der Robustheit zugemessen wird.
Zu den Verfahren, die am meisten zur Verbesserung der Robustheit
beitragen, gehören verschiedene Methoden der Adaption. Hierbei gibt es
zahlreiche Verfahren, die auf allen Ebenen eines Spracherkenners, von der
Signalverarbeitung bis hin zur Nachbearbeitung der Hypothesen, eingesetzt
werden. Im diesem Kapitel werden einige der wichtigeren vorgestellt.
21.1 Sprecherabhängigkeit
Die Fehlerraten für verschiedene Sprecher können mit dem selben Erkenner
extrem stark variieren. Abb. 21.1 zeigt die Fehlerraten für die Sprecher 4t1
bis 4tk der DARPA Wall Street Journal Evaluation vom Dezember 1994. Für
jeden Sprecher sind die Fehlerraten mit allen Erkennern als Kreuze markiert.
Abgesehen von der Schwankung der Fehlerraten für jeden einzelnen Sprecher
ist erkennbar, daß die Fehler beim besten Sprecher, 4t3, zwischen ca. 2% und
8% liegen, während die Fehler für den schwierigsten Sprecher, 4td, zwischen
ca. 25% und 50% also etwa zehn mal so hoch liegen.
Es gibt nun verschiedene Möglichkeiten, Erkenner auf einen bestimmten
Sprecher zu adaptieren. Einige Eigenschaften, die einzelne Sprecher von
anderen unterscheiden sind relativ leicht zu beschreiben, dazu gehören
zum Beispiel die typische Sprechgeschwindigkeit, der gesprochene Dialekt
oder Akzent, das Geschlecht und die damit verbundene Anatomie des
Artikulationsapparates. Andere Eigenschaften sind wesentlich schwieriger
zu beschreiben und sind fast nur in den Parametern der Spracherkenner
wiederzufinden.
Bereits erfolgreich eingesetzt wurden Verfahren, bei denen verschiedene
Erkenner für verschiedene Gruppen von Sprechern trainiert wurden. Bei
der Konstruktion von Multilingualen Erkennern sieh man es als selbstverständlich
an, daß die erste naheliegende Vorgehensweise das Training
von Sprachenabhängigen Erkennern ist, und das Training eines sprachenunabhängigen
Erkenners erst danach folgt. Im grunde könnte man die gleiche
Argumentation auch für Gruppen von Sprechern gelten lassen. Solange
ausreichend viele Trainingsdaten für jede Gruppe zur Verfügung stehen,
kann es sehr wohl von Vorteil sein, mehrere in sich homogene Gruppen
zu definieren, die jeweils eine kleine Streuung für die HMM-Parameter zur
Folge haben und so sehr gute ” scharfe“ Modell haben.