Sprachliche Mensch-Maschine-Kommunikation

21.4 Adaptionsziele 359
Geräusche in fünf oder sechs Klassen ist. Die Klassen können mit Hilfe eines
agglomerativen Ballungsverfahrens gefunden werden. In [?] konnten auf
ähnliche Weise mit 14 Geräuschklassen dramatische Verbesserungen der Fehlerrate
erreicht werden, ca. 50% weniger Fehler insgesamt, und immer noch
über ca. 10% weniger Fehler selbst auf sauberen Aufnahmen ohne Geräusche.
Einbindung von Geräuschen ins Sprachmodell
Es gibt zwei Paradigmen, die beim Modellieren von geräuschbehafteten
Wortfolgen beachtet werden sollten. Einmal die Behandlung von Geräuschen
wie gewöhnliche Wörter. Unter der Annahme, daß manche Geräusch
bevorzugt an bestimmten Stellen in der Sprache auftreten, sollten sie
bei der Berechnung der n-Gramme wie alle andere Wörter behandelt
werden. Dies gilt insbesondere für Atemgeräusche, Lippenschmatzen und die
meisten Füllwörter. Andere Geräusche, insbesondere nichtartikulatorische,
können schwer vorhergesagt werden. Für diese sollte das Paradigma der
Transparenz aus der Sicht des Sprachmodells verfolgt werden. Das heißt,
sie sollten nicht wir gewöhnliche Wörter bei der Berechnung der n-Gramme
verwendet, sondern an dieser Stelle zunächst ignoriert werden. Später,
während der Erkennung sollten sie allerdings vom Sprachmodell nicht für
” unmöglich“ gehalten werden, sondern “durchgereicht“ werden, so daß
P(wn|w1, w2, . . . wi, wGeräusch , wi+1 . . . wn−1) genauso berechnet wird wie
P(wn|w1, w2, . . . wi, wi+1 . . . wn−1).
21.4 Adaptionsziele
Die Adaption eines Spracherkenners an aktuelle Gegebenheiten kann verschiedene
Ziele verfolgen. Entweder werden die Parameter des Erkenners and
die Gegebenheiten oder das aufgezeichnete Signal wird an die Parameter des
Erkenners angepaßt. Der erste Fall wird Modelladaption genannt, der zweite
Signaladaption (s. Abb. 21.2.
In beiden Fällen wird davon ausgegangen, daß die Trainingsdaten eine
Art kanonischer Daten sind, die entweder durch Normierung oder durch
Mittelung der Trainingsdaten den Durchschnitt aller Gegebenheiten (Sprecher,
Kanal, Hintergrund) darstellen. Mit diesen Daten wird das kanonische
Modell geschätzt, das direkt für die nichtadaptierte Erkennung verwendet
wird.
Wenn festgestellt wird, daß die Testdaten nicht dem Mittel der Trainingsdaten
entsprechen, kann im Falle der Signaladaption eine Transformation