Sprachliche Mensch-Maschine-Kommunikation

368 21. Robustheit und Adaption
wird. Aus empirischen Experimenten hat sich ergeben, daß mit q = 0.8 eine
ausreichend gute Ausgangslage besteht, und dafür ein ” passender“ Wert für
p gesucht wird. Möglich wäre es, p so zu bestimmen, daß die Abweichung
des durchschnittlichen Sprecherspektrums vom Durchschnittsspektrum aller
Sprecher minimal wird. Bessere Ergebnisse liefert allerdings die Bestimmung
von p mit einer Maximum Likelihood Methode. Dabei wird für verschiedene
Werte von p (typischerweise 0.9q, 0.92q, . . .1.08q, 1.10q) mit dem Forwardoder
dem Viterbi-Algorithmus die Beobachtungswahrscheinlichkeit der zum
Adaptieren verfügbaren Äußerungen gemessen, und schließlich derjenige
Wert genommen, für die die Wahrscheinlichkeit am größten ist. Abb. 21.7
zeigt die Verteilung verschiedener Werte für p eingestellt für mehrere hundert
Sprecherinnen und Sprechern. Sehr gut zu erkennen ist die Bimodalität
der Verteilung. Links die Werte p < 1, die vor allem bei Frauen gemessen
wurden, und rechts die p > 1, die vor allem bei Männern gemessen wurden.
180
160
140
120
100
80
60
40
20
0.95 1.05 1.15 1.25
0.90 1.00 1.10 1.20
Abb. 21.7. Verteilung der Spektren für verschiedene Vokaltraktlängen
Die VTLN-Adaption kann zu verschiedenen Zeiten durchgeführt werden.
Die erste naheliegende Idee ist, einen HMM-Erkenner ganz ohne Veränderung
des Signals zu trainieren. Dadurch entstehen automatisch Modelle, die
den Durchschnitt aller Trainingssprecher widerspiegeln. Vor der Erkennung
einer Äußerung wird diese dann aber VTLN-adaptiert, so daß eventuelle
Abweichungen vom Durchschnitt korrigiert werden. Schon dieses Vorgehen