Sprachliche Mensch-Maschine-Kommunikation

436 27. Entwicklung von Anwendungen
etikettieren. Eine mögliche Vorgehensweise ist das Kopieren vorhandener
Phonemmodelle in die neuen Modelle. Dann sind diese zwar aus der Sicht des
Erkenners akustisch identisch, aber sie lassen sich immerhin mehr schlecht
als recht erkennen. So wäre es möglich, im einen neuen Erkenner für die
deutsche Sprache das im Amerikanischen übliche oÍ(wie in go oder show)
als Ersatz für das deutsche o zu verwenden.
In einem so frühen Stadium der Erkennerentwicklung ist es nicht
ratsam gleich kontextabhängige akustische Modelle zu verwenden. Da diese
jeweils einen kleinen Teil des Merkmals- und Parameterraumes einnehmen
benötigen sie auch eine umso exaktere Zuordnung von Beobachtungen zu
Modellen. Solange aber kein guter Erkenner existiert, genügt die Qualität
dieser Zuordnungen nicht für ” scharfe“ kontextabhängige Modelle.
Der neue Erkenner muß sich mit den unpassenden Parametern akustischer
Modellen einer anderen Sprache oder mit schlechten Labels quasi
am eigenen Schopf aus dem Sumpf ziehen. Diese geschieht in der Regel in
einem iterativen Prozeß. In jeder Iteration wird ein etwas besserer Erkenner
trainiert, der etwas bessere Viterbi-Pfade (Labels) berechnet, die dann für
die nächste Iteration bessere Modelle erzeugen. Die Qualität des Erkenners
wird nach jeder Iteration auf einer Kreuzvalidierungsmenge gemessen. Wenn
festgestellt wird, daß keine weiteren Verbesserungen zu erwarten sind, wird
der Schritt in die nächst höhere Komplexitätsstufe gemacht. Dann können
feinere, kontextabhängige Modelle trainiert werden, die wiederum in der
Lage sind, bessere Labels zu erzeugen. Ein Ballungsalgorithmus zum Zusammenfassen
verschiedener Kontexte optimiert schließlich den Merkmalsraum.
Es ist nicht ungewöhnlich, daß dieser iterative Trainingsvorgang mehrfach
wiederholt wird. Insbesondere im Hinblick darauf, daß einige Algorithmen
sich gegenseitig beeinflussen. So könnte zum Beispiel in einem relativ frühen
Stadium eine LDA-Transformation berechnet werden, die auf einer mangelhaften
Etikettierung der Daten beruht. Mehrere Erkenner mit verschieden
vielen Trainingsiterationen und Komplexitätsgraden ihrer Parameterräume
bauen auf dieser Merkmalsraumtransformation auf. Es ist nun nicht sinnvoll,
einfach eine Neue LDA-Transformation mit den Labels eines besseren
Erkenners zu berechnen. Der so transformierte Raum würde nicht mehr auf
die Modelle des Erkenners passen. Daher muß nach der Erzeugung einer
neuen LDA-Matrix das akustische Modell des Erkenners auch von Anfang
an neu Trainiert werden.