Sprachliche Mensch-Maschine-Kommunikation

27.1 Ein Erkenner für eine neue Aufgabe 437
27.1.6 Qualitätsanforderungen überprüfen und erfüllen
Wenn der Erkenner fertig trainiert ist, kann es schon zu spät sein, bestimmte
Änderungen vorzunehmen. Daher müssen gegebenenfalls einige Anforderungen
schon während des Trainingsprozesses berücksichtigt werden. Andere
werden oft erst hinterher erfüllt. Typische Anforderungen an Spracherkenner
sind zum Beispiel die Erwartung, daß er in Echtzeit läuft. Zwar gilt auch
bei der Entwicklung von Spracherkennern immer wieder der Wahlspruch
der Softwaretechnik ” Make it work first, before you make it work fast“,
allerdings kann eine ungeeignete Architektur des Parameterraumes dazu
führen, daß eine Erkennung in Echtzeit hoffnungslos ist. Die Geschwindigkeit
der Erkennung kann in der Regel mit einigen Parametern (Breite des
Suchstrahls) eingestellt werden, wobei eine Reduzierung der Erkennungszeit
so gut wie immer mit einer Erhöhung der Fehlerrate verbunden ist. Unter
Umständen kann es nötig sein, einen kleineren Parameterraum oder ein
kleineres Sprachmodell verwenden zu müssen, um Echtzeitanforderungen
erfüllen zu können.
Manche Aufgaben benötigen eine schritthaltende Erkennung. Das heißt
der Erkenner muß bevor eine Äußerung beendet ist, den Anfang schon erkannt
haben. Er arbeitet dann nicht auf einer fertigen Audio-Datei sondern
auf einem Audio-Strom oder auf einer wachsenden Audio-Datei. Wenn der
Benutzer eines intelligenten Vortragsunterstützungssystem zum Beispiel sagt
” Auf der nächsten Folie sehen Sie wir die Ergebnisse dieser Experimente auf
den Daten ausgefallen sind, die wir letztes Jahr im Rahmen des Projektes
FAME gesammelt ...“. Wenn der Redner keine Sprechpause macht, wird ein
Sprachdetektor auch kein Ende der Äußerung detektieren, und das System
würde nicht erwartungsgemäß funktionieren, wenn es nicht schon am Anfang
dieser Äußerung auf die nächste Präsentationsfolie schalten würde.
Wenn schritthaltende Erkennung benötigt wird, muß dies gegebenenfalls
in den Signalverarbeitungsroutinen des Erkenners berücksichtigt werden.
Normierungsverfahren, die auf Äußerungsebene arbeiten (zum Beispiel
verschiedene Mittelwertsubtraktionsverfahren), müssen darauf ausgerichtet
werden, mit einem Audiodatenstrom zu arbeiten, dessen Ende nicht abzusehen
ist. Für Mittelwertssubtraktionen bedeutet dies meistens, daß die
Mittelwert auf einem Zeitfenster in der Vergangenheit berechnet werden
müssen. Bei komplizierten Suchalgorithmen bedeutet schritthaltende Erkennung,
daß es nicht sinnvoll ist, mehrere Vorwärts- und Rückwärtsdurchläufe
über die Aufnahme zu machen, wenn nicht klar ist, wann der Rückwärtsdurchgang
gestartet werden soll.
Andere Qualitätsanforderungen beziehen sich zum Beispiel auf die
Adaptierbarkeit des Erkenners. Die am meisten verbreiteten Adaptionsmethoden
sind Vokaltraktlängennormierungen und Maximum-Likelihood