Sprachliche Mensch-Maschine-Kommunikation

456 28. Der moderne Vortragsraum
meisten guten Spracherkenner sind im wesentlichen mit Nachrichtentexten
und vorgelesenen Nachrichten trainiert, so daß die Inhalte von zum Beispiel
wissenschaftlichen Vortragen sehr schlecht darauf passen.
Problematisch ist sehr wohl auch die Tatsache, daß oft keine Nahbesprechungsmikrophone
verwendet werden. Ohne Adaption kann die Fehlerraten
von Diktiererkennern auf Konferenzvorträgen bei über 90% liegen. Zu dieser
großen Menge Fehler führt auch die größtenteils schlechte englische Aussprache
von Nicht-Muttersprachlern. Eine deutliche Reduktion der Fehler auf ca.
40% ist durch den Einsatz von MLLR-Adaption und Sprachmodelladaption
möglich. Diese immer noch recht hohen Fehlerraten illustrieren deutlich wie
problematisch Vortragssprache sein kann.
28.3.1 Adaption des Sprachmodells
Wenn Spracherkenner gute Erkennungsleistungen erbringen sollen, sind sie
in der Regel auf irgend eine Art auf die Erkennungsaufgabe eingestellt. Auch
wenn heute die Entwicklung immer mehr in Richtung sprecherunabhängiger
Erkennung ganz ohne Einlernphase geht, so machen sprecherabhängige Erkenner
immer noch wesentlich weniger Fehler. Aber nicht nur die Adaption
an die akustischen Gegebenheiten ist hilfreich, sondern auch die Adaption
des Sprachmodells. Gerade für die Schätzung von Sprachmodellparametern
ist es sehr wichtig, daß eine große Menge an Textdaten existiert. Vorträge
und Vorlesungen befassen sich oft mit wissenschaftlichen Themen, die man in
den typischen Texten von Zeitungen nur sehr selten findet. Es ist viel leichter,
riesige Mengen an politischen Nachrichtentexten zu sammeln als Texte über
Spracherkennung. Selbst wenn man wissenschaftliche Abhandlungen als
Quelle verwendet, so sind diese zwar sehr hilfreich bei der Erweiterung des
Erkennervokabulars, aber der darin verwendete Sprachstil weicht sehr stark
von der typischerweise recht spontanen Sprache eines Vortrags ab.
Die häufigste Ausgangslage für einen intelligenten Vortragsraum ist die,
daß das Thema des Vortrags und die Medien, die der Vortragende verwenden
möchte, im voraus bekannt sind. Unter Umständen ” erfährt“ der Raum erst
unmittelbar vor dem Vortrag, in dem Moment in dem der Redner seinen
Notebook Computer anschließt, etwas über den Inhalt des Vortrags. Es ist
nun wünschenswert, das ein Verfahren einsetzt, das mit Hilfe der wenigen
Informationen, die es aus den Präsentationsfolien extrahieren kann, das
Sprachmodell des Spracherkenners adaptiert. Da auf den Folien viel zu
wenig Text steht, um damit robuste n-Gramme zu schätzen, benötigen wir
also eine Ausgangslage, die auch mit sehr wenig Daten leicht und schnell
adaptierbar ist.