Sprachliche Mensch-Maschine-Kommunikation

28.3 Erkennung spontaner Vortragssprache 459
meint, ist es sinnvoll, die Historie auf Trigramme zu beschränken, um so eine
Übereinstimmung mit dem Sprachmodell des Erkenners zu gewährleisten.
Eine Erweiterung des Verfahrens besteht darin, in Gl. 28.7 nicht nur
die beste Klasse zu berechnen, sondern die besten n Klassen. Das optimale
Ergebnis kann meist dadurch erzielt werden, daß die wichtigen Wörter in
die besten drei bis fünf Klassen eingefügt werden. Durch das Einfügen aller
wichtigen Wörter, auch der Nicht-OOV-Wörter kommen letztere mehrfach
im Sprachmodell vor, einmal als einzelnen Individuum und einmal als
Element einer oder mehrerer Klassen. Dies ist durchaus sinnvoll, denn mache
Fachwörter haben in Vorträgen eine besondere Semantik, die möglicherweise
besser durch die OOV-Klasse erfaßt wird als durch die durchschnittliche
Verwendung des Wortes in den Trainingsdaten des Basis-Modells.
Die in [?] vorgestellen Experimente belegen, daß die Wortfehlerrate des
Spracherkenners auf drei verschiedenen Vorträgen allein durch Hinzufügen
der aus den Vortragsfolien extrahierten OOV-Wörtern (ca. 5% der Vortragssprache)
deutlich gesenkt werden konnte. Das Hinzufügen der ohnehin schon
im Vokabular vorhandenen wichtigen sinntragenden Wörter in ausgewählte
Sprachmodellklassen konnte die Fehlerrate darüber hinaus noch weiter reduzieren
(s. Tab. 28.1).
Vortrag A B C
Ausgangssystem 33.5% 43.7% 31.0%
nur OOV-Wörter hinzugefügt 28.1% 39.7% 29.8%
alle ” wichtigen Wörter“ hinzugefügt 26.8% 37.8% 27.6%
Tabelle 28.1. Fehlerrate des Vortragsverfolgers ohne/mit Sprachmodelladaption
Im gleichen Experiment konnte gezeigt werden, daß auch die Tracking-
Fehlerrate des nicht adaptierten Systems von zwischen 31.8% und 34.7% auf
27.8% bis 31.0% beim adaptierten System verbessert werden konnte.
Für die Leistung eines Vortragsverfolgers ist es selbstverständlich von
größter Bedeutung, wie umfangreich die Informationen auf den Vortragsfolien
sind. Wenn sich dort im wesentlichen nur Bilder und kaum Text befinden,
dann ist die Aufgabe wesentlich schwieriger. Je mehr Text auf den Folien
ist, und je näher der gesprochene Vortrag an den Folien liegt, umso sicherer
arbeitet das System.