Sprachliche Mensch-Maschine-Kommunikation

38 3. Geschichte
auch hier ca. 1000 Wörter.
Als abzusehen war, daß RM der Forschung kaum noch Herausforderungen
bot, ging die DARPA dazu über, schwierigere Aufgaben zu verfolgen. Anfang
der Neunziger wurden die ATIS (Air Travel Information System) und WSJ
(Wall Street Journal) Benchmarks definiert. Bei ATIS bestand die Aufgabe
darin, nicht nur die Sprache einer Person zu erkennen, die einen Flug buchen
möchte, sondern auch das Gesprochene zu verstehen und mit dem Sprecher
einen Dialog zu führen, bis der gewünschte Flug gefunden und gebucht
war. Die größte Herausforderung gegenüber RM stellte jetzt die spontane
Sprache dar. Zwar waren die zu sprechenden Sätze in der Regel nicht sehr
kompliziert, aber es wurde keine feste Grammatik vorgegeben, die Benutzer
konnten frei sprechen. Die Behandlung spontaner Sprache mußte mit neuen
Problemen (fehlerhafte Aussprache, Geräusche, Wortabbrüche etc.) fertig
werden. Die neue Herausforderung bei WSJ bestand vor allem in dem großen
Vokabular. Ausgehend von zunächst 5000 Wörtern wurde der Benchmark
in wenigen Jahren auf schließlich offiziell unbeschränkte (praktisch aber
60000 Wörter große) Vokabulare ausgeweitet. Derart große Vokabulare
brachten nicht nur die Problematik mit sich, mehr verwechselbare Wörter
zu besitzen, sie trieben auch die entwickelten Erkenner an die Grenzen der
Rechnerkapazitäten. Die zur Verfügung gestellten Trainingsdaten übertrafen
beim WSJ alle bis dahin verfügbaren. Mit insgesamt fast 200 Stunden
Sprachaufnahmen von mehreren hundert Sprechern standen so viele Trainingsdaten
zur Verfügung, daß die Parameterräume der Akustischen Modelle
sehr groß gewählt werden konnten. Auch die Textdaten, die zum Trainieren
der linguistischen Sprachmodelle verwendet wurden hatten mit 300 000 000
Worten eine enorme Größe. Die WSJ Aufnahmen bestanden aus diktierten
und vorgelesenen Zeitungsartikeln. Die Qualität der Aufnahmen war wie bei
SUR, RM und ATIS sehr gut. Die Sprache wurde immer in einem ruhigen
Büro mit einem Nachbesprechungsmikrophon aufgenommen.
Mitte der Neunziger, als die Fehlerraten der besten Erkenner, die an den
alljährlichen Evaluationen teilnahmen, für unbeschränkte Vokabulare bei ca.
6% war, ging die DARPA dazu über, Erkennungsaufgaben zu definieren,
bei denen die Umstände deutlich schwieriger waren. Dabei wurden dann
zunächst die SWB (Switchboard) Task und die BN (Broadcast News) Task
definiert. Bei SWB ging es darum, Sprache von Personen zu erkennen, die
sich über das Telefon über ein vorgegebenes Thema unterhalten. In einer
späteren Varianten (Call Home Task) wurde auf die Vorgabe des Themas
verzichtet, und die Personen durften sich mit Bekannten oder Verwandten
am Telefon über beliebige Themen unterhalten. Die Gespräche wurden
mitgeschnitten und in Handarbeit transkribiert. Für die SWB-Evaluation
im Jahre 2004 wurde die Trainingsdatenmenge um ein Größenordnung
von 250 auf ca. 2500 Stunden erweitert. Die ersten Evaluationen auf