Automatische Spracherkennung und -synthese
Automatische Spracherkennung und -synthese
Automatische Spracherkennung und -synthese
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
<strong>Spracherkennung</strong> <strong>und</strong><br />
Sprach<strong>synthese</strong><br />
Einführung in die Computerlinguistik<br />
Sommersemester 2012<br />
Peter Kolb
<strong>Spracherkennung</strong> / -<strong>synthese</strong><br />
<strong>Spracherkennung</strong> (automatic speech<br />
recognition, ASR)<br />
Sprach<strong>synthese</strong> (text-to-speech, TTS)
Phone (Laute)<br />
Konsonanten<br />
Vokale<br />
Phonetik<br />
Artikulationsort: nasal, dental, labial, glottal,<br />
palatal, ...<br />
Artikulationsart: frikativ, sibilant, nasal, plosiv, ...<br />
Stimmhaft vs. stimmlos<br />
Zungenposition:<br />
hoch/tief (offen/geschlossen)<br />
vorn / hinten<br />
Lippen ger<strong>und</strong>et / nicht ger<strong>und</strong>et
Sonorität (Schallfülle)<br />
Phonetik<br />
Konsonanten (”Mitlaute”) nicht sonorant =<br />
Geräusche<br />
Vokale (”Selbstlaute”) sonorant = Klänge<br />
Sonoranten können Silbenträger sein<br />
Neben Vokalen auch l, m, n <strong>und</strong> r<br />
z.B. silbischer n-Laut in laufen, l-Laut in Dirndl<br />
Tschechisch: vlk, krk
Phonetik<br />
Sonoranten: durch Resonanz werden<br />
bestimmte Töne (=Frequenzen) verstärkt<br />
Formant: Frequenzbereich mit hoher<br />
Konzentration akustischer Energie<br />
Unterscheidung von Vokalen anhand ihrer<br />
beiden tiefsten Formanten F1 <strong>und</strong> F2 möglich
Phonetik<br />
Intonation einer Äußerung wird durch Verlauf<br />
des Basisformanten F0 wiedergegeben
F0-Verlauf
Phonologie<br />
Phonem: bedeutungstragende Einheit<br />
Minimalpaare: Tisch vs. Fisch<br />
Phonem kann durch unterschiedliche Phone<br />
realisiert werden: /ch/ → [ç] oder [x]<br />
Allophone<br />
je nach Kontext:<br />
ich → /ich/ → [iç]<br />
ach → /ach/ → [ax]
Visualisierung<br />
Oszillogramm: Visualisierung des<br />
Amplitudenverlaufs (der Wellenform) in der<br />
Zeit
Visualisierung<br />
Oszillogramm: Visualisierung des<br />
Amplitudenverlaufs (der Wellenform) in der<br />
Zeit
Oszillogramm<br />
Vokale gut erkennbar:<br />
hohe Amplitude (laut)<br />
lange Dauer<br />
Stimmhaftigkeit = regelmäßige<br />
Amplitudenspitzen<br />
Konsonanten weniger gut:<br />
Plosive: Stille gefolgt von (leichtem)<br />
Amplitudenausschalg<br />
Frikative: Rauschen (vgl. /sh/ in she)
”sprechen”:<br />
<br />
<br />
<br />
”s_rechen”:<br />
Visualisierung
Spektrogramm<br />
Signal mittels Fourier-Transformation in die<br />
einzelnen Frequenzanteile zerlegen<br />
Formanten als dunkle Streifen sichtbar
Sprachkorpora<br />
Transkription gesprochener Sprache<br />
Annotationswerkzeug PRAAT
PRAAT
PRAAT: Formanten
PRAAT (3)
<strong>Spracherkennung</strong><br />
<strong>Automatische</strong> <strong>Spracherkennung</strong> (automatic<br />
speech recognition, ASR)
Systemparameter<br />
Erkennung kontinuierlicher Sprache oder<br />
Einzelworterkennung (diskret)
Systemparameter<br />
Sprecherabhängig oder sprecherunabhängig<br />
sprecherunabhängige<br />
Wortschatz einige tausend Wörter<br />
sprecherabhängige<br />
müssen vom Benutzer trainiert werden<br />
erlauben größeren Wortschatz
Systemparameter<br />
eingeschränkt auf spezielle Domäne oder<br />
universell<br />
Nutzung von speziellen Lexika <strong>und</strong><br />
Hintergr<strong>und</strong>wissen<br />
Einschränkung auf Domäne geht nicht<br />
unbedingt mit kleinerem Wortschatz einher<br />
Firmen bieten Erweiterungslexika für spezielle<br />
Fachgebiete an
Diktiersysteme<br />
Praktischer Einsatz<br />
universell oder mit speziellem Fachwortschatz<br />
z.B. für Ärzte<br />
Gerätesteuerung<br />
Navigationsgerät, Handy, Smartphone<br />
Dialogsysteme<br />
begrenzter Wortschatz (Domäne)<br />
Fahrplanauskunft<br />
Zahlen von 0 bis 9: Trefferquote fast 100%<br />
Übersetzung gesprochener Sprache
ASR: Ansatz<br />
Modellierung des Erkennungsproblems mit<br />
dem gestörten Kanal:<br />
<br />
<br />
P(T|S) = P(T) P(S|T) / P(S)<br />
t max = argmax t P(T) P(S|T)<br />
P(T): Wahrscheinlichkeit eines Satzes<br />
n-Gramm-Sprachmodell
ASR: Ansatz<br />
P(S|T): akustisches Modell<br />
allerdings wird nicht die Mikrophon-Aufnahme<br />
selbst als Eingabe (S) verwendet<br />
das Signal wird digitalisiert <strong>und</strong> vorverarbeitet<br />
u.a. Spektralanalyse (Fourier-Transformation)<br />
das Eingabesignal wird zu jedem Zeitpunkt<br />
durch einen Merkmalsvektor repräsentiert<br />
39 Merkmale<br />
aus dem Merkmalsvektor werden Phon-<br />
Wahrscheinlichkeiten bestimmt
Systemüberblick
HMM<br />
Idee: eine beobachtete Symbolsequenz wurde<br />
von versteckten Zuständen erzeugt<br />
z.B. Wörter von Wortarten, Laute von<br />
Phonemen<br />
endlicher Automat mit versteckten (hidden)<br />
Zuständen<br />
Übergangswahrscheinlichkeiten zwischen den<br />
Zuständen<br />
zusätzlich Emissionswahrscheinlichkeiten
HMM
Lernproblem:<br />
HMM<br />
Gegeben ist Ausgabesequenz. Es sollen die<br />
Parameter des HMM bestimmt werden, die<br />
am wahrscheinlichsten die Ausgabesequenz<br />
erzeugen. Lösbar mit Hilfe des Baum-Welch-<br />
Algorithmus.<br />
Dekodierungsproblem:<br />
Gegeben ist HMM <strong>und</strong> Beobachtungssequenz.<br />
Es soll die wahrscheinlichste Sequenz der<br />
versteckten Zustände bestimmt werden, die<br />
die beobachtete Sequenz erzeugt hat. Lösbar<br />
mit Hilfe des Viterbi-Algorithmus.
Störgeräusche<br />
Offene Probleme<br />
Erkennen unbekannter Wörter<br />
Sprechervielfalt: Dialekt, Sprachfehler<br />
Honig: ['ho:nik] vs. ['honiç]
Sprach<strong>synthese</strong><br />
automatische Sprach<strong>synthese</strong> (text-to-speech,<br />
TTS)
Sprach<strong>synthese</strong><br />
Ansätze zur Synthese von Wellenformen:<br />
artikulatorische Synthese: Nachbildung des<br />
artikulatorischen Systems<br />
Formanten<strong>synthese</strong>: Regeln zur Erzeugung<br />
künstlicher Spektren<br />
konkatenative Synthese<br />
heutige TTS-Systeme verwenden<br />
konkatenative Ansätze
Sprach<strong>synthese</strong><br />
konkatenative Ansätze: erzeugen keine<br />
künstlichen Laute, sondern verwenden<br />
Samples<br />
Diphon-Synthese<br />
Koartikulation<br />
Datenbank aller Diphone (Phon-Übergänge)<br />
Im dt. 2500 Diphone, im span. 800<br />
Non-uniform Unit Selection<br />
sehr große Datenbank mit Phonen, Diphonen,<br />
Silben, Wörtern, Phrasen, Sätzen
Sprach<strong>synthese</strong><br />
konkatenative Ansätze: erzeugen keine<br />
künstlichen Laute, sondern verwenden<br />
Samples<br />
Diphon-Synthese<br />
Koartikulation<br />
Datenbank aller Diphone (Phon-Übergänge)<br />
Im dt. 2500 Diphone, im span. 800<br />
Non-uniform Unit Selection<br />
sehr große Datenbank mit Phonen, Diphonen,<br />
Silben, Wörtern, Phrasen, Sätzen
Prosodie<br />
Sprachsignal enthält suprasegmentale oder<br />
prosodische Information<br />
Sprechgeschwindigkeit, Rythmus, Pausen<br />
Akzent<br />
Intonation (F0!)<br />
Funktionen prosodischer Information:<br />
Gliederung des Satzes<br />
Satzmodus (Aussage, Frage)<br />
Text- u. Dialogkohärenz, Informationsstruktur
MARY
Quellen<br />
MARY: http://mary.dfki.de/<br />
Beispiele:<br />
http://ttssamples.syntheticspeech.de/deutsch/<br />
Wolfgang von Kempelen (Video)<br />
Voder (Video)