Belegarbeit (.pdf - 2.3 MB) - Technische Universität Dresden

5. FREI VERFÜGBARE SPRACHERKENNER 31
5.1.3.2 Liguist
Der Liguist erstellt den Search Graph. Dieser wird während der Suche vom Decoder genutzt. Natürlich
ist auch der Linguist austauschbar und lässt sich dynamisch konfigurieren. Um den Search Graph
zu erstellen nutzt der Linguist typischerweise die Sprachstruktur, die im Language Model angegeben
wird und die topologische Struktur des Acoustic Model. Zusätzlich wird noch ein Dictionary oder Aussprachelexikon
genutzt. Es bildet Worte aus dem Language Model auf Sequenzen von Elementen des
Acoustic Model ab. Im Folgenden werden die drei Unterkomponenten des Liguist noch einmal näher
beschrieben.[26]
Language Model
Das Language Model des Linguist bietet eine ’word-level’ Sprachstruktur. Das heißt, es arbeitet auf der
Basis von ganzen Wörtern. Diese kann von einer Vielzahl auswechselbarer Implementationen dargestellt
werden. Die Implementationen fallen in eine von zwei Kategorien, eine graphgesteuerte Grammatik
oder ein stochastisches N-Gram Modell. Die Graphgesteuerte Grammatik repräsentiert einen gerichteten
’Wort-Graphen’. Dabei steht jeder Knoten für ein Wort und jede Kante für die Wahrscheinlichkeit, dass
dieser Übergang statt findet. Das stochastische N-Gram Model gibt an, wie wahrscheinlich ein Wort
folgt, wenn die vorherigen n-1 Wörter beobachtet wurden. [26]
Dictionary
Das Dictionary liefert die Aussprache für Wörter die im Language Model vertreten sind. Die Aussprache
teilt Wörter in Folgen kleinerer ’unter Worteinheiten’ auf, die im Acoustic Model aufgeführt sind.
Das Dictionary ermöglicht es auch, die einzelnen Wörter zu klassifizieren. Dabei ist es Wörtern erlaubt
zu mehrere Klassen zu gehören. Je nach Bedarf kann das Dictionary unterschiedlich optimiert und implementiert
werden. Eine Möglichkeit währe zum Beispiel, das gesamte Vokabular zu laden, sobald das
System initialisiert wird. Eine andere Möglichkeit besteht darin die Aussprachen immer erst bei Bedarf
zu liefern. [26]
Acoustic Model
Das Acoustic Model liefert die Abbildung einer Spracheinheit auf ein Hidden Markov Modell (HMM).
Dieses HMM kann mit Merkmalsvektoren verglichen werden, die vom Front End kommen. Dabei werden
auch Kontextinformationen wie die Wortposition einbezogen. Im Fall von sogenannten Triphonen
bedeutet Kontext, die einzelnen Phoneme links und rechts von einem betrachteten Phonem. Die Wortposition
würde dann aussagen, ob das Triphon am Anfang, in der Mitte oder am Ende eines Wortes
steht oder selbst ein Wort ist. Welche Kontextinformationen genau in Betracht gezogen werden, wird
von Sphinx-4 nicht vorgegeben. Normalerweise teilt der Linguist jedes Wort des aktiven Vokabulars in
Folgen kontextabhängiger Untereinheiten. Diese Einheiten und ihr Kontext werden dann an das Acou-