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

5. FREI VERFÜGBARE SPRACHERKENNER 37
Abbildung 5.5: Die jlab Speech Server Architektur nach [27]
5.3.3 Funktion
Bevor mit der Spracheingabe begonnen werden kann, muss der Client dem Server ein Vokabular übergeben.
Darin finden sich die zu erkennenden Befehle und verschiedene Rückweisungswerte. Genauere
Informationen zum Vokabular finden sich in Abschnitt 5.3.4. Aus dem Vokabular erstellt Server nun ein
Erkennungsnetzwerk. Außerdem steht dem Erkenner das akustische Model der Eingabesprache zur Verfügung.
Um nun eine Eingabe zu erkennen wird das Sprachsignal in einem ersten Schritt, durch verschiedene
Filter analysiert. Dadurch entsteht eine Folge von Merkmalsvektoren, die das Signal beschreiben.
Mit Hilfe des akustischen Models wird aus der Vektorfolge eine Netzwerk aus möglichen Phonemfolgen
erstellt. Aus diesem Netzwerk wiederum, werden unter Zuhilfenahme des Erkennungsnetzwerks die
Erkennungsergebnisse generiert. Außerdem werden Vertraulichkeitswerte berechnet, die angeben wie
sicher sich der Erkenner bei den einzelnen Ergebnissen war. In einem letzten Schritt werden all diese
Ergebnisse bezüglich ihres Vertraulichkeitswertes und der im Vokabular angegeben Rückweisungswerte
ausgewertet. Am Ende wurden entweder alle Ergebnisse verworfen oder das endgültige Ergebnis an den
Client gesandt. [27]
5.3.4 Vokabular
Vokabulare in jlab werden in einfachen txt-Dateien angegeben die je nach Bedarf in den Erkenner geladen
werden. Ein Vokabular besteht dabei aus mehreren Befehlszeilen. Jede Zeile enthält an erster Stelle
die orthographische Beschreibung des Befehls. Dieser Wert wird, neben verschiedenen statistischen Ergebnissen,
vom Erkenner zurück geliefert. Er kann sich auch in mehreren Zeilen wiederholen, was als
verschiedene Aussprachevarianten ein und des selben Befehls interpretiert wird. An zweiter Stelle wird