DIPLOMARBEIT

4 Zusammenfassung
4 Zusammenfassung
An dieser Stelle soll die Aufgabenstellung noch einmal ins Gedächtnis zurückgerufen werden: Die
Aufgabe war es, die vorhandene VoiceXML‐Plattform, genannt Friedberger Sprachserver (FBSV), um
eine Voice‐over‐IP (VoIP)‐Komponente zu erweitern, so dass der Sprachserver auch als automatisier‐
ter Telefon‐Sprachdienst genutzt werden kann. Ferner sollte ein Dialog erstellt werden, mit der die
Funktion des Systems demonstriert werden kann.
Bevor mit der Arbeit begonnen wurde, stand noch nicht fest, ob sich das gewünschte Ziel auf diese
Weise und mit vertretbarem Aufwand umsetzen ließe. Nach einer anfänglichen Phase des Ausprobie‐
rens stellte sich dann aber rasch der erste Erfolg ein. Die über das Netzwerk eingehenden Sprachda‐
ten konnten erfolgreich an den Spracherkenner umgeleitet werden. Zu diesem Zeitpunkt war klar,
dass die Umsetzung des Konzeptes möglich ist. Da die Umleitung der ausgehenden Sprachdaten ei‐
nen dazu analogen Prozess darstellt, war mit keinen neuen Problemen zu rechnen.
Der Umfang des für die VoIP‐Anbindung benötigten Programmcodes ist relativ gering. Der aufwändi‐
gere Teil war die Analyse des vorhandenen Quellcodes, um den internen Fluss der Sprachdaten zu
verstehen und eine geeignete Stelle zu finden, wo die Daten eingespeist bzw. abgegriffen werden
konnten.
Nachdem die Verbindung zwischen Sprachserver und VoIP‐Client stand, musste das Format der Au‐
diodaten angepasst werden. Dazu mussten nur ein paar Parameter geändert werden.
Durch die Verwendung des Codecs G.711 bei der Audioübertragung entsteht kaum ein Qualitätsver‐
lust. Die Daten werden zwar etwas reduziert, aber es entstehen dabei keine Kompressionsartefakte,
die sich negative auf die Erkennung auswirken könnten.
Probleme bereitete die Umstellung der Abtastrate von 16 kHz auf 8 kHz. Die Hidden Markov Modelle
mussten nochmal mit Eingangsdaten in 8 kHz erstellt und trainiert werden. Die Konfiguration des
Erkenners musste entsprechend angepasst werden. Durch die Umstellung auf 8 kHz sank die Erken‐
nungsrate um wenige Prozent (etwa um 2 – 3 %).
Die Erkennung funktionierte soweit auch über eine Telefonverbindung und es konnte mit der Ent‐
wicklung eines Beispieldialoges begonnen werden. Als Szenario für den Beispieldialog wurde ein FH
Informationsdienst gewählt. Der Dialog wurde dabei in VoiceXML unter Zuhilfenahme eines einfa‐
chen Texteditors erstellt. Die speziellen Funktionen des Dienstes wurden mit JavaScript‐Funktionen
simuliert, z.B. wird bei der Notenauskunft eine Datenbankabfrage simuliert.
Für den Dialog war es nötig, den Erkenner von Wortbasierter Erkennung auf Phonembasierte Erken‐
nung umzustellen, da sonst nur die wenigen Worte zu erkennen gewesen wären, für die auch Model‐
le erstellt und trainiert worden wären. Jetzt konnten alle Worte erkannt werden, deren Aussprache
im Wörterbuch hinterlegt war. Die Aussprache der einzelnen Worte wurde aus dem bestehenden
Wörterbuch Hadi‐Bomp entnommen.
Durch die Umstellung auf Phonembasierte Erkennung zeigte sich dann der größte Einbruch in der
Erkennungsrate. In einigen Spracheingabe‐Menüs wurden bestimmte Optionen bevorzugt, während
andere Optionen kaum erkannt wurden.
102