DIPLOMARBEIT

2.3 Spracherkennung
2.3.4.2 Signalanalyse
Als Ausgangspunkt liegt das digitalisierte Sprachsignal vor, wie es z.B. von der Soundkarte aufge‐
zeichnet wurde. Dieses besteht aus einer zeitlichen Abfolge von Amplitudenwerten, es wird daher
auch als Zeitsignal bezeichnet. Nun müssen aus diesem Signal Merkmale extrahiert werden, die ty‐
pisch für die einzelnen Laute der Sprache sind. Dazu wird das Signal in etwa 25 Millisekunden lange
Abschnitte unterteilt, wobei sich die einzelnen Abschnitte mit dem Vorgänger und dem Nachfolger
teilweise überlappen. Für die Abschnitte wird nun jeweils eine Spektralanalyse durchgeführt, um zu
ermitteln wie stark welche Frequenzen vertreten sind. Dies geschieht mit Hilfe der Fourier‐
Transformation.
Abbildung 7: Signalanalyse
Aus den erhaltenen Kurzzeitspektren werden nun einzelne Kennwerte berechnet, die anschließend
zu Merkmalsvektoren zusammengefasst werden. Mit Hilfe dieser Vektoren können die gesprochenen
Laute identifiziert werden. Die zeitliche Abfolge dieser Vektoren bildet die Grundlage für die Ent‐
scheidung, welche Wortfolge gesprochen wurde.
Um den passenden Satz zu einer Folge von Merkmalsvektoren zu finden, werden Methoden der Sta‐
tistik angewandt. Der Prozess lässt sich in die akustische und in die linguistische Modellierung auftei‐
len.
23