DIPLOMARBEIT

2.3 Spracherkennung
2.3.4.3 Akustische Modellierung
Mit Hilfe der akustischen Modellierung kann einer Folge von Merkmalsvektoren ein bestimmtes
Wort aus dem Vokabular zugeordnet werden. Dies geschieht in zwei Schritten.
Der erste Schritt ist, die Wörter des Vokabulars als eine Abfolge von Phonemen zu beschreiben. Un‐
ter Phonemen versteht man dabei die kleinsten bedeutungsunterscheidenden Lautelemente einer
Sprache. Im Deutschen sind etwa die Laute, die in Lautschrift mit [d] und [t] notiert werden und zwi‐
schen der Bedeutung von `Dorf´ und `Torf´ unterscheiden, Phoneme. Ein Spracherkennungssystem
für die deutsche Sprache benutzt in der Regel zirka 40 derartiger Phoneme. Für diesen Zweck kommt
ein Aussprachelexikon zum Einsatz. Dort ist jedem Wort eine Phonem‐Folge zugeordnet, die der
Standardaussprache entspricht (vergleichbar mit der Lautschrift im Duden).
Da bei einem großen Vokabular der Suchvorgang nach einer passenden Phonem‐Folge sehr aufwän‐
dig sein kann, wird dort das Aussprachelexikon als Baum organisiert. Dabei werden Wörter, die mit
der gleichen Phonem‐Kette beginnen, zu Gruppen zusammengefasst. An den Blättern des Baumes
stehen die Wörter des Lexikons und der Pfad vom Stamm zu einem Blatt entspricht der Phonem‐
Kette eines Wortes. Durch die Anordnung als Baum wird der Aufwand für den Suchvorgang gegenü‐
ber der linearen Anordnung etwa um den Faktor 1,5 bis 6 reduziert.
24
Abbildung 8: Beispiel für ein Aussprachelexikon mit Baumstruktur
Der zweite Schritt besteht darin, die Wahrscheinlichkeitsverteilungen der Merkmalsvektoren für die
einzelnen Phoneme zu modellieren. Die Sprechgeschwindigkeit kann mitunter sehr stark schwanken,
deshalb wird ein Modell benötigt, das diese Schwankungen berücksichtigt. Hier kommen die soge‐
nannten Hidden Markov Modelle zum Einsatz.
„Das Verborgene Markow‐Modell (VMM, engl. Hidden Markov Model, HMM), benannt nach dem
russischen Mathematiker Andrei Andrejewitsch Markow, ist ein stochastisches Modell, das sich durch
zwei Zufallsprozesse beschreiben lässt. Der erste Zufallsprozess entspricht dabei einer Markow‐Kette,
die durch Zustände und Übergangswahrscheinlichkeiten gekennzeichnet ist. Die Zustände der Kette
sind von außen jedoch nicht direkt sichtbar (sie sind verborgen, hidden). Stattdessen erzeugt ein
zweiter Zufallsprozess zu jedem Zeitpunkt beobachtbare Ausgangssymbole gemäß einer zustandsab‐
hängigen Wahrscheinlichkeitsverteilung. Die Aufgabe besteht häufig darin, aus der Sequenz der Aus‐
gabesymbole auf die Sequenz der verborgenen Zustände zu schließen.“ [Wik081]
Jedes Phonem wird dabei durch ein Hidden‐Markov‐Modell repräsentiert, wodurch sich der zeitliche
Ablauf des Auftretens bestimmter Merkmale selbst innerhalb einzelner Phoneme optimal modellie‐
ren lässt.