DIPLOMARBEIT

2.3 Spracherkennung
Zunächst wird ein dreidimensionales Gitter aufgespannt. Die erste Achse entspricht dabei der Zeit‐
achse. Auf der zweiten Achse liegen die Zustandsketten der einzelnen Wörter und auf der dritten
Achse befinden sich die zugehörigen Wortindizes. Innerhalb der Wörter sind nur die Transitionen der
Hidden‐Markov‐Modelle erlaubt. An den Wortenden existieren Transitionen zu den Anfängen weite‐
rer Wörter. Diese Übergänge werden mit Hilfe des Sprachmodells bewertet.
Die Aufgabe der Suche liegt nun darin, den 'besten' Pfad durch das Gitter zu finden und somit über
Wortgrenzen und Wörter zu optimieren. Für die Reduzierung des Aufwandes ist es wichtig, dass un‐
wahrscheinliche Pfade relativ früh verworfen werden.
Abbildung 10: Worthypothesengraph
Der wahrscheinlichste Pfad, der bei der Suche ermittelt worden ist, entspricht dem erkannten Satz.
2.3.5 Schwierigkeiten
Obwohl im Bereich der Spracherkennung etliche Fortschritte gemacht wurden, ist eine komplett
fehlerfreie Erkennung bisher noch nicht möglich. Folgende Umstände wirken sich erschwerend auf
die Erkennung aus [Hab98]:
• Die Aussprache eines Lautes kann von einer Äußerung zur anderen stark variieren, selbst
beim gleichen Wort und Sprecher.
• In der Sprechgeschwindigkeit treten starke Schwankungen auf.
• Die akustische Realisierung eines Lautes hängt im Allgemeinen von den vorangegangenen
und den nachfolgenden Lauten ab. Dieser Effekt wird auch als Koartikulation bezeichnet.
• Im kontinuierlichen Redefluss gibt es keine deutlichen Laut‐ und Wortgrenzen.
• In der praktischen Anwendung treten häufig Störungen auf, wie z.B. Hintergrundgeräusche
(Bürolärm, Fahrgeräusche) oder Rauschen (Telefonleitung).
• Gesprochene Äußerungen sind nicht immer grammatikalisch korrekt, d. h. Satzhypothesen,
die grammatikalisch keinen Sinn ergeben, können nicht ausgeschlossen werden.
27