Ein gehörorientierter Spracherkenner, der robust ist gegen zeitliche Schwankungen im Silben- und Phonembereich

Zusammenfassung

Bei der automatischen Erkennung von Sprache führt es häufig zu Problemen, wenn der verwendete Wortschatz eine zu hohe Varianz in der Aussprachegeschwindigkeit aufweist. Diese natürlichen Schwankungen betreffen sowohl die gesamte Länge einer Äußerung als auch lokale Übergänge im Silben- und Phonembereich. In einer früheren Veröffentlichung wurde ein gehörorientiertes Sprachverarbeitungsmodell vorgestellt, das ein kurzes isoliert gesprochenes Wort unabhängig von seiner exakten Dauer auf einen Merkmalsvektor fester Länge abbildet [3]. Ein wesentliches Merkmal dieses Modells ist die Transformation des Zeitsignals in den Modulationsfrequenzbereich, eine Darstellung, wie sie auch entlang der Hörbahn im auditorischen System von Säugetieren und Vögeln nachgewiesen wurde. Das konstante Format des Merkmalsvektors wird erreicht durch eine zeitliche Integration der miteinander korrelierten Kanäle des Modulationsspektrogramms. Diese Methode kann unter Umständen zum Verlust der Eindeutigkeit eines Wortes führen, etwa wenn sich zwei Äußerungen lediglich in der Reihenfolge ihrer Phoneme unterscheiden.

In der folgenden Untersuchung wird anhand eines speziellen Wortschatzes gezeigt, daß das Modell robust ist gegen Vertauschung von Silben, Vokalen und Konsonanten. In drei Erkennungsexperimenten mit sechzehn Wörtern, die lediglich aus drei Vokalen und drei Konsonanten zusammengesetzt sind, wurde jeweils nur ein Wort falsch erkannt.