Grundlagen der Spracherkennung von Niko Kemnitz und Norman Georgi

Gliederung 1 Einleitung 2 Sprachliche Grundlagen 2.1 Anwendung und Problematik 2.2 Aufbau der Sprache 3 Technische Grundlagen 3.1 Arten und Schwierigkeit 3.2 Fehlerarten 4 Vorbereitung des Signals 4.1 Detektion 4.2 Diskretisierung 4.3 Musterextraktion 4.4 Vektor-Quantisierung 5 DTW 6 Hidden-Markov-Modell x Fazit

Sprachliche Grundlagen 2.1 Anwendung und Problematik Wozu braucht man Spracherkennung? Antwort: Diktiersysteme Gerätesteuerung Auskunftssysteme für z.B Bahn Routineabfragen im Callcenter Bestellungen / Reservierungen

Sprachliche Grundlagen -ideales Ziel: komplett sprachgesteuerter Computer Jedoch: Trotz intensiver Forschung verbleiben die Einsatzbereiche recht begrenzt, da man an verschiedenen Stellen auf praxisbedingte Fehlerquellen stößt.

Sprachliche Grundlagen Grundsätzliche Probleme der Sprache: Sprache verändert sich stetig Aussagen teilweise nur aus Kontext erschließbar Mehrdeutigkeiten: Der Junge ist verzogen. Worte mit mehreren Bedeutungen: Band Spezifische Aussagen: Bsp. Tankstelle Verschiedene Sprachen mit unterschiedlichster Grammatik Jeder Mensch spricht auf andere Art und Weise Zusätzlich: Abhängigkeit von z.B. Stimmung oder Gesundheitszustand -Variabilität

Sprachliche Grundlagen 2.1 Aufbau der Sprache Entstehung: Sprache entsteht durch Veränderung des Luftstroms beim Ausatmen. Der Luftstrom bringt dann die Stimmbänder (eigtl. Stimmlippen) zum Schwingen, wodurch ein Laut mit durchschnittlich 180Hz bei Frauen Und 100Hz bei Männern entsteht. Bewegung der Stimmbänder:

Sprachliche Grundlagen Spracheinheiten: Phon: Laut, kleinste Einheit der Sprache Phonem: Gruppe von Phonen ohne Bedeutungsunterschied Halbsilbe: Anfangs-/Endteil einer Silbe Silbe: Wortteil um einen Vokal oder Diphtong Wort: kleinste funktional Einheit Satz: grammatikalisch geordnete Wortmenge Im Deutschen Vorhandene Mengen:

Sprachliche Grundlagen Nun Variabilität erklärbar:  Sprache ist eine Abfolge von Phonen Manche Phone gehören zum selben Phonem Verschiedenste Aussprache von Silben, Worten und Sätzen Variation des Wortes “sieben“

Technische Grundlagen 3.1 Arten und Schwierigkeit Spracherkennung unterteilt sich in verschiedene Gebiete, wobei jedes Gebiet andere Anforderungen und Fehlerquellen hat. Unterteilung der Anwendungsbereiche der Spracherkennung:

Technische Grundlagen Was macht die Spracherkennung komplexer? Antwort: 3 verschiedene Faktoren - Menge des Gesprochenen - Wortschatzumfang - Sprecherabhängigkeit

Technische Grundlagen Je komplexer, desto mehr Fehler können auftreten. Fehler tauchen beim aktuellen Stand der Technik noch öfters auf. Ziel: komplexes Erkennungssystem mit 100% Erkennungsrate bei fortlaufendem Gesprochenem Fehler ist jedoch nicht gleich Fehler: Spracherkennung und auch Sprechererkennung haben jeweils mehrere potenzielle Fehlerquellen.

Technische Grundlagen 3.2 Fehlerarten Grob: Durch Unterscheidung erhöht man die Erkennungsrate. Man unterscheidet folgende Arten von Fehlern: Verwechselung Einfügung Auslassung

Technische Grundlagen Fehler bei der Sprecherverifikation: Andere Anwendung  andere Fehler: berechtige Nutzer werden abgelehnt nicht Berechtigte werden angenommen  bilden Funktionen:

Signalvorverarbeitung 4.1 Detektion Wie wird aus dem Gesprochenen etwas gewonnen, das der Computer erkennen kann? Langer Prozess: Detektion Blockbildung  Diskretisierung  Anpassung Vektor-Quantisierung

Signalvorverarbeitung Zuerst: Wann wird überhaupt gesprochen? Festlegung nach der Lautstärke  je lauter desto mehr Energie Problem: Das eingehende Signal wird durch verschiedene Dinge verfälscht. Kurzstörungen Pausen Hintergrundgeräusche Stimmlose An- und Auslaute mit geringer Energie

Signalvorverarbeitung Das Gesprochene wurde entdeckt, und nun? Die Aufnahme des Ganzen wäre zu komplex Aufteilung in kurze, einzelne, sich überlappende Blöcke Da Aufteilung nach Lauten schwer möglich ist, wird nach Zeit Getrennt  Blöcke von ca. 15-20ms, 5-10ms Dadurch ergeben sich näherungsweise stationäre Signale

Signalvorverarbeitung 4.2 Diskretisierung Diese Blöcke sind jedoch Zeitfunktionen der Frequenz. Diese können nicht zum Vergleich Punkt für Punkt übereinandergelegt werden. Diskrete Fourier-Transformation über die Blockgrenzen Dadurch erhält man Frequenzwerte, die unabhängig von der Zeit und damit vergleichbar sind. Außerdem sind diese konjugiert symmetrisch, wodurch man nur die Werte von 0 bis L/2 betrachten muss.

Signalvorverarbeitung Aus dem realen und dem imaginären Teil lassen sich nun folgende neue Werte ableiten: Die Phase ist jedoch kaum von Bedeutung Die DFK am besten durchführbar mit einer Blocklänge von , da hier rekursiv halbiert und berechnet werden kann. Frequenzbetrag Frequenzphase

Signalvorverarbeitung Anpassung des Frequenzbereichs Grund: Das menschliche Gehör nimmt verschiedene Frequenzen, welche Nebeneinander liegen als einen Ton wahr. Kann auch für die Spracherkennung genutzt werden Daher bildet man Frequenzgruppen (-bänder), um das Frequenzspektrum zu vereinfachen.

Signalvorverarbeitung Lineare Prädiktion – alternativ zu DTK Vorraussetzung: Quelle-Filter-Modell  Quelle erzeugt periodischen oder rauschendens Signal, welches von 2 Filtern zu einem Laut wird Dadurch kann man von dem eingehenden Signal auf den Filter schließen. Von den Koeffizienten des Filters wird dann auf die Merkmale geschlossen.

Signalvorverarbeitung Die Genauigkeit der Prädiktkoeffizienten (Merkmale) wird durch die sog. Prädiktordnung angegeben. je höher, desto weniger Abweichung Dadurch gehen jedoch detaillierte Elemente des eingehenden Signals verloren, da die Koeffizienten den Verlauf abstrahiert darstellen. Teilweise sogar erwünscht für das sprecherunabhängige Erkennen der Sprache

Signalvorverarbeitung Prädiktordnung 4 8 16 32

Signalvorverarbeitung 4.3 Musterextraktion Cepstrale Darstellung SpeCtrum  CepStrum Nach einer 2. DFT über das Spektrum erhält man das Cepstrum. Multiplikativ zusammenhängende Werte des Spektrums hängen im Cepstrum additiv zusammen. Einfache Entfernung von Vorfiltern wie Mikrofon oder Telefonleitung

Signalvorverarbeitung Dynamische Merkmale Beobachtet man einen speziellen Punkt der Blöcke, so erhält man einen Vektor über alle Blöcke, welcher den Verlauf der Merkmale an diesem Punkt angibt (dynam. Merkmale): x1(t) ... xn (t) Alle zusammen ergeben den Merkmalsvektor: xi(1) ... xi(T) Man erreicht einen zur Zeit parallelen Bereich, die QUeFrenz.

Signalvorverarbeitung Daraus kann man erkennen, ob es sich um einen stationären oder stark veränderlichen Bereich handelt: Es ergibt sich der sog.Delta-Koeffizient, abweichend von 0 wenn Merkmale sich verändern. Unempfindlich für additive Störungen Es existieren noch viele weitere Arten der Merkmalsextraktion

Signalvorverarbeitung 4.4 Vektor-Quantisierung Problem: Große Datenmenge Lösung: typische, repräsentative Vektoren als Klasseneinteilung Dafür: Abstandberechnung der Beispielvektoren z.B. - Betragsabstand - quad. Euklidischer Abstand Meist mit um Dominanz von großen Wertebereichen zu verhindern.

Signalvorverarbeitung Verlor an Bedeutung durch das Vorhandensein größerer Speicher- Kapazitäten, da nur Index und nicht die Abstände gespeichert werden. Aber: reicht bereits aus um ein einfaches Spracherkennungsprogramm zu schreiben. Codebuch mit Vokabular Wort mit dem geringsten Abstand wird als Index erkannt Zuordnung des eingesprochenen Worts

Beispiel für eine Signalverarbeitung *hier vllt noch was rein wenn zeit*