Neuronale Netze zur Detektion von Silbenkernen

Zusammenfassung

Ein großes Problem in der automatischen Spracherkennung ist die Segmentierung fließender Sprache. Eine wesentliche Rolle spielen hierbei die verwendeten Entscheidungseinheiten. Deren Anzahl soll für die praktische Anwendung einerseits klein sein, andererseits sind die wesentlichen Koartikulationseffekte zu berücksichtigen, was wiederum zu einer Vielzahl von Klassen führt. Als eine Möglichkeit zur Festlegung von Entscheidungseinheiten bietet sich die Verwendung der Silbenstruktur der Sprache an, von der natürliche Einheiten für die Sprachverarbeitung abgeleitet werden [Rus88]. Durch eine Detektion der Silbenkerne (Vokale oder Diphthonge) entsteht eine Segmentierung, die das Zeitraster für die nachfolgende Erkennung der silbenorientierten Einheiten bildet. Diese werden durch silbenorientierte, semi-kontinuierliche Hidden-Markov-Modelle repräsentiert, die die Grenzen zwischen den silbenauslautenden und silbenanlautenden Konsonantenfolgen zwischen 2 Silbenkernen implizit festlegen. Die so klassifizierten Vokale und Konsonantenfolgen werden in der Satzerkennungsstufe mit Hilfe von Wortmodellen zur besten Wortfolge verknüpft. Auf die Einzelheiten der Erkennung, sowie auf die Satzerkennungsstufe wird hier nicht weiter eingegangen; näheres wird z.B. in [Pla92],[Sch91] beschrieben.