Upload
chiko
View
83
Download
0
Embed Size (px)
DESCRIPTION
Grundlagen der Spracherkennung. von Niko Kemnitz und Norman Georgi. Gliederung. Sprachliche Grundlagen. 2.1 Anwendung und Problematik Wozu braucht man Spracherkennung? Antwort: Diktiersysteme Gerätesteuerung Auskunftssysteme für z.B Bahn Routineabfragen im Callcenter - PowerPoint PPT Presentation
Citation preview
Grundlagen der Spracherkennung
von Niko Kemnitzund Norman Georgi
1 Einleitung• 2.1 Anwendung und Problematik• 2.2 Aufbau der Sprache
2 Sprachliche Grundlagen• 3.1 Arten und Schwierigkeit• 3.2 Fehlerarten
3 Technische Grundlagen• 4.1 Detektion• 4.2 Diskretisierung• 4.3 Musterextraktion• 4.4 Vektor-Quantisierung
4 Vorbereitung des Signals
5 DTW
6 Hidden-Markov-Modell
x Fazit
Gliederung
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 SprachePhonem: Gruppe von Phonen ohne BedeutungsunterschiedHalbsilbe: Anfangs-/Endteil einer SilbeSilbe: Wortteil um einen Vokal oder DiphtongWort: kleinste funktional EinheitSatz: grammatikalisch geordnete Wortmenge
Im Deutschen Vorhandene Mengen:
Sprachliche Grundlagen
Nun Variabilität erklärbar:
Sprache ist eine Abfolge von Phonen Manche Phone gehören zum selben PhonemVerschiedenste Aussprache von Silben, Worten und Sätzen
Variation des Wortes “sieben“
Technische Grundlagen
Unterteilung der Anwendungsbereiche der Spracherkennung:
Spracherkennung unterteilt sich in verschiedene Gebiete, wobeijedes Gebiet andere Anforderungen und Fehlerquellen hat.
3.1 Arten und Schwierigkeit
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
Durch Unterscheidung erhöht man die Erkennungsrate.Man unterscheidet folgende Arten von Fehlern:
- Verwechselung- Einfügung- Auslassung
Grob:
3.2 Fehlerarten
Technische GrundlagenFehler bei der Sprecherverifikation:
Andere Anwendung andere Fehler:
- berechtige Nutzer werden abgelehnt- nicht Berechtigte werden angenommen
bilden Funktionen:
Signalvorverarbeitung
Wie wird aus dem Gesprochenen etwas gewonnen, das der Computer erkennen kann?
Langer Prozess:
Detektion Blockbildung Diskretisierung Anpassung Vektor-Quantisierung
4.1 Detektion
SignalvorverarbeitungZuerst: 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 ZeitGetrennt Blöcke von ca. 15-20ms, 5-10ms
Dadurch ergeben sich näherungsweise stationäre Signale
Signalvorverarbeitung
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.
4.2 Diskretisierung
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.
Frequenzphase
Frequenzbetrag
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.
SignalvorverarbeitungDie Genauigkeit der Prädiktkoeffizienten (Merkmale) wird durchdie sog. Prädiktordnung angegeben.
je höher, desto weniger Abweichung
Dadurch gehen jedoch detaillierte Elemente des eingehendenSignals verloren, da die Koeffizienten den Verlauf abstrahiert darstellen.
Teilweise sogar erwünscht für das sprecherunabhängige Erkennen der Sprache
SignalvorverarbeitungPrädiktordnung
4
8
16
32
Signalvorverarbeitung
Cepstrale Darstellung
SpeCtrum CepStrum
Nach einer 2. DFT über das Spektrum erhält man das Cepstrum.Multiplikativ zusammenhängende Werte des Spektrums hängenim Cepstrum additiv zusammen.
Einfache Entfernung von Vorfiltern wie Mikrofon oder Telefonleitung
4.3 Musterextraktion
Signalvorverarbeitung
Dynamische Merkmale
Beobachtet man einen speziellen Punkt der Blöcke, so erhält maneinen Vektor über alle Blöcke, welcher den Verlauf der Merkmalean 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 oderstark 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 DatenmengeLösung: 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 VokabularWort mit dem geringsten Abstand wird als Index erkanntZuordnung des eingesprochenen Worts
Beispiel für eine Signalverarbeitung
*hier vllt noch was rein wenn zeit*