AUTOMATISCHE SPRACHERKENNUNG

Weitere Magazine

Empfehlungen

Info

Gliederung Motivation Sprachverstehen Taxonomie Schwierigkeiten Gestern & Heute Systemaufbau Zur Vorlesung Methodische Entwicklung DARPA SUR DARPA Speech & Natural Language • HARPY • SPHINX • digitale Filterung • IBM Tangora • HMM zur Spracherkennung • Triphone • Lineare Vorhersage • stochastische N-Gramme • mel-Cepstrum • Sprecherverifikation• Verbundworterkennung • n beste Wortketten • Baum-Welch-Algorithmus • LBG-Algorithmus • TDNN • schnelle DFT • Sprachsynthese vom Text • Phonotopische Karte • LPC-Metrik • backpropagation-Algorithmus • DTW-Einzelworterkenner • Mikrofonfelder • Dynamische Zeitverzerrung (DTW) • Signalprozessoren 1970 1980 1990 Gliederung Motivation Sprachverstehen Taxonomie Schwierigkeiten Gestern & Heute Systemaufbau Zur Vorlesung Extrempositionen ” Flugzeuge schlagen nicht mit den Flügeln.“ F. Jelinek ” Each time I fired a phonetician, recognition rate increased by 3%“ F. Jelinek ” With friends like statistics — who needs linguistics?“ H. Ney ” Die KI in der Spracherkennung hat uns 10 Jahre gekostet!“ J. Mariani ” We leave it to the computer to learn what we have failed to understand. It might do the job but can it tell us how?“G. Fant ” What magical trick makes us intelligent? The trick is that there is no trick.“ J. Allen Gliederung Motivation Sprachverstehen Taxonomie Schwierigkeiten Gestern & Heute Systemaufbau Zur Vorlesung Paradigmenstreit ” ... breaking the speech code by the knowledge-based approach?“ Künstliche Intelligenz Neuerer Konnektionismus Symbolverarbeitungsparadigma Subsymbolischer Ansatz Funktionsmodell Performanzmodell Perzeptionsforschung Sprachtechnologie lokale Repräsentation verteilte Repräsentation festverdrahtet selbstorganisierend wissensbasiert “black box” Wissensakquisition Lernen, Adaption regelbasiert parametrisch Linguistik Statistik Humanwissenschaften Ingenieurwissenschaften ” ... training the computer to learn the task by statistical inference?“ Gliederung Motivation Sprachverstehen Taxonomie Schwierigkeiten Gestern & Heute Systemaufbau Zur Vorlesung Stand der Technik ◮ es gibt kommerzielle Systeme für die Erkennung isoliert gesprochener Wörter 10 bis wenige 100 Wörter mit kurzer Anpassungsphase oder sprecherunabhängig in ruhiger Umgebung oder robust gegen Fremdschall ◮ es gibt kommerzielle Diktiermaschinen ≥ 20 000 Wörter · sprecherabhängig · isolierte Wörter ◮ es gibt Laborsysteme, die kontinuierlich gesprochene Sprache verstehen und eine sinnvolle Reaktion geben 1000 oder mehr Wörter mit restriktivem Sprachmodell (Perplexität < 100) bei sehr guter Sprachqualität ◮ es gelten einschneidende Beschränkungen hinsichtlich Wortschatz · Syntax · Dialekt · Problemkreis
Gliederung Motivation Sprachverstehen Taxonomie Schwierigkeiten Gestern & Heute Systemaufbau Zur Vorlesung Multimediale MMK der Zukunft Zukünftige Forschungen auf den Gebieten der Mustererkennung und der künstlichen Intelligenz werden zu multimedialen Systemen führen, welche ◮ gesprochene Sprache erkennen ◮ Hand- und Druckschrift lesen ◮ Gesprochenes und Geschriebenes auch “verstehen” ◮ Schrift und Sprache übersetzen ◮ mittels Text, Graphik oder Sprache antworten ◮ aktiv und kompetent Assistenz bieten ◮ aus “Erfahrung” lernen ◮ weltweit mit anderen Systemen kommunizieren ◮ in Echtzeit arbeiten ◮ klein, leicht, zuverlässig und preiswert sind Gliederung Motivation Sprachverstehen Taxonomie Schwierigkeiten Gestern & Heute Systemaufbau Zur Vorlesung Systemarchitektur eines Spracherkenners Signalverarbeitung physikalische Akustik Sprachsignalkurzzeitanalyse Physiologie Phonologie Informationstheorie Vektor- quantisierung Mustererkennung Linguistik statistische Dekodierung HMM Wortmodelle grammatisches Sprachmodell syntaxgesteuerte Suche Algorithmen der KI Statistik Gliederung Motivation Sprachverstehen Taxonomie Schwierigkeiten Gestern & Heute Systemaufbau Zur Vorlesung Fundamentalformel der ASE LINGUISTISCHE QUELLE Text− w Wort− erzeugung artikulation AKUSTISCHER KANAL <strong>SPRACHERKENNUNG</strong> Merkmal− berechnung X Statistische Dekodierung P(w) P(X | w) argmax w P(X, w) BAYES’sche Entscheidungsregel: Suche diejenige Wortfolge w mit maximaler a posteriori Wahrscheinlichkeit P(w|X) def P(w) · P(X|w) = P(X) Gliederung Motivation Sprachverstehen Taxonomie Schwierigkeiten Gestern & Heute Systemaufbau Zur Vorlesung Wissensquellen zur Spracherkennung Akustik Entstehung, Fortpflanzung und Erfassung von Schallwellen Digitale Signalverarbeitung Filterung und Spektralanalyse nichtstationärer, 1–D Signale Phonetik artikulatorische & akustische Korrelate der Sprachlaute Phonologie Systeme bedeutungsunterscheidender Sprachlaute & ihre Kombinatorik Prosodie Intonationsmittel (Sprachmelodie, Rhythmus, Akzentuierung) und ihre Verwendung zur Bedeutungsdifferenzierung Morphologie Form, innere Struktur, Funktion und Vorkommen der kleinsten bedeutungstragenden Einheiten Syntax Strukturanalyse der wohlgeformten Sätze einer Sprache Semantik Bedeutungsanalyse und -desambiguierung sprachlicher Ausdrücke Pragmatik Einordnung sprachlicher Konstrukte in den Aufgabenkontext Diskursanalyse Herstellung von Beziehungen zwischen Redebeiträgen w ∗
Seite 1 und 2: Gliederung Motivation Sprachversteh
Seite 3 und 4: Gliederung Motivation Sprachversteh
Seite 5: Gliederung Motivation Sprachversteh
Seite 9: Gliederung Motivation Sprachversteh

AUTOMATISCHE SPRACHERKENNUNG

Erfolgreiche ePaper selbst erstellen

Template löschen?

Als Template speichern?