-
Hintergrund
und Zusammenfassung der Erfindung
-
Die vorliegende Erfindung bezieht
sich im allgemeinen auf Spracherkennungs- und Sprachsynthesesysteme.
Die Erfindung bezieht sich besonders auf Aussprachegenerierung.
-
Heute involviert computerimplementierte
und automatisierte Sprachtechnologie eine Konfluenz vieler Expertisenbereiche,
die von Sprachwissenschaft und Psychoakustik bis zur Verarbeitung
digitaler Signale und Informatik reichen. Die traditionell getrennten
Probleme von Text-zu-Sprache-Synthese (TTS)
und automatischer Spracherkennung (ASR) präsentieren eigentlich viele
Möglichkeiten
zur Technologieteilung. Üblicherweise
wurden Spracherkennung und Sprachsynthese aber als gänzlich separate Disziplinen
angegangen, die sich sehr wenig auf die Vorteile verließen, die
gegenseitige Befruchtung beiden Disziplinen bringen könnte.
-
Wir haben in diesem Dokument beschriebene
Techniken für
das Kombinieren von Spracherkennungs- und Sprachsynthesetechnologien
zum gegenseitigen Vorteil beider Disziplinen beim Generieren von
Aussprachewörterbüchern entdeckt.
Das Vorhandensein eines guten Aussprachewörterbuchs ist der Schlüssel zu
Anwendungen für
sowohl Text-zu-Sprache
als auch automatischer Spracherkennung. Bei Text-zu-Sprache dient
das Wörterbuch als
die Aussprachequelle für
Worte, die durch Graphemik oder buchstabierte Eingabe eingegeben
wurden.
-
Bei Anwendungen automatischer Spracherkennung
dient das Wörterbuch
als das Lexikon der dem System bekannten Worte. Beim Schulen des Spracherkennungssystems
identifiziert dieses Lexikon wie jedes Wort phonetisch buchstabiert
ist, so dass die Sprachmodelle für
jedes der Wörter
richtig geschult werden können.
-
Bei sowohl Sprachsynthese- als auch
Spracherkennungsanwendungen kann die Qualität und Leistung der Anwendung
stark von der Genauigkeit des Aussprachewörterbuchs abhängen. Typisch
ist die Schaffung eines guten Aussprachewörterbuchs kostspielig und zeitraubend,
da bisher der einzige Weg genaue Daten zu bekommen über die
Verwendung professioneller Sprachwissenschaftler lief, d. h. vorzugsweise
eines Einzelnen, um Übereinstimmung zu
garantieren. Der Sprachwissenschaftler arbeitet sich sorgfältig durch
jedes Wort vor und stellt seine phonetische Transkription bereit.
-
Phonetische Aussprachewörterbücher stehen
für die
meisten der Hauptsprachen zur Verfügung, obwohl diese Wörterbücher typisch
einen begrenzten Wortschatz haben und Eigennamen, ungewöhnliche
und zusammengesetzte Hauptwörter
oder Fremdwörter
nicht angemessen handhaben. Öffentlich
verfügbare
Wörterbücher sind
ebenso unzureichend, wenn man sie dazu verwenden möchte Aussprachen
für einen
Dialekt zu erhalten, der anders als jener ist, für den das System geschult oder
beabsichtigt war.
-
Außerdem entsprechen derzeitig
verfügbare Wörterbücher selten
allen Anforderungen eines gegebenen Systems. Einige Systeme (wie
beispielsweise Text-zu-Sprache-Systeme erfordern hohe Genauigkeit;
wogegen andere Systeme (wie beispielsweise einige automatische Spracherkennungssysteme)
geringere Genauigkeit tolerieren können, aber möglicherweise
mehrfache gültige
Aussprachen für jedes
Wort erfordern. Im allgemeinen erschwert die Vielfalt an Systemanforderungen
das Problem. Weil es kein Aussprachewörterbuch von „Einheitsgröße" gibt, bleibt die
Konstruktion guter, anwendungsspezifischer Wörterbücher teuer.
-
Es sind Verfahren und Systeme bekannt,
die eine einzige Transkription für
ein spezifisch buchstabiertes Wort generieren. Ein derartiges System
wird von Ayman Asadi et al beschrieben. 'AUTOMATISCHES MODELLEREN ZUM HINZUFÜGEN NEUER
WÖRTER
ZU EINEM KONTINUIERLICHEN SPRACHERKENNUNGSSYSTEMS GROSSEN VOKABULARS', ICASSP '91, US, NEW YORK,
IEEE, Vol. CONF. 16, 14 Mai 1991 (1991-05-14), Seiten 305–-308, XP000245228
ISBN: 0-7803-0003-3. Asadi offenbart ein System, das einen Satz Text-zu-Klang-Regeln
benutzt, um eine erste phonetische Transkription für ein neues
Wort zu erhalten. Da Text-zu-Klang-Regeln Imperfekt sind, wird eine probabilistische
Transformationstechnik verwendet, die ein phonetisches Aussprachenetzwerk
aller möglichen
Aussprachen, anhand der gegebenen phonetischen Transkription, produziert.
-
Asadis Offenbarung verlässt sich
jedoch auf den Gebrauch deterministischer Buchstaben-zu-Klang-Regeln,
die eine einzige Transkriptionsausgabe generieren. Wegen der Natur
von Sprachen kann die durch solche dem Stand der Technik entsprechende
Systeme produzierte Transkription häufig falsch sein. Zwei weitere
dem Stand der Technik entsprechende Offenbarungen, die ähnlich durch Produzieren
falscher Aussprachen leiden, die in natürlicher Sprache nicht vorkommen,
schließen
folgende ein:
Andersen O et al. 'Vergleich von zwei Lösungen des Baumstrukturtyps
für Graphem-zu-Phonem-Umwandlung'. BERICHTE DER INTERNATIONALEN KONFERENZ ÜBER DIE
VERARBEITUNG GESPROCHENER SPRACHE, 3 Oktober 1996 (1996-10-03),
XP002123689 und Europäische
Patentveröffentlichung
Nr. 0562138 im Namen der International Business Machines Corporation.
-
Die vorliegende Erfindung stellt,
abhängig von
der gewünschten
Genauigkeit des Wörterbuchs, ein
System und Verfahren für
das automatische Generieren phonetischer Transkriptionen mit wenig
oder keiner menschlichen Involvierung bereit. Die Erfindung stellt
ein Werkzeug bereit, mit dem der Benutzer einen Vertrauensgrad spezifizieren
kann und das System speichert alle generierten Aussprachen im Wörterbuch,
die den gewünschten Vertrauensgrad erfüllen. Gegensätzlich zu
anderen phonetischen Transkriptionswerkzeugen, erfordert die Erfindung kein
spezifischen sprachliches oder phonetisches Wissen, um ein Aussprachewörterbuch
zu produzieren. Das System kann, wie erforderlich, mehrfache Aussprachen
mit verschiedenen Vertrauensgraden auf der Basis der Anforderungen
des in Entwicklung befindlichen Sprachsystems generieren.
-
Ein starker Vorteil des Systems und
Verfahrens der Erfindung ist, dass es mehrfache Informationsquellen
benutzt, um synergistisch bessere Ergebnisse zu erzielen. Integrieren
von Information ab verschiedenen Dimensionen ergibt ein Resultat,
das größer als
die Summe seiner Teile ist. Überdies
können
verschiedene Wörter
durch verschiedene Verfahren gehandhabt werden, was zum einem besseren
Endprodukt führt.
Eine nicht umfassende, auf die vorliegende Erfindung zutreffende
Liste von Informationsquellen schließt ein: Expertensysteme auf
der Basis von Buchstaben-zu-Klang-Regeln, Online-Wörterbüchern, Morphem-Wörterbücher mit
Morphem-Kombinationsregeln, schulbare Lern-Subsysteme, Dialekttransformationsregeln,
und Ausgabe ab automatischer Spracherkennung seitens der Stimme eines
Bedieners oder ab anderen Audioquellen.
-
Einem Aspekt der Erfindung entsprechend, ist
ein schulbares Lernsubsystem inbegriffen, das sich anpassen bzw.
verbessern kann, sobald neue Ausspracheinformation verfügbar ist.
Das lernfähige Lernsubsystem
wird sich beispielsweise einem Sprecher anpassen, was erleichtert
ein Lexikon einem neuen Dialekt anzupassen.
-
Um die Erfindung, ihre Ziele und
Vorteile vollkommener zu verstehen, beziehen Sie sich bitte auf die
folgende Spezifikation und die zugehörigen Zeichnungen.
-
Kurzbeschreibung der Zeichnungen
-
1 ist
ein Blockdiagramm, das das System und Verfahren der Erfindung illustriert;
-
2 illustriert
ein Editierwerkzeug, das beim Implementieren eines Systems entsprechend der
Erfindung nützlich
ist.
-
3 ist
ein Blockdiagramm, das das gegenwärtig bevorzugte Phonetisiergerät, unter
Verwendung von Entscheidungsbäumen,
illustriert.
-
4 ist
ein Baumdiagramm, das einen Nur-Buchstaben-Baum illustriert; und
-
5 ist
ein Baumdiagramm, das einen gemischten Baum entsprechend der Erfindung
illustriert.
-
Detaillierte
Beschreibung der bevorzugten Ausführungsbeispiele
-
1 illustriert
die Grundsätze
der Erfindung wie sie auf die Aufgabe der Generierung und/oder der
Aktualisierung eines Wortaussprachewörterbuchs oder Lexikons Anwendung
finden. 1 illustriert
das Lexikon bei 10. Lexikon 10 kann ein früher erstelltes
Wortaussprachewörterbuch
sein, das geordnete Wortpaare (als Graphem oder Text repräsentiert)
und eine oder mehrere zugehörige
phonetische oder Morphemtranskriptionen enthält. Wie ausführlicher
erläutert
werden wird, lässt
sich das vorhandene Lexikon 10 durch Hinzufügen neuer Wörter bzw.
durch Hinzufügen
oder Revidieren von Aussprachen im Lexikon vorhandener Wörter aktualisieren.
-
Zur Veranschaulichung wird angenommen, dass
der Anwender des Systems neue Wörter,
wie bei 12, durch Buchstabieren eingibt. Die buchstabierten
Wörter
können
durch jedwedes praktische Mittel einschließlich Tastatureingabe und Stimme
eingegeben werden.
-
Ein Transkriptionsgenerator 14,
empfängt
als Eingabe (a) Wörter
vom Lexikon 10, und (b) buchstabierte Wörter wie bei 12 eingegeben.
Der Transkriptionsgenerator lässt
sich je nach Anforderungen des Systems auf verschiedene Art konfigurieren.
In der hier präsentierten
Beschreibung wird ein Unterschied zwischen phonetischen Transkriptionen
und Morphemtranskriptionen gemacht. Die ersteren repräsentieren
Wörter
unter dem Aspekt der Phoneme, die in menschlicher Sprache vorkommen,
wenn das Wort gesprochen wird. Die letzteren repräsentieren
Wörter als
Atomeinheiten, Morpheme genannt, aus denen größere Wörter erstellt werden. Ein zusammengesetztes
Wort wie beispielsweise „catwalk" kann morphemisch
als die Atomeinheiten „cat" und „walk" umfassend behandelt
werden.
-
Der Transkriptionsgenerator kann
eine phonetische Komponente, eine morphemische Komponente, oder
beide einschließen.
Eine derzeit bevorzugte phonetische Transkriptionskomponente verwendet
ein Phonetisiergerät,
das phonetische Transkriptionen generiert, die auf buchstabierter
Buchstabeneingabe, unter Verwendung eines Satzes von Entscheidungsbäumen, beruhen.
Details eines geeigneten Phonetisiergeräts sind nachstehend angegeben.
Die Morphem-Transkriptionskomponente kann ein verkettetes auf Regeln
beruhendes System sein, das ein Morphemwörterbuch einschließt. Details
eines geeigneten Morphem-Transkriptionssystems
sind nachstehend ebenso angegeben.
-
Die Ausgabe des Transkriptionsgenerators 14 kann
eine phonetische Transkription, eine Morphemfolge, oder beides,
abhängig
von der Konfiguration des Generators 14 sein. Diese Ausgaben
werden im Bewertungsmodul 16 bewertet, so dass jede Transkription
oder Folge einen numerischen Wert haben kann, durch den sie sich
mit den anderen Ausgabetranskriptionen oder -folgen vergleichen
lässt.
Diese numerischen Bewertungen sind typisch das Nebenprodukt des
bei 14 angewandten Transkriptions-Generierungsmechanismus. Wenn, beispielsweise
das Phonetisiergerät
auf Entscheidungsbaumbasis benutzt wird, ist mit jeder phonetischen
Transkription eine Vertrauensgradbewertung verbunden. Diese Vertrauensgradbewertung repräsentiert
die kumulative Bewertung der einzelnen, mit jedem Phonem verbundenen,
Wahrscheinlichkeiten. Wie der Leser aus der nachstehenden Beschreibung
ersehen wird, sind die Blattknoten jedes Entscheidungsbaums mit
Phonemen und deren zugehörige
Wahrscheinlichkeiten bestückt.
Diese Wahrscheinlichkeiten sind numerisch dargestellt und lassen
sich dazu verwenden eine Vertrauensgradbewertung zu generieren. Ähnliche
Methoden können
beim Generieren von Morphemfolgen zum Einsatz kommen.
-
Das Bewertungsmodul 16 bewertet
die Ausgabe des Transkriptionsgenerators 14, so dass die n-besten
Transkriptionen und/oder Folgen identifiziert werden. Falls erwünscht, kann
das Bewertungsmodul die Transkriptionen und/oder Folgen in eine geordnete
Liste sortieren, so dass die Transkription oder Folge höchsten Vertrauens
an einem Ende der Liste und die Transkription oder Folge geringsten Vertrauens
am andere Ende der Liste erscheint. In einigen Fällen könnte die Transkription oder
Folge mit dem höchsten
Vertrauensgrad, abhängig
von den Anforderungen des Systems, zur direkten Aktualisierung des
Lexikons ausreichen. Das System prüft auf diese Kondition bei 18,
beispielsweise durch Behandeln der bewerteten Transkriptionen oder
Folgen als Hypothesen mit zugehörigen
Wahrscheinlichkeitsbewertungen. Wenn das Wahrscheinlichkeitsverhältnis zwischen
der ersten Hypothese und der zweiten Hypothese über einem vorbestimmten Schwellwert liegt,
dann aktualisiert das System, wie bei 20 angezeigt, das
Lexikon automatisch mit der ersten Hypothese. Das Lexikon kann möglicherweise
durch Hinzufügen
der ersten Hypothese oder Folge zum Lexikon als neuer Eintrag oder
durch Revidieren eines vorhandenen Eintrags in das Lexikon, um die
erste Hypothese oder Folge darin aufzunehmen, aktualisiert werden.
-
Liegt das Wahrscheinlichkeitsverhältnis zwischen
den ersten und zweiten Hypothesen nicht über einem vorbestimmten Schwellwert,
so wird ein Neubewertungsprozess bei 22 angewandt. In einem
alternativen Ausführungsbeispiel
kann auf den Vertrauensprüfmechanismus 18 verzichtet werden;
wobei die Ausgabe des Bewertungsmodells 16, wie illustriert,
direkt an das Neubewertungsmodul 22 geliefert wird.
-
Das Neubwertungsmodul 22 enthält eine zweite
Wissensquelle über
die Wortaussprache. Im Besonderen verwendet das Neubewertungsmodul eine
automatische Spracherkennungstechnologie (ASR), bei der ein Sprachsignal
dazu benutzt wird die vom Modul 16 resultierenden Transkriptionen und/oder
Folgen neu zu bewerten. Das Sprachsignal kann von einem menschlichen
Sprecher oder ab automatisch generierter Sprache bereitgestellt
werden. Diese sind bei 24 illustriert. Geeignete Sprachquellen schließen ein:
Menschliche Live-Sprache,
Audioaufzeichnungen, Sprachdatenbänke und Sprachsynthesiergeräte. Was
Sprachsynthesiergeräte
anbelangt, ist eine interessante Variation des derzeitigen Systems
ein anderes Sprachsynthesiergerät
als das zu verwenden, das für
die Text-zu-Sprache-Synthese
im endgültigen
System benutzt wird. Auf diese Weise können einige der gewünschten
Nuancen eines ersten Synthesiergeräts einem zweiten Synthesiergerät einverleibt
werden.
-
Das Neubewertungsmodul 22 entlockt
bei 24 phonetische Information aus der gelieferten Spracheingabe
und diese Information kann zur Aufzeichnung der Liste von n-besten
Transkriptionen oder Folgen verwendet werden. Danach kann bei 26 ein weiterer
Vertrauenstest, ähnlich
dem bei 18 beschrieben, angewandt werden, worauf sich das
Lexikon bei 28 aktualisieren lässt. Falls die Höchstbewertung (nach
der Neubewertung) hoch genug ist, wählt das System sie automatisch
und setzt sie bei 28 in das Lexikon ein. Andernfalls gibt
das System einen Editiermodus ein, in dem ein Editierwerkzeug 30 für Anwenderinteraktion 32 bereitgestellt
wird. Das Editierwerkzeug des bevorzugten Ausführungsbeispiels ermöglicht dem
Anwender eine der gewählten
Aussprachen zu wählen,
die der korrekten am besten angepasst sind. Das System präsentiert
dem Anwender das auf dem Bildschirm angezeigte Wort, so dass individuelle
Silben hervorgehoben oder gewählt
werden können.
Der Anwender wählt
dann einfach die falsch ausgesprochene Silbe (jeweils eine Silbe)
und das System gibt dem Anwender dann eine Reihe von Optionen zum
Modifizieren jener Silbe.
-
Mit Bezugnahme auf die 2 sind Wörter im Wörterbuch in der Wortliste 34 angezeigt.
Hervorheben eines Worts in der Wortliste – „contumacious", beispielsweise – platziert
jenes Wort in die Felder „Buchstabier" bzw. „klingt
wie", 35 und 36.
Die phonetische Darstellung des gewählten Worts erscheint im Phonemfeld 37;
die phonemische Darstellung ist mit Bindestrich geschrieben, um
die Silben zu demarkieren aus denen sich das gewählte Wort zusammensetzt. Betonungstasten 38 richten
sich auf die Silben im Feld 37 aus und der Anwender kann
diese Tasten wählen,
um die auf die Silbe angewandte Betonung zu ändern. Falls erwünscht, kann
der Anwender den Vokalschritt durch Tasten 39 und/oder
die Vokaltabellenliste 40 verwenden, um verschiedene Vokalklänge als
Ersatz für
jene zu wählen,
die im Phonemfeld 37 erscheinen.
-
In einem Ausführungsbeispiel spricht der
Anwender die Silbe, indem er sie in ein Mikrofon ausspricht und
das System deduziert dann das Buchstabieren des Originaltexts, die
dieser Aussprache entspricht. Als Alternative kann der Anwender
die gewünschte
Aussprache aus einem Menü von
Wörtern auswählen, die
einen Vokal haben, der jenem der hervorgehobenen Silbe ähnlich klingt.
Das Editierwerkzeug präsentiert
dem Anwender automatisch ein Menü von
Wörtern,
das auf der vom Anwender gewählten
Silbe beruht. Das Werkzeug schließt außerdem einen Betonungsgradwähler in
Form von computergraphisch generierten Tasten ein, die der Anwender
wählen
kann, um den einer speziellen Silbe gegebenen Betonungsgrad zu erhöhen oder
zu reduzieren.
-
Ein weiteres Ausführungsbeispiel des Editierwerkzeugs
verwendet einen automatisierten Algorithmus, der sequentiell eine
neue Aussprache generiert, indem er Teile von zwei Aussprachehypothesen kombiniert.
Der Anwender kann diese generierten Aussprachen hören und
die beste auswählen
wenn sie zu hören
ist.
-
Sobald der Anwender mit dem Editieren
der Aussprache einer oder mehrerer Silben fertig ist, produziert
das System automatisch das korrigierte Buchstabier-Aussprachepaar
und diese Information wird dann dazu verwendet das Lexikon wie bei 34 zu aktualisieren.
-
In einem Ausführungsbeispiel der Erfindung ist
das System anpassungsfähig
bzw. selbstlernend. Eine oder mehrere Transkriptionen hohen Vertrauens können herausgezogen
und dazu benutzt werden den Transkriptionsgenerator 14 umzuschulen.
Buchstabierte Wortaussprachepaare, die verwendet werden das Lexikon 10 zu
aktualisieren, werden dazu benutzt neue Umschuldaten 34 zu
tiefem, auf deren Grundlage der Transkriptionsgenerator 14 umgeschult
bzw. Aktualisiert werden kann. Dies lässt sich durch Verwenden der
Umschuldaten 34 als neue Schulungsdaten zum Generieren
revidierter, vom Transkriptionsgenerator benutzter, Entscheidungsbäume erzielen.
Das selbstlernende Ausführungsbeispiel
verbessert daher seinen Transkriptionsgenerator mit der Zeit, was
zu Transkriptionen noch höherer Qualität führt.
-
Das Entscheidungsbaum-Phonetisiergerät
-
Das derzeit bevorzugte Phonetisiergerät ist ein
zweistufiger Aussprachegenerator, wobei die erste Stufe einen Satz
von „Nur-Buchstaben" Entscheidungsbäumen 110 und
die zweite Stufe einen Satz von „Misch"-Entscheidungsbäumen 112 verwendet. Eine
Eingabefolge 114, wie beispielsweise die Buchstabenfolge
B-I-B-L-E, wird zu einem dynamischen Programmier-Phonemfolgegenerator 116 gespeist. Der
Folgegenerator benutzt die „Nur-Buchstaben"-Bäume 110,
um eine Liste von Aussprachen 118 zu generieren, die mögliche Aussprachekandidaten
der Eingabefolge des buchstabierten Worts repräsentiert.
-
Der Folgegenerator untersucht sequentiell jeden
Buchstaben in der Folge und wendet den jenem Buchstaben zugehörigen Entscheidungsbaum an,
um eine Phonemaussprache für
jenen Buchstaben auf der Basis von Wahrscheinlichkeitsdaten auszuwählen, die
im „Nur-Buchstaben"-Baum enthalten sind.
-
Vorzugsweise schließt der Satz
von „Nur-Buchstaben"-Bäumen einen
Entscheidungsbaum für
jeden Buchstaben im Alphabet ein. 4 zeugt
ein Beispiel eines „Nur-Buchstaben"-Entscheidungsbaums
für den
Buchstaben E. Der Entscheidungsbaum umfasst eine Vielheit interner
Knoten (in der Abbildung als Ovale illustriert) und eine Vielheit von
Blattknoten (in der Abbildung als Rechtecke illustriert). Jeder
interne Knoten ist mit einer Ja-Nein-Frage bestückt. Ja-Nein-Fragen sind Fragen,
die entweder mit Ja oder Nein beantwortet werden können. Im „Nur-Buchstaben"-Baum richten sich
die Fragen auf den gegebenen Buchstaben (in diesem Fall den Buchstaben
E) und seine benachbarten Buchstaben in der Eingabefolge. Beachten
Sie in der 4, dass sich
jeder interne Knoten, abhängig
davon ob die Antwort auf die zugehörige Frage Ja oder Nein ist,
entweder nach links oder rechts verzweigt.
-
Abkürzungen werden in der 4 wie folgt verwendet: Zahlen
in Fragen, wie beispielsweise „+1" oder „1" beziehen sich auf
Positionen in der Buchstabierfolge in Bezug auf den aktuellen Buchstaben. Zum
Beispiel bedeutet, „+1L=='R'?" „Ist der
Buchstabe nach dem aktuellen Buchstaben (der in diesem Fall der
Buchstabe E ist) ein R?" Die
Abkürzungen CONS
und VOW repräsentieren
Buchstabenklassen, nämlich
Konsonanten und Vokale. Die Abwesenheit eines benachbarten Buchstabens,
oder Null Buchstabe, wird durch das Symbol – dargestellt, das als ein
Füllmittel
oder Platzhalter verwendet wird, wo gewisse Buchstaben auf entsprechende
Phonemaussprachen auszurichten sind. Das Symbol # bedeutet eine
Wortbegrenzung.
-
Die Blattknoten sind mit Wahrscheinlichkeitsdaten
bestückt,
die mögliche
Phonemaussprachen mit numerischen Werten in Verbindung bringen,
die die Wahrscheinlichkeit repräsentieren,
dass das spezielle Phonem die korrekte Aussprache des gegebenen
Buchstabens repräsentiert.
Beispielsweise bedeutet die Notation „iy=>0.51 ",
dass „die
Wahrscheinlichkeit des Phonems 'iy' in diesem Blatt
0.51." beträgt. Das
Null-Phonem, d. h., Stille, wird durch das Symbol '–' dargestellt.
-
Der Sequenzgenerator 116 (3) verwendet daher die „Nur-Buchstaben"-Entscheidungsbäume 110
dazu eine oder mehrere Aussprachehypothesen zu konstruieren, die
in der Liste 118 gespeichert sind. Vorzugsweise ist jede
Aussprache mit einer numerischen Bewertung verbunden, die durch
Kombinierender Wahrscheinlichkeitsbewertungen der mit Hilfe des
Entscheidungsbaums 110 ausgewählten individuellen Phoneme
erlangt wurde. Wortaussprachen können
vielleicht durch Konstruieren einer Matrix möglicher Kombinationen bewertet
werden, wonach dynamisches Programmieren dazu verwendet wird die
n-besten Kandidaten auszuwählen.
Oder aber können
die n-besten Kandidaten vielleicht unter Verwendung einer Substitutionstechnik
ausgewählt werden,
die zuerst den wahrscheinlichsten Transkriptionskandidaten identifiziert
und dann zusätzliche Kandidaten
durch iterative Substitution, wie folgt, generiert.
-
Die Aussprache mit der höchsten Wahrscheinlichkeitsbewertung
wird zuerst gewählt,
indem die betreffenden Bewertungen der Phoneme mit höchsten Bewertungen
(durch Untersuchen der Blattknoten identifiziert) multipliziert
werden und dann diese Auswahl als der wahrscheinlichste Kandidat
oder erste beste Wortkandidat verwendet wird. Zusätzliche
(n-beste) Kandidaten werden dann durch Untersuchen der Phonemdaten
in den Blattknoten ausgewählt,
um wiederum das – nicht
zuvor ausgewählte – Phonem
zu identifizieren, das die kleinste Differenz von einem anfänglich ausgewählten Phonem
hat. Dieses minimal unterschiedliche Phonem wird dann für das anfänglich gewählte substituiert, um
dadurch den zweitbesten Wortkandidaten zu generieren. Der obige
Vorgang kann iterativ wiederholt werden bis die gewünschte Zahl
n-bester Kandidaten ausgewählt
worden ist. Die Liste 118 kann vielleicht in absteigender
Bewertungsreihenfolge sortiert werden, so dass die durch die „Nur-Buchstaben"-Analyse als beste
beurteilte Aussprache als erste in der Liste erscheint.
-
Wie oben bemerkt, wird eine „Nur-Buchstaben"-Analyse häufig schlechte
Resultate produzieren. Dies geschieht, weil die „Nur-Buchstaben"-Analyse keine Möglichkeit
hat bei jedem Buchstaben zu bestimmen, welches Phonem durch nachfolgende Buchstaben
generiert werden wird. Deshalb kann eine „Nur-Buchstaben"-Analyse eine Aussprache hoher Bewertung
generieren, die eigentlich in natürlicher Sprache nicht auftreten
würde.
Beispielsweise würde
der Eigenname, Achilles, wahrscheinlich zu einer Aussprache führen, die
beide II phonetisiert: ah-k-ih-l-l-iy-z. In natürlicher Sprache ist das zweite
l eigentlich stumm: ah-k-ih-l-iy-z. Der „Nur-Buchstaben"-Baum verwendende
Sequenzgenerator besitzt keinen Mechanismus Wortaussprachen auszusieben,
die in natürlicher
Sprache nie vorkommen würden.
-
Die zweite Stufe des Aussprachesystems befasst
sich mit dem obigen Problem. Ein Bewertungsschätzer 120 gemischten
Baums verwendet den Satz Mischentscheidungsbäume 112, um die Realisierbarkeit
jeder Aussprache in der Liste 118. einzuschätzen. Der
Bewertungsschätzer
arbeitet, indem er sequentiell jeden Buchstaben in der Eingabefolge
zusammen mit den Phonemen untersucht, die jedem Buchstaben durch
den Sequenzgenerator 116 zugeordnet wurden.
-
Wie der Satz „Nur-Buchstaben"-Bäume hat der
Satz gemischter Bäume
einen gemischten Baum für
jeden Buchstaben des Alphabets. Ein beispielhafter gemischter Baum
ist in der 5 gezeigt.
Wie der „Nur-Buchstaben"-Baum, besitzt der gemischte Baum interne
Knoten und Blattknoten. Die internen Knoten sind in der 5 als Ovale und die Blattknoten
als Rechtecke dargestellt. Die internen Knoten sind jeweils mit
einer Ja-Nein-Frage und die Blattknoten jeweils mit Wahrscheinlichkeitsdaten
bestückt. Obwohl
die Baumstruktur des gemischten Baums jener des „Nur-Buchstaben"-Baums ähnelt, gibt
es einen wichtigen Unterschied. Die internen Knoten des gemischten
Baums können
zwei verschiedene Klassen von Fragen enthalten.
-
Ein interner Knoten kann eine Frage über einen
gegebenen Buchstaben und seinen benachbarten Buchstaben in der Folge
enthalten, oder er kann eine Frage über das mit jenem Buchstaben
verbundene Phonem und benachbarte Phoneme enthalten, die jener Folge
entsprechen. Der Entscheidungsbaum ist daher gemischt, indem er
gemischte Klassen von Fragen enthält.
-
Die in der 5 verwendeten Abkürzungen, mit einigen zusätzlichen
Abkürzungen,
sind jenen in der 4 ähnlich.
Das Symbol L repräsentiert
eine Frage über
einen Buchstaben und seinen benachbarten Buchstaben. Das Symbol
P repräsentiert
eine Frage über
ein Phonem und seine benachbarten Phoneme. Zum Beispiel bedeutet
die Frage „+1L=='D'?" „Ist der
Buchstabe in der +1 Position ein 'D'?" Die Abkürzungen
CONS und SYL sind Phonemklassen, nämlich konsonantisch und silbisch.
Zum Beispiel bedeutet die Frage „+1P==CONS?" „Ist das Phonem in der +1
Position ein Konsonant?" Die
Zahlen in den Blattknoten geben Phonemwahrscheinlichkeiten wie sie
das in den „Nur-Buchstaben"-Bäumen auch
machten.
-
Der Mischbaum-Bewertungsschätzer führt eine
erneute Bewertung jeder der Aussprachen in der Liste 118 auf
der Basis der Fragen des Mischbaums durch und verwendet die Wahrscheinlichkeitsdaten
in den Blattknoten der gemischten Bäume. Falls erwünscht, kann
die Liste von Aussprachen in Verbindung mit der betreffenden Bewertung
wie in der Liste 122 gespeichert werden. Falls erwünscht, kann
die Liste 122 in absteigender Reihenfolge sortiert werden,
so dass die zuerst aufgeführte
Aussprache jene mit der höchsten
Bewertung ist.
-
In vielen Fällen wird die Aussprache, die
die höchste
Bewertungsposition in der List 122 einnimmt anders von
der Aussprache sein, die die höchste
Bewertungsposition in der Liste 118 einnimmt. Dies geschieht,
weil der Mischbaum-Bewertungsschätzer, der
die gemischten Bäume 112 verwendet,
jene Aussprachen aussiebt, die keine selbst-konsistenten Phonemfolgen
enthalten oder andernfalls Aussprachen repräsentieren, die in natürlicher
Sprache nicht vorkommen würden.
-
Falls erwünscht, kann ein Wählermodul 124 auf
die Liste 122 zugreifen, um eine oder mehrere der Aussprachen
in der Liste abzufragen. Typisch fragt der Wähler 124 die Aussprache
mit der höchsten
Bewertung ab und liefert diese als die Ausgabeaussprache 126.