HauptseiteTechnologieSprechererkennungTechnischer Verfahrensablauf

Technischer Verfahrensablauf

Im Bereich der Sprechererkennung unterscheidet man zwischen high-level- und lowlevel-Informationen. High-level -Informationen sind Informationen wie der Dialekt, der Akzent, die Art und Weise wie gesprochen wird und wie die subjektive Verfassung des Sprechers ist. Low-level-Informationen sind Werte wie Tonhöhe, Periodendauer, Rhythmus, Ton, spektrale Magnitude, Frequenzen, Frequenzbereich und Bandbreite der Stimme des Nutzers. Diese Merkmale werden von Sprecherverifikationssystemen zur Erkennung verwendet. High-level -Informationen hingegen werden von Menschen zur Erkennung genutzt. Sprechererkennung erfasst die Charakteristika wie Rhythmus, Pitch und Frequenz eines jeden Individuums. Zur Aufnahme der Sprache wird ein Mikrofon oder ein reguläres Telefon verwendet. Bei Erhöhung der Qualität des Eingabegeräts (Mikrofon/Telefon) steigt die Erkennungsgenauigkeit.
Die Variation der Merkmale, die durch unterschiedliche Personen entsteht, wird Inter-Sprecher-Varianz genannt. Die Inter-Sprecher-Varianz wird verursacht durch unterschiedliche Charakteristika bei verschiedenen Sprechern. Die Intra-Sprecher-Varianz tritt auf, wenn ein Sprecher das gleiche Wort oder denselben Satz mehrfach hintereinander ausspricht, aber ihn nicht mit der gleichen Betonung, dem gleichen Tonfall wiederholen kann. Eine andere Art der Intra-Sprecher-Varianz entsteht, wenn ein Sprecher dasselbe Wort oder denselben Satz ausspricht, aber ihn nicht mit der gleichen Betonung oder auf die gleiche Weise von Versuch zu Versuch wiederholt. Die Intra-Sprecher-Varianz enthält verschiedene Sprechgeschwindigkeiten, den emotionellen Zustand des Sprechers und die Geräuschumgebung. Die Intra-Sprecher-Varianz ist die Hauptursache für die Performance-Schwäche von biometrischen Sprechererkennungssystemen. Deshalb ist es wünschenswert, die Parameter so zu wählen, dass sie eine niedrigere Intra-Sprecher-Varianz und eine hohe Inter-Sprecher-Varianz aufweisen. In vielen Anwendungen zur Sprechererkennung ist es möglich, die Intra-Sprecher-Varianz zu reduzieren, indem der Nutzer aufgefordert wird, den hinterlegten Referenzdatensatz zu wiederholen, der den identischen Text beziehungsweise die gleichen Wörter enthält. Hierbei handelt es sich um den Fall von textabhängigen Sprecherverikationsverfahren. Es gibt eine Vielzahl von Verfahrensansätzen für die Sprechererkennung. Die Methoden der Sprechererkennung lassen sich in textabhängige (statischer Text, oder fest-phrase-Systeme) und textunabhängige Methoden einteilen. Die textabhängige Wiedererkennung basiert auf einer vorher hinterlegten und dem System bekannten Textphrase des Sprechers. Die textunabhängige Sprechererkennung hingegen basiert auf einer völlig ungebundenen Textphrase, die von der im System hinterlegten Textphrase abweichen kann. Textunabhängige Methoden benötigen in der Regel mehr Trainingsdaten als textabhängige Methoden. Textabhängige Methoden sind im Allgemeinen genauer als textunabhängige Verfahren und erfordern die Kooperation des Benutzers.

Unter den folgenden Bezeichnungen sind in der Literatur Verfahrensansätze zur Sprechererkennung zu finden:

  • Dynamic Time Warping (DTW)
  • Vector Quantization (VQ)
  • Neuronale Netze (NN)
  • Hidden Markov Modelle (HMM)
  • Gaussian Mixed Models (GMM) in Verbindung mit Maximum Likelihood Estimation (textunabhängig)
  • Likelihood Normalization
  • multivariante auto-regressions-Modelle (MAR) genannt.

Seit 1975 ist die Methode des Hidden Markov Modelling (bekannt als HMM-Methode), benannt nach dem russischen Mathematiker A.A. Markov, im Bereich der textunabhängigen Sprechererkennung sehr populär geworden. Bei dieser Methode wird die statistische Varianz der spektralen Merkmale gemessen762. Aus einerVielzahl von Trainingsäußerungen wird ein Modell berechnet, dass gleiche Folgen von Merkmalsvektoren erzeugen kann, wie sie bei der Analyse der Trainingsreferenzen gefunden worden sind.
Das Dynamic Time Warping, ein Verfahren der dynamischen Zeitnormierung, beruht auf einem Vergleich von Merkmalen einer Referenz und einer Sprechprobe, wobei es sich bei beiden um das gleiche, isoliert gesprochene Wort handelt. Dabei kann die Länge der beiden zu vergleichenden Proben unterschiedlich sein. Der Algorithmus sucht entlang eines vorgeschriebenen Pfadbereiches den optimalen zeitlichen Vergleichspfad zwischen Test- und Referenzäuÿerung. Dabei werden die von Anfang bis Ende aufsummierten Differenzen der frequenzmäßigen Analyseparameter von Referenz- und Testsignal bestimmt.
Bei der Methode der Vektorquantisierung (VQ) wird das Sprachsignal interpretiert als eine Menge von Merkmalsvektoren, die essentielle Charakteristiken des Sprechers repräsentieren. Die Merkmalsvektoren werden in einem Codebuch codiert und zwecks Optimierung einem Trainingsverfahren unterworfen. Über die letzten Jahre hat sich die Methode des Gaussian Mixture Models (GMM-Methoden) zunehmend im Bereich der textunabhängigen Methoden durchgesetzt. Die GMM-Methode beschreibt ein generisches Wahrscheinlichkeitsmodell mit multivariaten Dichten, die es ermöglichen, beliebige Dichten zu beschreiben. Diese Methode lässt die Interpretation von allgemeinen vom Sprecher abhängigen spektralen Formen zu. Die Verfahren zur textunabhängigen Sprecherverkation machen seit längerer Zeit ein aktives Feld der Forschung aus, da die niedrige Erkennungsgenauigkeit eine signifikante Restriktion für die Diffusion dieser Systeme bedeutet.

Fingerabdruckschloss L2000

Biometrische Zutrittskontrolle ohne PC mit dem digiID IV zum Preis von 799,00 EUR zzgl. Versandkosten. Direkt zum Shop

BioLite Solo

Biometrische Zutrittskontrolle ohne PC mit dem BioLite Solo zum Preis von 590,00 EUR zzgl. Versandkosten. Direkt zum Shop