Mit seinem Smartphone zu sprechen, hat sich zu einer alltäglichen Aktivität entwickelt. Und eine Vielzahl von Sprachekennung-Systemen hat sich als äußerst leistungsfähig erwiesen. Trotzdem hat die Entwicklung, die Stimme des Menschen zu verstehen, mehrere Jahrzehnte in Anspruch genommen.
Sprachekennung ist mittlerweile ein Alltagsdienst geworden, den man in vielen Branchen antrifft:
- Jeder von uns nutzt es regelmäßig, um mit seinem Smartphone oder Anwendungen zu kommunizieren ;
- Nach einer medizinischen Untersuchung verwendet der Arzt diese Technologie, um seinen Befund zu diktieren;
- In der Regel ist es das Mittel, mit dem wir den Kontostand unseres Bankkontos prüfen;
- usw.
Allerdings, obwohl sich diese Technologie mittlerweile etabliert hat, dauerte es mehrere Jahrzehnte, bis sie ein akzeptables Qualitätsniveau erreicht hatte.
Kurze Geschichte der Sprachekennung
Sprachekennung basiert auf mehr als 70 Jahren wissenschaftlicher Forschung! Die ersten Schritte in diesem Bereich wurden Anfang der 1950er Jahre gemacht.
Audrey
Im Jahr 1952 präsentierten die Bell Laboratories Audrey, das allererste Sprachekennung-System. Es konnte die Zahlen von 0 bis 9, einzeln ausgesprochen, mit einer Erfolgsquote von 99 % erkennen. Allerdings wurde diese 99%-Quote nur erreicht, wenn der Erfinder von Audrey selbst sprach. Bei anderen Sprechern lag die Quote näher bei 70 bis 80 %. Von Beginn an wurde ein grundlegendes Problem adressiert: Die menschliche Stimme ist vielfältig. Jeder hat seine eigene Sprechweise, und das Problem der Sprachekennung ist daher komplex.
Shoebox
Harpy
Anfang der 70er Jahre entsteht unter der Leitung der US-Verteidigungsagentur DARPA das Harpy-System der Carnegie Mellon University. Harpy kann 1011 Wörter mit großer Präzision erkennen, was einer Fähigkeit gleichkommt, die mit der eines dreijährigen Kindes vergleichbar ist. Das markierte einen kleinen Triumph und entfachte eine Welle von Begeisterung für die Forschung im Bereich Sprachekennung.
Tangora
Waren bisherige Ansätze auf die Erkennung von Phonemen (Laut-Einheiten), um Wörter zu rekonstruieren, fokussiert, nahm die Sprachekennung ab den 1980er Jahren neue Ansätze an, einschließlich statistischer Modelle. Auf dieser Grundlage entwickelte IBM Tangora, das versuchte, die folgenden Wörter basierend auf bereits analysierten Daten vorherzusagen. Tangora benötigte etwa zwanzig Minuten Training und konnte anschließend 20.000 Wörter sowie komplette Sätze erkennen.
Dragon Naturally Speaking
Im Jahr 1997 präsentierte das Unternehmen Nuance seine Software Dragon Professional, was einen erheblichen Fortschritt darstellte. Diese Anwendung benötigte mehrere Stunden Training, aber nach dessen Abschluss konnte eine Person frei sprechen und musste ihre Texte nicht mehr selbst eintippen. Dragon war in der Lage, 100 Wörter pro Minute zu erkennen. Es wurde rasch von vielen Ärzten und Anwälten adoptiert. Bald darauf integrierte die Windows XP-Version, die 2001 erschien, ein Sprachekennung-Tool.
Google Voice Search/ Google Assistant
In den 2000er Jahren wurde das Computerized Voice Processing durch Künstliche Intelligenz unterstützt. Google Voice Search entschloss sich, Algorithmen des Machine Learnings mit dem Einsatz von Hochleistungsservern zu kombinieren. Die Anwendung wurde 2008 eingeführt und markierte enorme Fortschritte. Dieses Produkt, das zum Google Assistant wurde, wurde nicht so beworben, wie es hätte sein sollen, und ein anderer Dienst entriss ihm die Show.
Siri
In 2011 machte Apple mit der Ankündigung Schlagzeilen, dass Siri, ein virtueller Assistent, der verstehen kann, was wir ihm sagen, auf allen neuen iPhones verfügbar sein wird. Das war ein wichtiger Schritt, denn Sprachekennung wurde damit zu einem alltäglichen Werkzeug. Kurz darauf kamen 2014 Amazon’s Alexa und Microsoft’s Cortana auf den Markt.
Wie funktioniert Spracherkennung?
Aber wie funktioniert eine Sprachekennung-Anwendung heutzutage?
Die Sammlung des Tons geschieht über ein Mikrofon, das Signale in elektrische Impulse umwandelt, diese dann in ein analoges Signal verwandelt und schließlich in ein digitales Signal übersetzt.
Anschließend kommt Machine Learning zum Einsatz. Es weist Phoneme syntaktischen Einheiten zu, verbindet die entschlüsselten Tonfrequenzen mit Wörtern und leitet dann die am besten passende Wortfolge ab. Das System nutzt Referenzmodelle, um bei diesem Prozess der Identifizierung wahrscheinlicher Wortfolgen zu unterstützen. Techniken des Natural Language Processing helfen dabei, Semantik zu extrahieren: Das Sprachekennung-Programm zielt darauf ab, die Bedeutung dessen zu verstehen, was ausgedrückt wird.
So können Anwendungen für Voice Dictation oder Konversationen entwickelt werden, die immer näher an der menschlichen Realität sind.
