Kontextsensitive automatische Erkennung spontaner Sprache mit BLSTM-Netzwerken

Trotz zahlreicher Fortschritte im Bereich der automatischen Sprackerkennung ist die Erkennungsleistung und Robustheit heutiger Sprackerkennungssysteme nicht ausreichend，um als Grundlage für nurliche，spontansprachliche Menschine-Interaktion zu dienen. Ziel des Forschungsvorhabens is deshalb，die Genauigkeit von Systemen zur Erkennung natürlicher，fließender Sprache mittels neuartiger Musterekennungsmethoden zu verbessern.要使人工语言识别在语言-文本信息的智能化方面发挥作用，就必须对文本在商业化方面的识别进行韦尔登。通过对双音节记忆的理解，我们可以通过韦尔登动态组合的语音合成的神经元内策，解决双向长短期记忆（BLSTM）网络的韦尔登问题。在Tandem- Systemen verwendeten Phonemschätzern erlaubt es das BLSTM-Prinzip中，一个最佳的文本信息被Prädiktion mit einzubeziehen。在对上下文敏感的语音识别和对BLSTM-Ansatzes的有效性检测中，这是一个非常重要的连续语音识别系统。

Trotz zahlreicher Fortschritte im Bereich der automatischen Spracherkennung ist die Erkennungsleistung und Robustheit heutiger Spracherkennungssysteme nicht ausreichend, um als Grundlage für natürliche, spontansprachliche Mensch-Maschine-Interaktion zu dienen. Ziel des Forschungsvorhabens ist es deshalb, die Genauigkeit von Systemen zur Erkennung natürlicher, fließender Sprache mittels neuartiger Mustererkennungsmethoden zu verbessern. Da die Effizienz der menschlichen Spracherkennung vor allem auf der intelligenten Auswertung von Langzeit-Kontextinformation beruht, sollen dabei Ansätze zur Berücksichtigung von Kontext auf Merkmalsebene verfolgt werden. Ausgehend von sogenannten Tandem-Spracherkennern, bei denen neuronale Netze zur Phonemprädiktion in Kombination mit dynamischen Klassifikatoren verwendet werden, sollen hierzu bidirektionale Long Short-Term Memory (BLSTM) Netzwerke eingesetzt werden. Im Gegensatz zu derzeit in Tandem- Systemen verwendeten Phonemschätzern erlaubt es das BLSTM-Prinzip, ein optimales Maß an Kontextinformation bei der Prädiktion mit einzubeziehen. Da jüngste Erfolge im Bereich der kontextsensitiven Phonemerkennung und Schlüsselwortdetektion die Effektivität des BLSTM-Ansatzes unterstreichen, ist eine entsprechende Weiterentwicklung kontinuierlicher Spracherkennungssysteme äußerst vielversprechend.