Zum Hauptinhalt springen

Hintergrundwissen Spracherkennung: Von der Sprache zum Text

Spracherkennungssoftware wandelt zunächst Audiodaten mithilfe eines akustischen Modells in Phoneme, also in eine Lautschrift, um.

Im zweiten Schritt prüft die Spracherkennungssoftware, welche Wörter aus dem zugrunde liegenden Lexikon zu diesen Phonemen passen. Wenn mehrere Wörter in Betracht kommen, entscheidet das Sprachmodell, welches Wort am wahrscheinlichsten ist.

Am Ende werden die Wörter zusammen als Phrase, also als Text, ausgegeben.

Komponenten der Spracherkennung​

Der Weg von der Sprache zum Text besteht vereinfacht aus diesen Schritten:

  1. Sprache wird als Audiodaten aufgenommen.
  2. Das akustische Modell erkennt daraus Laute bzw. Phoneme.
  3. Das Lexikon gleicht die erkannten Laute mit möglichen Wörtern ab.
  4. Das Sprachmodell bewertet den Zusammenhang und wählt die wahrscheinlichste Wortfolge.
  5. Die Spracherkennung gibt das Ergebnis als Text aus.

Mit diesem Wissen lassen sich Optimierungen an verschiedenen Stellen der Spracherkennung finden. Damit Spracherkennungssoftware mit möglichst wenig Zeit- und Rechenaufwand aus den Audiodaten passende Phoneme erzeugen kann, sind die Hinweise zum richtigen Diktieren besonders wichtig.