Über die Bedeutung der Phase bei der menschlichen Spracherkennung

In diesem Artikel analysieren wir die Auswirkungen der Unsicherheit in der Phase von Sprachsignalen auf die Fehlerquote bei der Worterkennung von menschlichen Zuhörern. Das Ziel ist es, eine quantitative Messung der Bedeutung der Phase bei der automatischen Spracherkennung zu erhalten, indem die Auswirkungen der Phasensicherheit auf die menschliche Wahrnehmung untersucht werden. Hörtests wurden mit 18 Zuhörern unter verschiedenen Bedingungen der Phasensicherheit und des Signal-Rausch-Verhältnisses (SNR) durchgeführt. Diese Ergebnisse zeigen, dass eine geringe Menge an Phasenfehlern oder -unsicherheit die Erkennungsrate nicht beeinflusst, während eine große Menge an Phasensicherheit die Erkennungsrate erheblich beeinflusst. Der Grad der Bedeutung der Phase scheint ebenfalls vom SNR abhängig zu sein, sodass bei niedrigeren SNRs die Auswirkungen der Phasensicherheit ausgeprägter sind als bei höheren SNRs. Zum Beispiel führt ein SNR von -10 dB, bei dem zufällige Phasen bei allen Frequenzen auftreten, zu einer Fehlerquote bei der Wörterkennung (WER) von 63 % im Vergleich zu 24 %, wenn die Phase unverändert blieb. Im Vergleich dazu führt ein SNR von 0 dB mit zufälliger Phase zu einer WER von 25 % im Vergleich zu 11 % für den Fall der unveränderten Phase. Hörtests wurden auch für den Fall der rekonstruierten Phase basierend auf dem Ansatz der kleinsten Quadrate durchgeführt. Die Ergebnisse zeigen, dass die Erkennungsrate für den Fall der rekonstruierten Phase sehr nah an der des perfekten Phase-Falls liegt (ein durchschnittlicher WER-Unterschied von 4 %).