Speech-to-Text mit Dialekt Erkennung

Die Umwandlung von Sprache in Text ist der Prozess der automatischen Umwandlung von gesprochenen Wörtern in geschriebene Texte. Alle Speech-to-Text-Systeme stützen sich auf mindestens zwei Modelle: ein akustisches Modell und ein Sprachmodell. Bei Systemen mit großem Wortschatz wird zusätzlich ein Aussprachemodell verwendet.

Um die beste Transkriptionsqualität zu erzielen, können alle diese Modelle für eine bestimmte Sprache, einen bestimmten Dialekt, eine bestimmte Art von Sprache und einen bestimmten Kommunikationskanal trainiert werden.

Die Genauigkeit der Sprachtranskription hängt aber in hohem Maße vom Sprecher, dem Sprachstil und den Umgebungsbedingungen ab.

Die größte Herausforderung ist jedoch die Erkennung von Dialekten - denn nur wenn dies möglich ist, können automatisch generierte Transkripte und Untertitel nahezu fehlerfrei sein.

Im Rahmen des STADIEM Programms hat sich aiconix zum Ziel gesetzt, die automatische Erkennung von österreichischen Dialekten in audiovisuellen Medien zu verbessern. Zu diesem Zweck trainiert das Unternehmen ein Sprachmodell, das auf die Erkennung von österreichischen Dialekten spezialisiert ist. Der Schwerpunkt des Projekts liegt auf der Erkennung von "Wiener-Standard-Deutsch", gefolgt von anderen österreichischen Dialekten und der Erkennung von anderen Dialekten innerhalb Europas.

Entscheidend für den Erfolg des Projekts sind die Daten, die dem Start-up zum Training des Sprachmodells zur Verfügung stehen. Zu diesem Zweck arbeitete aiconix eng mit österreichischen Partnern wie dem Österreichischen Parlament, dem Österreichischen Fernsehen (ORF), der Austria Presse Agentur (APA) und Russmedia zusammen.
Sie alle unterstützen das Unternehmen mit Daten wie Video- und Audio-Datein sowie passenden handgeschriebenen Transkripten, die Inhalte mit starkem Dialekt aufweisen. Die Sammlung dieser Trainingsdaten ist bereits ein großer Erfolg für aiconix und bildet einen wesentlichen Grundstein für das Training eines Dialekt-Sprachmodells.

In der Entwicklungsphase des Projekts konzentrierte sich das aiconix-Entwicklungsteam auf das Training des Sprachmodells mit den vorhandenen Daten. Ziel ist es, die Fehlerquote in automatisch generierten Transkripten zu reduzieren. Am Ende des Projekts werden die Partner das entwickelte Dialektmodell für die automatische Transkription und Untertitelung von audiovisuellen Inhalten einsetzen. Dies soll zu Kosten- und Zeiteinsparungen für die Partner führen. Darüber hinaus soll dem Zielpublikum die digitale Zugänglichkeit zu den Inhalten der jeweiligen Partner garantiert werden. 

Lisa Zuckerstätter, Head of "Access Services" at ORF

Mehr dazu