Spracherkennung: 80 % Genauigkeitsgrenze

# Warum die Spracherkennung bei 80 % Genauigkeit feststeckt

Spracherkennungssysteme erreichten 1999 die Höchstgenauigkeit und haben sich seither nicht verbessert. Akademische Tests aus 2006 zeigen: Universelle Modelle überschreiten nicht 80 % Genauigkeit, während Menschen bei 96–98 % operieren. Das akustische Signal allein reicht nicht aus, um Text zu entschlüsseln – das ist die Hauptbarriere.

Professor Robert Fortner vom Media Research Institute beschreibt das Patt: Entwickler haben die Möglichkeiten auf Basis reiner Akustik ausgeschöpft. Menschliche Sprache erfordert das Verständnis von Semantik, Kontext und Grammatik, die Standardalgorithmen nicht zugänglich sind.

Der Umfang der linguistischen Komplexität

Die Anzahl möglicher Sätze in einer Sprache wird auf 10^570 geschätzt – eine Zahl jenseits jeglicher Datencorpora. Selbst das Scannen aller menschlichen Texte würde die Variabilität nicht abdecken.

Die Mehrdeutigkeit von Wörtern verschärft das Problem: Ein Wort kann Hunderte von Bedeutungen haben, die durch Kontext, Intonation oder Mimik bestimmt werden. Das Gehirn nutzt funktionale Grammatik und semantische Paradigmen zur Erzeugung und zum Verständnis.

• Funktionale Grammatik: Definiert zulässige Wortkombinationen durch funktionale Elemente.
• Semantisches Paradigma: Die Bedeutung eines Wortes hängt vom vorherigen ab und vom Gesamtkontext.
• Kontextuelle Erkennung: Das Gehirn rekonstruiert Phrasen aus Fragmenten und stützt sich auf Erwartungen.

Die Formalisierung dieser Regeln für Computer ist nach wie vor ungelöst. Ohne grammatikalischen Parser und semantisches Wörterbuch machen Systeme Fehler bei neuen Konstruktionen.

Beispiel mit der russischen Präposition „when“: Linguisten haben Hunderte von Bedeutungen mit einzigartigen Sätzen nachfolgender Elemente identifiziert. Eine vollständige Liste ist unerreichbar, und Konferenzen widmen sich der Grammatik einzelner Morpheme wie „by“.

Herausforderungen des Selbstlernens und der Sprachentwicklung

Jedes Morphem (Präfixe, Suffixe, Präpositionen) erfordert ein detailliertes Paradigma. Sprachen entwickeln sich weiter, wodurch statische Modelle obsolet werden. Wie kann man dem System Selbstlernen ermöglichen?

Googles Analyse von Webtexten ergab eine Billion einzigartiger Objekte – nur einen Bruchteil des Morphemraums. Das Unternehmen veröffentlichte ein 24-GB-Archiv und stellte das Projekt ein.

Microsofts MindNet (von 1991 bis 2005) zielte auf einen universellen Parser für Wortbeziehungen ab. Trotz enormer Ressourcen wurde das Projekt ohne Durchbruch eingestellt.

Wichtige Punkte

• Die Genauigkeit der Spracherkennung steckt bei 80 % fest wegen semantischer Mehrdeutigkeit und fehlender formalisierter Grammatik.
• Die Akustik allein reicht nicht aus: Kontext, Intonation und Mimik sind nötig, um Mehrdeutigkeiten zu lösen.
• Der Umfang der Aufgabe – 10^570 Sätze und sich entwickelnde Morphemparadigmen – übersteigt die Möglichkeiten von Datencorpora.
• Projekte wie MindNet scheiterten und erfordern ein neues Paradigma: universelle funktionale Grammatik mit Einbindung von Linguisten.

Aussichten auf einen Durchbruch

Die Lösung liegt in der Formalisierung einer einzigen funktionalen Grammatik für alle Sprachen. Dies umfasst:

• Vollständiges Inventar von Morphemen und ihren Paradigmen.
• Modellierung kontextueller Abhängigkeiten.
• Selbstlernmechanismen für die Sprachentwicklung.

Ohne linguistische Grundlage bleiben Algorithmen auf dem derzeitigen Niveau. Entwickler müssen von statistischen Modellen zu einem tiefen Verständnis der Sprachstruktur übergehen.

— Editorial Team