In mijn proefschrift worden twee methodes beschreven die gebruikt kunnen worden om automatische spraakherkenning te verbeteren door het modelleren van uitspraakvariatie. Een essentieel onderdeel van deze methodes is automatische fonetische transcriptie. Het gaat hierbij niet om volledige fonetische transcripties; de transcriptietaak kan het beste beschreven worden als het bepalen welke uitspraak van een aantal mogelijke uitspraken het beste past bij het akoestisch signaal. Door een grote hoeveelheid data automatisch te transcriberen kan belangrijke kwantitatieve informatie verkregen worden (zoals frequentie van voorkomen van een bepaalde uitspraakvariant).

Het eerste doel van dit onderzoek was om uit te vinden in hoeverre de automatische transcripties overeenkomen met transcripties gemaakt door ervaren transcribenten. Een tweede doel was om erachter te komen welke eigenschappen van de herkenner de kwaliteit van de automatische transcripties beinvloeden.

De resultaten laten zien dat de automatische transcripties verschillen van de transcripties die door de menselijke transcribenten zijn gemaakt. De verschillen zijn echter van dien aard dat ze acceptabel kunnen zijn, afhankelijk van het doel waar de transcripties voor gebruikt worden. Verder laten de resultaten zien dat bepaalde eigenschappen van een herkenner invloed hebben op automatische transcriptie. Het blijkt echter niet zo te zijn dat een herkenner die de minste fouten maakt in een onafhankelijke herkentaak ook de beste transcripties maakt.