Automatische SpraakHerkenning (ASH) wordt in toenemende mate als een serieuze invoermodaliteit beschouwd door ontwerpers van interactieve dialoogsystemen. Bekende voorbeelden zijn het treinreis informatiesysteem OVIS en diverse opvolgers daarvan. In Nijmegen is de laatste tien jaar stevig aan de weg getimmerd om de accuraatheid van de technologie aan te scherpen, o.a. met uitspraakvariatie modellering en vergroting van robuustheid tegen allerlei vormen van achtergrondlawaai. Desondanks komen de dialoogsystemen bij gebruikers nog steeds over als frustrerende en koppige machines die zich onbewust tonen van hun eigen feilbaarheid. En dat is terecht: spraakherkenners maken vaak fouten en dialoogmanagement systemen zouden erop toegerust moeten zijn dat één van hun componenten iets minder betrouwbaar presteert dan de volledige exactheid die we van computers gewend zijn.

De voor de buitenwereld soms onwaarschijnlijke fouten hebben een gemene deler in een fundamenteel ontwerpprincipe; alle state-of-the-art ASH systemen werken met statistische patroonmodellering en Bayes’ Maximum Likehood principe. Dit zegt zoveel dat de woordreeks die binnen het taakdomein met de grootste kans de akoestische opname gegenereerd zou hebben, wordt gekozen als herkenresultaat. Uit dit principe volgt direct dat een spraakherkenner altijd blij met een oplossing te voorschijn komt, dus ook wanneer je in het Chinees tegen OVIS zou praten…

In deze lezing behandel ik een aantal betrouwbaarheidsmaten die een spraakherkenner automatisch kan uitrekenen en toevoegen aan het herkenresultaat. De maten drukken in kanstermen uit in hoeverre de dialoogmanager staat kan maken op de oplossing. Bijgevolg wordt het mogelijk dat OVIS iets minder vaak strandgasten naar Santpoort stuurt, maar in plaats daarvan zal kunnen opteren voor de vraag: “Pardon, ik weet niet zeker of ik u goed verstaan heb; zei u nou Santpoort of Zandvoort?”