Jürgen Dick - Lehrstuhl Algorithmen & Datenstrukturen, Institut für ...

50 KAPITEL 3. EXTRAKTION VON AUDIO-FEATURES
Frequenzanteile enthält. Dieses Maß kann zusammen mit der short-term energy zur Endpunkt-
Detektion eingesetzt werden. Das Problem, die Endpunkte einer diskreten Aussage zu bestimmen,
ist ein wichtiges Problem in vielen Sprachverarbeitungsanwendungen. Bei der Erkennung von
Wörtern durch Vergleichen des akustischen Signals mit einer "Vorlage" ist es beispielsweise notwendig,
das zu erkennende Wort von "nichtsprachlichen" Bereichen zu befreien, die Fehler bei
der Erkennung hervorrufen können. Auf den ersten Blick scheint dies relativ einfach zu sein.
In der Praxis hat sich herausgestellt, daß dies nur bei sehr hohen signal-to-noise-ratio-Werten
der Fall ist [9]. Ein verwandtes Problem stellt die Klassifikation von Sprache in stimmhafte und
stimmlose Bereiche dar. Will man beispielsweise wissen, wann die Bestimmung der Pitch nötig
ist, kann die short-term zero crossing rate in Verbindung mit der short-term energy dazu herangezogen
werden, um mögliche stimmhafte Bereiche zu bestimmen. Während die short-term
energy üblicherweise in stimmhaften Segmenten größer ist, ist die short-term zero crossing rate
dagegen in stimmlosen Segmenten größer. Viele Pitch-Detektions-Algorithmen verwenden diese
Maße zur Klassifikation des Sprachsignals. Einige dieser Pitch-Detektions-Algorithmen werden
in den folgenden Abschnitten vorgestellt. ZHANG, KUO nutzen die short-term zero crossing rate
auch zur Klassifikation von Umgebungsgeräuschen [40][41].
Formal läßt sich die short-term zero crossing rate wie folgt definieren:
Definition 3.4 Sei eine Signalfolge der Länge , die zum Zeitpunkt endet. Dann
läßt sich die short-term zero crossing rate durch
mit
¨
¡
¥
¡
berechnen. Hierbei stellt
¡©£ §
¡
¨
©
eine Window dar.
¨
©
¦
¦
(3.15)
¨
©
¢ (3.16)
§ ¢
Für wird in den meisten Fällen ein Rechteck-Fenster verwendet. Abbildung 3.5 zeigt den
zeitlichen Verlauf der short-term zero crossing rate anhand eines Beispiels aus [24].
3.4 Fundamentalfrequenz (Pitch) ¢ ¢
Der Verlauf der Pitch und damit die Satzmelodie einer Äußerung ist für diverse Anwendungen
und Probleme der Sprachverarbeitung von großer Bedeutung. Er ist beispielsweise nützlich für
die Sprechererkennung und gibt wertvolle Einblicke in die Natur der Anregungsquelle für die
Sprachproduktion. In dieser Arbeit soll mit Hilfe von Betonungen versucht werden, einen aufgezeichneten
Vortrag in inhaltliche Teilabschnitte zu segmentieren. Hintergrund dessen ist die Feststellung,
daß es eine hohe Korrelation von Tonhöhenvariabilität und der Einführung
neuer Themengebiete gibt. Es zeigte sich, daß ein Anstieg der Pitch ein guter Indikator hierfür
ist [15][17]. Betonungen sind oft verbunden mit einem Anstieg der Pitch.