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

52 KAPITEL 3. EXTRAKTION VON AUDIO-FEATURES
Probleme bei der Bestimmung der Pitch
Zunächst stellt sich jedoch die Frage, wie die Pitch aus dem aufgezeichneten Sprachsignal
extrahiert werden kann. Eine genaue und reliable Messung der Pitch eines Sprachsignals aus
der akustischen Wellenform alleine ist oftmals aus verschiedenen Gründen sehr schwierig. Ein
Grund ist, daß die Anregungswellenform keine perfekte Folge periodischer Impulse ist. Es ist
einfach, die Periode eines perfekt periodischen Signals festzustellen. Leider trifft dies für Sprachsignale
nicht zu, da die Wellenform eines Sprachsignals in der Periode und in der Struktur innerhalb
der Periode variiert. Eine zweite Schwierigkeit besteht in der Interaktion von Vokaltrakt
und Lautanregung, da in manchen Fällen die Formanten des Vokaltrakts die Struktur der Lautanregungswellenform
signifikant verändern können. Das dritte Problem besteht in der
exakten Bestimmung der Anfangs- und Endpunkte der Periode innerhalb stimmhafter Sprachsegmente.
Auch hierzu gibt es verschiedene Ansätze, die zu unterschiedlichen und möglicherweise
unberechtigten Schätzungen der Pitch führen können. Ein weiteres Problem stellt die
Unterscheidung von stimmlosen und stimmhaften Sprachsegmenten mit niedriger Amplitude
dar. In vielen Fällen sind die Übergänge zwischen diesen Segmenten sehr subtil und deshalb
schwer auszumachen. Zu diesen Problemen der Messung der Grundfrequenz kommen noch
weitere Schwierigkeiten hinzu. Oftmals enthält die Aufzeichnung des Sprachsignals einen
starken Rauschanteil und/oder Hintergrundgeräusche, wodurch vor allen Dingen die
Unterscheidung von stimmhaften und stimmlosen Sprachsegmenten beeinflußt wird. Zudem
spielt die Anwendungsdomäne eine nicht unerhebliche Rolle. Als Beispiel sei hier das Telefonsystem
genannt. Es agiert als Bandpass-Filter und filtert Frequenzen unterhalb von etwa 200 Hz
und Frequenzen oberhalb von etwa 3200 Hz aus dem ursprünglichen Sprachsignal heraus. Der
Pitch-Verlauf eines männlichen Sprechers bewegt sich zwischen etwa 80 Hz und 300 Hz. Dies
bedeutet aber, daß ein Teil dieses Spektrums durch das Telefonsystem zumindest sehr stark abgeschwächt
wird, was die Bestimmung der Pitch weiter erschwert [28].
Pitch-Detektion
Im folgenden wird das Vorgehen bei der Bestimmung der Pitch und der Unterscheidung
zwischen stillen, stimmlosen und stimmhaften Sprachsegmenten genauer erläutert. Bevor aber
auf die einzelnen Algorithmen eingegangen wird, soll grob die Vorgehensweise skizziert werden,
die sich bei den betrachteten Algorithmen nur in Details unterscheidet. Abbildung 3.6 verdeutlicht
den Vorgang.
Angenommen, das Sprachsignal liegt schon als Datei vor. Es wird nun in Frames gleicher Länge
unterteilt, die sich überlappen können. Diese Vorgehensweise wurde unter dem Begriff
Windowing in Kapitel 3.1 eingeführt. Übliche Werte für die Länge der Frames liegen im Bereich
¢
bis ¥
¢
. Nun wird die short-term energy der einzelnen Frames ermittelt (vergleiche
Kapitel 3.2). Ist deren Wert kleiner als ein gewählter Schwellwert, so wird das Sprachsignal
von¦
innerhalb des betrachteten Frames als Stille charakterisiert. Andernfalls wird nun versucht, die
Pitch mit einem der nachfolgend beschriebenen Verfahren zu bestimmen. Diese Verfahren
bestimmen zunächst, ob der betrachtete Frame einen stimmhaften oder ein stimmlosen Laut