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

Kapitel 4
Segmentierungsverfahren
In den vorangegangenen Kapiteln wurden Grundlagen und Konzepte zur Extraktion von
low level-Informationen aus dem Sprachsignal vorgestellt. Die sogenannten Audio-Features,
wie beispielsweise short-term energy und short-term zero crossing rate und Pitch, werden nun
geeignet kombiniert, um high level-Informationen aus dem Sprachsignal zu extrahieren. Die
zwei erstgenannten Audio-Features werden bei der pausenbasierten Segmentierung, die im
Abschnitt 4.1 vorgestellt wird, intensiv eingesetzt. Bei diesem Ansatz wird versucht, anhand
dieser Features das Sprachsignal eindeutig in Segmente, die Sprache enthalten, und Segmente,
die Sprachpausen enthalten, zu klassifzieren. Aus der Länge der Pausen soll dann abgeleitet
werden, wann der Sprecher neue inhaltliche Einheiten beginnt. Im zweiten Ansatz zur Segmentierung
von Sprachsignalen, der Betonungs-(Emphasis) basierten Segmentierung, sollen anhand
des Verlaufs der Pitch Informationen darüber gewonnen werden, wann der Sprecher neue
inhaltliche Einheiten beginnt. Zudem läßt sich möglicherweise feststellen, welche Stellen der
Sprecher aufgrund der Betonung als besonders wichtig ansieht. Dies zu untersuchen ist aber
nicht Teil dieser Arbeit.
4.1 Pausenbasierte Segmentierung (PBS)
Die Dauer einer Pause kann Aufschluß darüber geben, an welcher Stelle der Sprecher einen Satz,
einen Gedanken oder ein neues Thema beginnt. Verschiedene Studien haben gezeigt, daß die
Pausenlänge mit dem Typ der Pause korreliert. Die in der Literatur betrachtete minimale Pausen-
¥
¢ £ ¢ ¢
dauer reicht typischerweise von . Die Mehrzahl der Pausen haben
von¦
eine
¢
Länge von
¢£¢
etwa . Pausen, die durch ein Zögern (Hesitation) des Sprechers entstehen und
¥ ¥
nicht unter der Kontrolle etwa¦
¢£¢
des ¥
¢
Sprechers liegen, dauern . Sogenannte Juncture-
Pausen, die der Sprecher kontrollieren kann, haben ¥
¢£¢
¢ ¢£¢
eine Länge von .
¢ ¢
Atempausen
dauern etwa [2]. Die Idee ist nun, die Pausenlängen eines Sprachsignals zu berechnen
und anhand der berechneten Pausendauer zu bestimmen, an welchen Stellen der Sprecher neue
Themen beginnt. Die Untersuchung, ob diese Idee zu verwertbaren Ergebnissen führt, insbesondere
bei den vorliegenden Daten, ist ein Hauptbestandteil dieser Arbeit.
¦
70