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

4.1. PAUSENBASIERTE SEGMENTIERUNG (PBS) 71
Es soll jetzt ein erstes Verfahren zur Segmentierung eines Sprachsignals vorgestellt werden. Es
beruht darauf, das Sprachsignal in Segmente aufzuteilen, die Sprache enthalten, und solche, die
Sprachpausen beinhalten. Die jeweiligen Segmente bestehen in der Regel aus mehreren Frames.
In den Pausen-Segmenten muß nicht völlige Stille herrschen. Sie können allerlei Hintergrundgeräusche
enthalten. Hierin besteht auch eine Schwierigkeit bei der Klassifikation und Zuweisung
der Frames zu den entsprechenden Segmenten. Wie in der Einleitung zu diesem Kapitel angedeutet
wurde, wird zur Klassifikation der Frames des Sprachsignals die short-term energy und
die short-term zero crossing rate herangezogen. Mit Hilfe der Energie-Werte werden Bereiche
lokalisiert, die stimmhafte Laute beinhalten. Die Nulldurchgangsrate dient dazu, Bereiche mit
stimmlosen Lauten zu identifizieren. Ein Merkmal stimmloser Laute ist, daß die zu ihnen korres-
¡
¥ pondierende hoch ist, da sie in der Regel einen hohen Rauschanteil enthalten. Leider kann
¨
das Sprachsignal insgesamt sehr verrauscht sein. Dies kann zum einen durch die Aufnahmetechnik
bedingt sein, zum anderen aber auch durch Hintergrundgeräusche wie beispielsweise
¡
laute Lüfter. Unter Umständen ist es bei ¨ ¥ einer hohen schwierig zu entscheiden, ob nun
ein stimmloser Laut oder einfach nur Hintergrundrauschen vorliegt. Ein möglicher Ansatz zum
Umgang mit diesem Problem wird im Laufe dieses Abschnitts vorgestellt.
Die Identifizierung von Sprachsegmenten entspricht dem klassischen Problem der Endpunkt-
Detektion innerhalb der Sprachverarbeitung. Zu diesem Thema gibt es eine Vielzahl von
Arbeiten. Im Rahmen dieser Arbeit wurde ein Algorithmus verwendet, der von LAMEL ET. AL
[20] stammt und von ARONS [2] modifiziert wurde. Dieser Algorithmus zur Endpunkt-Detektion
wurde ursprünglich für Aufnahmen von Telefongesprächen entwickelt. Das Telefonsignal ist im
allgemeinen mehr oder weniger stark verrauscht. Ein Algorithmus, der für solche Signale gute
Ergebnisse erzielt, sollte auch für den Einsatz bei aufgezeichneten Vorlesungen geeignet sein,
da es auch hier durch die Aufnahmetechnik oder durch Hintergrundgeräusche bedingt, zu einem
starkem Rauschanteil im aufgezeichneten Signal kommen kann.
4.1.1 Der Pausen-Detektions-Algorithmus
Im folgenden soll der verwendete Algorithmus genauer erläutert werden, der eine leicht modifizierte
Version des in [2] (Kap. 5.9.3) verwendeten Algorithmus ist, welcher wiederum eine
modifizierte Version des oben genannten Ansatzes von LAMEL ET. AL darstellt. Die vorgestellte
Technik arbeitet laut den Autoren unter einer Vielzahl von Umgebungsbedingungen. Die Autoren
zeichneten Sprache in einer Büroumgebung mit Lüftergeräuschen von Computern und Vorträge
in Vorlesungssäalen mit über 40 Studenten auf und behaupten, daß diese Aufnahmen erfolgreich
mit ihrer Methode in Sprache und Hintergrundgeräusche segmentiert wurden.
Abbildung 4.1 zeigt die schematische Darstellung des pausenbasierten Segmentierungsverfahrens.
Bei diesem Ansatz werden die durch einen Windowing-Prozeß erzeugten Frames, die sich nicht
überlappen, mehrere Male durchlaufen. Jeder Frame hat eine Länge
¢
von und wurde mit
Hilfe eines Rechteck-Fensters aus dem Sprachsignal ausgeschnitten. Im ersten Schritt werden
short-term energy und short-term zero crossing rate für jeden dieser Frames bestimmt. Um
den Level der Hintergrundgeräusche zu bestimmen, wird ein Histogramm der Energie-Werte be-