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