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

5.3. EMPHASIS-DETECTION-BASIERTE SEGMENTIERUNG 95
Fazit
Das pausenbasierte Segmentierungsverfahren führt nicht zu einem befriedigenden Ergebnis. Vor
allen Dingen die geringe Präzision bei der Erkennung von Topic Beginnings macht das Verfahren
insbesondere für die untersuchte Art von Sprachdateien unbrauchbar. Zudem hängen die
Segmentierungsergebnisse, hingegen der Erwartung, doch von der Aufnahmequalität ab. (Der
Algorithmus läßt sich aber leicht verbessern, indem aus der bimodalen Verteilung im Energie-
Histogramm beide Peaks ermittelt werden, die Distanz berechnet und dann anschließend der
Schwellwert in Abhängigkeit der zuvor berechneten Distanz ermittelt wird.) Die oben genannten
Situationen (Live-Charakter der Vorlesung, Aktionen am Whiteboard und disfluencies) lassen
sich bei dieser Art von Aufzeichnungen nicht vermeiden und führen bei diesem Segmentierungsverfahren
zu schlechten Resultaten.
In Anhang B werden Segmentierungsergebnisse präsentiert, die auf Nachrichtensendungen aus
dem Radio basieren. Sowohl Recall- als auch Precision-Werte sind bei diesen Sprachdateien
sehr viel höher. Dies liegt vor allen Dingen daran, daß die Sprecher einheitlich lange Pausen
einlegen und sich nur sehr selten versprechen. Es zeigt sich deutlich, daß das Verfahren auf einer
bestimmten Klasse von Sprachdateien durchaus zu guten Ergebnissen führen kann.
5.3 Emphasis-Detection-basierte Segmentierung
Dieser Abschnitt beschäftigt sich mit der Evaluation des pitchbasierten Verfahrens EDBS (vergleiche
4.2). Für die Evaluation wurden die selben Sprachdateien verwendet wie im vorhergehenden
Abschnitt. Das Verfahren wurde zunächst mit verschiedenen Fensterlängen ( ,¦, ¨
, ¦ , £ ¥
und und unterschiedlichen Pitch-Schwellwerten
¢ £¤
(
¤
,
¤
, ¥
¤
und £ ¤
) getestet.
Es stellte sich heraus, daß es sehr schwierig ist, eine geeignete Berechnungsvorschrift für Recall
und Precision zu finden, insbesondere für Fensterlängen
,¦ ¦. Dieses Problem wurde bereits
im Abschnitt 5.1 angedeutet.
¨©¤
STIFELMAN definiert bei ihrer Untersuchung einen Hit als einen Index, der irgendwo in der Einleitungsphrase
eines Topic Beginning liegt [35]. Durch Anhören der Sprachdatei ist dann leicht
zu entscheiden, wo der dazugehörige Satz beginnt. Wenn keine semantische Information vorliegt,
ist dies automatisch nicht so einfach festzustellen. Warum dies so ist, wurde im Abschnitt 5.2.2
deutlich. Aufgrund ihrer Meßmethode kam STIFELMAN auf eine Precision von £¦¤
und einen
von¦ ¥
¤
Recall . Leider ging aus dieser Veröffentlichung nicht klar hervor, wie beispielsweise
False Alarms ermittelt wurden. Es wurde auch nicht deutlich, wie mit dem Fall umgegangen
wurde, daß mehr als eine Betonung innerhalb eines Satzes vorkam.
Aufgrund der Tatsache, daß die Ermittlung der Satzgrenzen sehr schwierig ist, insbesondere
bei den in dieser Arbeit untersuchten Sprachdateien, wurde für die Evaluation ein wesentlich
strengeres Maß angelegt. Eine Folge davon war, daß Fensterlängen nicht ¨ weiter untersucht
wurden. Die Sprachdateien wurden folglich nur mit den Fensterlängen ¤ ¦ ¨
¦©
und
¨
den Pitch-Schwellwerten ©
¤
¡ ¨
¨
¤ £ ¤§©
untersucht.
¤
¤ ¦ ¤ ¥