Sprachliche Mensch-Maschine-Kommunikation

8. Verarbeitung von Sprachsignalen
Sprachsignale werden typischerweise als diskrete Abtastfolgen von Spannungsverläufen,
die an einem Mikrophon durch Änderungen des umgebenden
Schalldrucks bzw. der Schallschnelle anliegen, dargestellt. Die Spannungsverläufe
werden von einem Analog-Digital-Wandler zu diskreten Zeitpunkten
quantisiert und als diskretes Signal mit endlichem Wertebereich ausgegeben.
Die wichtigsten Parameter der Analog-Digital-Wandlung sind die Abtastfrequenz
und die Auflösung. Typische Werte sind 16kHz und 16 bit.
8.1 Eigenschaften des Signals im Zeitbereich
Die Darstellung eines abgetasteten Sprachsignals als Kurve hat vermutlich
jeder Leser schon einmal gesehen (zum Beispiel Abb. 2.3). Schon beim Anblick
einer solchen Darstellung des Signals im Zeitbereich erscheint es dem
Betrachter sehr schwierig, damit gesprochene Sprache zu erkennen. Betrachten
wir zunächst einige leicht erkennbare Eigenschaften. Wenn die horizontale
Auflösung der Darstellung nicht ausreicht, um jeden Abtastwert einzeln anzuzeigen,
erkennt man meist nur die sogenannte Einhüllende (engl.: envelope).
Diese ist stark korreliert mit der Energie des Signals. Meist kann man an
dieser Einhüllenden ziemlich leicht erkennen, in welchen Zeitbereichen des
Signals gesprochen wurde. Umgekehrt ist das in der Regel nicht so einfach.
Dort, wo die Einhüllende nicht nennenswert von der Nullinie abweicht, kann
trotzdem Sprache vorliegen, dann aber meist solche Teile, die nicht stimmhafte
Laute enthalten. Abb. 8.1 stellt zwei Signale gegenüber. Das linke ist
ein Ausschnitt aus einer Aufnahme eines stimmhaften Lauts, in dem deutlich
eine Regelmäßigkeit zu erkennen ist. Auf den ersten Blick wird das Signal aus
nur wenigen einzelnen Wellen zusammengesetzt. Auf der Rechten Seite der
Abbildung ist die Aufnahme eines stimmlosen Lauts zu sehen. Hier ist keine
Ordnung zu erkennen. In der Tat lassen sich stimmlose Frikative wie zum
Beispiel ein [s] auch sehr gut durch einfaches weißes Rauschen synthetisieren.