Sprachliche Mensch-Maschine-Kommunikation

110 8. Verarbeitung von Sprachsignalen
z.B. im Experiment 8.1) in Wirklichkeit nur gemittelte Spektren mehrerer
gleichlanger Teilaufnahmen, für die die Berechnung einer DFT in akzeptabler
Zeit machbar ist.
8.2.2 Kurzzeitspektrum
Um Sprache zu erkennen, bietet es sich also an, statt eines Langzeitspektrums
viele aufeinanderfolgende Kurzzeitspektren zu berechnen, von denen
jedes einem Laut entspricht. Da wir zu der Zeit, zu der wir entscheiden
müssen, auf welchen Teilen eines Signals ein Kurzzeitspektrum berechnet
wird, ja noch gar nicht wissen, wo ein Laut anfängt und wo die Grenze zum
nachfolgenden Laut ist, müssen wir also anders vorgehen. Die erste Idee, im
Signal nach stationären Teilen zu suchen ist relativ schwierig umzusetzen.
Aus der reinen Wellenform des Signals ist es zwar möglich, bestimmte grobe
Strukturen wie Sprache / Stille, oder stimmhaft / stimmlos zu erkennen,
aber die Auftrennung in einzelne Laute ist nicht sinnvoll machbar. Als
Alternative drängt sich die Methode auf, einfach in regelmäßigen kurzen
Zeitintervallen ein neues Spektrum zu berechnen. Wenn diese Intervalle
genügend kurz sind – z.B. kürzer als der zu erwartende kürzeste Laut – dann
können wir davon ausgehen, daß jeder Laut aus mehreren hintereinander
liegenden ähnlichen Kurzzeitspektren besteht.
Mit Framerate wird üblicherweise der zeitliche Abstand einzelner Kurzzeitspektren
bezeichnet. Jedes einzelne Spektrum wird auf einem kleinen
Zeitrahmen (Frame) berechnet. Bevor wir uns für einen bestimmten regelmäßigen
Abstand entscheiden, könnte ein Blick auf die durchschnittlichen
Längen einzelner Laute hilfreich sein. Eine Längenstatistik für Laute des
amerikanischen Englisch ist in Tab. 8.2 dargestellt (die Werte wurden mit
einem Erkenner, der nicht alle IPA-Laute kannte, ermittelt, daher die nicht
1:1 Abbildung von IPA-Symbolen zu Lauten). Die kürzesten Laute nehmen
im Schnitt ca. 40 Millisekunden Zeit in Anspruch. Die längsten haben
einen Schnitt von einer achtel Sekunde. Selbstverständlich kommen in der
natürlichen Sprache auch Laute vor, die signifikant kürzer sind als 40 ms,
und es ist auch problemlos möglich, einzelne Laute mehrere Sekunden lang
anzuhalten. Dennoch ist es sinnvoll, alle 10 ms ein neues Spektrum zu
berechnen. Dann kann man davon ausgehen, daß selbst die kürzesten Laute
im Schnitt aus einigen wenigen Kurzzeitspektren zusammengebaut werden
können. Die meisten Spracherkenner verwenden daher auch Frameraten von
ca. 10 ms. Unter Umständen kann eine dynamische Variation dieses Wertes
sinnvoll sein, zum Beispiel um variierende Sprechgeschwindigkeiten etwas
auszugleichen oder auch um in relativ stationären Teilen dadurch Rechenzeit
einzusparen, daß weniger Frames berechnet werden.