Sprachliche Mensch-Maschine-Kommunikation

Abb. 8.7. Spektrogramm der Wortfolge ” eins zwei drei“
8.2 Spektralranalyse 115
– zumindest nicht nur – darauf zurück, daß sie für jedes Kurzzeitspektrum
erkennen können, von welchem Laut es stammt, sondern vielmehr darauf,
daß sie eine herausragende Kombinationsgabe besitzen, ähnlich wie bei
Menschen, die Texte lesen können, bei denen von jeder Zeile die obere Hälfte
oder gar noch mehr verdeckt ist.
8.2.4 Filterbänke
Wie in Abs. 4.2 beschrieben, ist die Empfindlichkeit des Ohres unterschiedlich
für verschiedene Frequenzen. Das menschliche Ohr hat eine feinere
Auflösung für niedrigere Frequenzen. So liegt es nahe, anzunehmen, daß
diejenigen Frequenzbereiche, die das Ohr schlechter auflöst, auch weniger
wichtig für die Erkennung von Sprachlauten sind. Zumindest würde man
erwarten, daß eine Signalverarbeitung, die das Verhalten des Ohres in dieser
Beziehung nachahmt, dadurch eher Vorteile als Nachteile für die Erkennungsgenauigkeit
hat. Die übliche diskrete n-Punkt-Fouriertransformierte
liefert n + 1 diskrete Werte, wobei der 0-te Wert der Frequenz ω = 0 (dem
durchschnittlichen Abstand des Signals von der Zeitachse) entspricht und
der i-te Wert der Frequenz ωs n
2i mit ωs als Abtastrate. Zweifellos ist es bei
einer durchaus typischen 256-Punkt-DFT äußerst unwahrscheinlich, daß zwei
Laute darin unterschieden werden können, daß ein ganz bestimmter Punk
einen ganz bestimmten Wert hat. Vielmehr sind Laute daran zu erkennen,
daß bestimmte Punktbereiche in bestimmten Wertebereichen liegen. Eine
Auflösung von 256 Punkten enthält zwar viel Information, vieles davon ist
aber entweder redundant oder zumindest irrelevant. Wünschenswert wäre
eine Transformation, die die 256 Koeffizienten in wesentlich weniger wandelt
und dabei die für die Erkennung wichtigen Inhalte beibehält.
Bei der Kompression von Videos und Bildern mit Hilfe der JPEG und
MPEG Verfahren werden unter anderem dadurch Daten eingespart, daß