Sprachliche Mensch-Maschine-Kommunikation

8.5 Einfache Signalnormalisierungen 123
Spracherkennungsprozeß als eine Art Normierung ansehen. So weit wollen
wir aber nicht gehen. Wenn wir hier von Normierung reden, dann meinen
wir damit die Transformation des Signals, so daß die Variabilität abnimmt
und die Parameter des Erkennungssystems besser geschätzt werden können,
bzw. daß weniger Parameter für die gleiche Klassifikationsleistung benötigt
werden. Eine sehr einfache Normierung, die man leicht als sinnvoll ansieht,
ist die Normierung der Lautstärke. Eine Wortfolge bleibt sicher dieselbe,
unabhängig davon wie der Mikrophonverstärker eingestellt ist. Wozu sollte
man also dem Erkenner die ” Mühe“ machen, Darstellung der gleichen Laute
für verschiedene Lautstärken lernen zu müssen. Einige Normierungsverfahren
können schon auf dem reinen Signal durchgeführt werden, andere verwenden
Wissen über die Lautfolge und greifen erst viel später im Erkennungsprozeß.
8.5.1 Offsetnachführung
Je nachdem, auf welche Art das Sprachsignal weiter verarbeitet wird, kann
es durchaus schädlich sein, wenn die ” Nullinie“ nicht bei null sondern
irgendwo daneben liegt. Bei vielen A/D Wandlern kann es vorkommen, daß,
selbst wenn gar kein Signal anliegt, ein Wert ungleich null geliefert wird.
Dieser Wert wird als Offset des A/D Wandlers bezeichnet. Insbesondere
wenn die Energie eines Signals berechnet werden soll, kann das Ergebnis
durch einen Offset stark verfälscht werden. Daher ist es sinnvoll, bei einer
Sprachaufnahme den Durchschnittswert aller Abtastwerte zu berechnen
und diesen von allen Werten zu subtrahieren. Um einer schleichenden
Wanderung des Offsets entgegenzuwirken, sollte dies sogar auf jedem
ausreichend langen Teilstück einer Aufnahme gemacht werden. Wenn wir
davon ausgehen, daß die kleinste Informationstragende Frequenz in einer
Sprachaufnahme nicht unter 10 Hz liegt, dann kann der Offset auf Abschnitten
der Länge 1/10 Sekunde jeweils neu geschätzt und so nachgeführt werden.
Einen vergleichbaren Effekt kann man dadurch erzielen, daß man statt
des aufgezeichneten Signals dessen Ableitung verwendet. In der Regel ist der
Unterschied zwischen einem Sprachsignal und dessen Ableitung nicht hörbar.
Nimmt man an, daß das Signal als Superposition mehrerer Sinus-Funktionen
mit verschiedenen Frequenzen und Phasen entseht, dann ist die Ableitung
davon wieder einer Superposition von den gleichen Sinus-Funktionen mit
denselben Frequenzen nur mit anderen Phasen. Da aber nach allgemeiner
Einschätzung das Phasenspektrum keine Rolle bei der Erkennung von Sprache
spielt, enthält das abgeleitete Signal alle relevanten Informationen, ist
aber mittelwert- bzw. offset-bereinigt.