Sprachliche Mensch-Maschine-Kommunikation

11. Erkennung dynamischer Sprachsignale
Sprache ist ein sehr dynamischer Prozeß. Viele Laute hören sich nur im
Kontext so an, wie man das erwartet. Selbst wenn wir unsere eigene Stimme
aufnehmen und ein Kurzzeitspektrum berechnen und diesen Bereich immer
wieder abspielen erkennen wir uns meist selbst nicht darin. Ein aus einer
Aufnahme herausgeschnittener Vokal hört sich plötzlich wie das Brummen
eines Automotors an, Konsonanten verschwinden komplett und ähnliche
Beobachtungen können leicht gemacht werden. Das kann sogar so weit
gehen, daß drei verschiedene geübte Akustiker in dem gleichen Stückchen
Sprachaufnahme völlig verschiede Wörter, ja sogar Zwei- oder Dreiwortfolgen
zu hören glauben.
Erst das Hintereinanderabspielen aller kleinen Spracheinheiten läßt
das Phänomen Sprache entstehen. Daher sind nur auf die Klassifikation
statischer Sprachstückchen basierende Erkenner nie über das Erkennen
einzelner Phoneme hinausgekommen.
Abb. 11.1. Zwei Spektrogramme zweier Aufnahmen des Wortes ” sieben“
In Abb. 11.1 sind zwei Spektrogramme dargestellt. In beiden Aufnahmen
wurde das Wort ” sieben“ gesprochen. Wenn eine der Aufnahme eine Referenzaufnahme
wäre und die andere mit dieser bei der Klassifikation verglichen
würde, müßten nicht nur Distanzen zwischen einzelnen Kurzzeitspektren
berechnet werden sondern auch noch bestimmt werden, welche Spektren aus
der einen Aufnahme mit welchen aus der anderen verglichen werden sollen.