Sprachliche Mensch-Maschine-Kommunikation

422 26. Zusätzliche Modalitäten
26.2 Sprecherlokalisierung
In Szenarien, in denen Maschinen für die Perzeption menschlicher Kommunikation
eingesetzt werden – unabhängig davon, ob für Mensch-Mensch- oder
Mensch-Maschine-Kommunikation – kommt es oft vor, daß die räumliche
Position eines Sprechers von Bedeutung ist. So ist es zum Beispiel für das
Erzeugen einer Zusammenfassung einer Besprechung wichtig festzuhalten,
von welchem Sprecher was gesagt wurde. Auch wenn dem System die Sprecher
nicht bekannt sind, so kann es dennoch jedem Besprechungsteilnehmer
einen virtuellen Namen zuordnen. Wenn keine zusätzlichen perzeptiven
Möglichkeiten über im Raum installierte Kameras existieren, dann besteht
eine Person für das System aus einer Stimme und einer Position. Personen
könnte man sicher auch über den Inhalt dessen, was sie sagen, identifizieren.
Sicherer aber geht es indem man entweder die Stimme analysiert, was in
der Komplexität vergleichbar aufwendig ist, wie die Erkennung der Sprache
selbst, oder man stellt den Ort des Schallquelle fest, von der aus das gerade
Gesagte kommt.
26.2.1 Akustisch
Wenn zur Aufnahme eines Sprachsignals mehr als ein Mikrophon verwendet
wird, kann man auf die Position der Quelle des Signals Rückschlüsse ziehen.
Betrachten wir die stereophone Aufnahme eines Signals. Jedes der beiden
Mikrophone ist mit einem eigenen Eingang eines Mehrkanal-Analog-Digital-
Wandlers verbunden. Die Verwendung eines solchen Wandlers ist nötig, um
eine exakte zeitliche Zuordnung der einzelnen Abtastwerte aus verschiedenen
Kanälen zu ermöglichen. Nehmen wir der Einfachheit halber an, die
Aufnahmevorrichtung, das heißt die beiden Mikrophone und die Schallquelle,
befinden sich in der selben Ebene. Das erste Mikrophon liefert die Abtastwerte
X1 = (x1[1], x1[2], . . .x1[n]) und das zweite Mikrophon die Werte
X2 = (x2[1], x2[2], . . . x2[n]). Nehmen wir außerdem an, daß die Schallwellen,
die bei den beiden Mikrophonen ankommen, sich nur unwesentlich voneinander
unterscheiden, und daß der Hauptunterschied der zeitliche Versatz ist,
also das der Schallquelle nähere Mikrophon die Welle zuerst mißt bevor diese
auf das entferntere Mikrophon trifft. Wenn die beiden gemessenen Signale
ausreichend ähnlich
sind, kann man mit Hilfe der Korrelation den Zeitversatz
d = argmaxd x1[i]·x2[i−d] messen. Bei einer Abtastrate von r Hz bedeutet
ein Zeitversatz von m Abtastwerten einen Laufzeitunterschied von r · m Sekunden.
Bei einer Aufnahme mit für die Spracherkennung typischen 16 kHz
kann also der Laufzeitunterschied mit einer Genauigkeit von ca. 1/16000 Sekunde
gemessen werden. Wenn nun noch die Schallgeschwindigkeit c bekannt
ist, dann läßt sich daraus der Distanzunterschied der Schallquelle zu den
beiden Mikrophonen berechnen: