AIPUK

INSTITUT FÜR PHONETIK UND
DIGITALE SPRACHVERARBEITUNG
UNIVERSITÄT KIEL
Arbeitsberichte
(AIPUK)
herausgegeben von
K. J. Kohler
Nr. 33 November 1998

Arbeitsberichte des Instituts für Phonetik und digitale Sprachverarbeitung
Herausgeber: K.J. Kohler ISSN 0172–8156
32 1997 The Kiel Corpus of Read/Spontaneous Speech: Acoustic data base, processing tools
and analysis results (A.P. Simpson, K.J. Kohler, T. Rettstadt, eds.)
31 1996 Sound Patterns of Connected Speech. Description, Models and Explanation
(A.P. Simpson, M. Pätzold, eds.)
30 1996 Sound Patterns in Spontaneous Speech (K.J. Kohler, C. Rehor, A. Simpson)
29 1995 From Scenario to Segment. The Controlled Elicitation, Transcription, Segmentation
and Labelling of Spontaneous Speech (K.J. Kohler, M. Pätzold, A. Simpson)
28 1994 Lexica of the Kiel PHONDAT Corpus, Read Speech, Vol. II (K.J. Kohler)
27 1994 Lexica of the Kiel PHONDAT Corpus, Read Speech, Vol. I (K.J. Kohler)
26 1992 Phonetisch-Akustische Datenbasis des Hochdeutschen (K.J. Kohler, ed.)
25 1991 Studies in German Intonation (K.J. Kohler, ed.)
24 1990 Testverfahren zur Erfassung der sprachlichen Hörfähigkeit und ihrer Langzeitveränderung
bei Hörgeschädigten (K. Kliem)
23 1986 Phonetische Forschung in der Niederdeutschen Dialektologie (K.J. Kohler, R. Tödter,
M. Weinhold)
22 1986 Speech Rate. Final Report on a Research Project (Ch.E. Hoequist, K.J. Kohler,
K. Schäfer-Vincent)
21 1984 Größere Forschungsprojekte im Institut für Phonetik der Universität Kiel. Zwischenund
Abschlußberichte (W.J. Barry, W.A. van Dommelen, Ch.E. Hoequist, K.J. Kohler,
R. Tödter)
20 1983 Studies in Speech Timing (K.J. Kohler, Ch.E. Hoequist)
19 1982 Experimentelle Untersuchungen von Zeitstrukturen im Deutschen (K.J. Kohler,
K. Schäfer-Vincent, G. Timmermann)
18 1982 Phonetic Data Processing at Kiel University. Developments and Applications
(W.J. Barry, W.A. van Dommelen, H. Janßen, K.J. Kohler, K. Schäfer, W. Thon,
G. Timmermann)
17 1982 Experimentelle Untersuchungen zur Lautdauer im Hoch- und Niederdeutschen
(W.J. Barry, K.J. Kohler)
16 1981 Beiträge zur experimentellen und angewandten Phonetik (W.J. Barry, K.J. Kohler, ed.)
15 1981 Aspects of the Speech Pause: Phonetic Correlates and Communicative Functions
(A. Butcher)
14 1981 Die Merkmalpaare stimmhaft/stimmlos und fortis/lenis in der Konsonantenproduktion
und -perzeption des heutigen Standard-Französisch (K.J. Kohler, W.A. van Dommelen,
G. Timmermann)
13 1980 Die Verarbeitung akustischer Information in der lautsprachlichen Wahrnehmung
(W.J. Barry)
12 1979 “Time” in the Production and the Perception of Speech. Report of an Interdisciplinary
Colloquium held in the Phonetics Department of Kiel University, February 22–24,
1979 (W.J. Barry, K.J. Kohler, eds.)
11 1979 Numerische und experimentelle Methoden der linearen Prädiktion zur Datenreduktion
von Sprachsignalen (G. Rathjen). Produktion und Perzeption der Plosive und Frikative
im heutigen Standard-Französisch: wort- und satzphonetische Untersuchungen
(K.J. Kohler, H. Künzel)
10 1978 Phonetische und linguistische Beiträge zur sprachlichen Kommunikation (W.J. Barry,
K.J. Kohler, H. Künzel)
9 1977 Generative Phonologie des Deutschen und des Englischen (K.J. Kohler)
8 1977 Experimentelle Untersuchungen zur Koartikulation und Steuerung im Deutschen —
Experimental Investigation into Coarticulation and Articulatory Control (A. Butcher,
K.J. Kohler, H. Künzel)
7 1977 Ausspracheabweichungen: Eine experimental-phonetische Untersuchung an deutschen
Englischlernenden (W.J. Barry)
6 1976 The Influence of the Native Language on the Perception of Vowel Quality (A. Butcher)
5 1975 Auditive und signalphonetische Untersuchungen zur gesprochenen Sprache im Deutschen
4 1975 Phonetik und Ausspracheunterricht
3 1975 Lautwahrnehmung und Lautproduktion im Englischunterricht für Deutsche (E. Weiher)
2 1974 Eine experimentelle Untersuchung zur Pausenperzeption (H. Künzel)
1 1973 Phonetische Extensionalisierung von Gesprächstypen

Phonetische Datenbanken des
Deutschen in der empirischen
Sprachforschung und der
phonologischen Theoriebildung
Adrian P. Simpson

¡
c 1998 Adrian P. Simpson
All rights reserved.
This report or any part thereof may not be
reproduced in any form without the written
permission of the author ISSN 0172–8156

¢
Vorwort
Nur ein Teil der Form und des Inhalts einer Arbeit ist der Person zuzuschreiben,
die sich Autor/in nennen darf. Diese Schrift ist keine Ausnahme.
Ich möchte den wichtigsten Personen für ihren Anteil an dieser Stelle
danksagen.
Dem Direktor des IPDS, Klaus Kohler, danke ich für seine Unterstützung
sowie für viele fruchtbare Diskussionen, auch dafür, daß wir
phonetisch oft nicht einer Meinung sind. John Kelly und John Local in
York haben mich mit ihrer Begeisterung für Phonetik und Phonologie angesteckt,
meine Augen und Ohren trainiert. Matthias Pätzold sei für die
langen und nicht selten lauten Debatten gedankt, die viele Anregungen
lieferten und mir oft klargemacht haben, daß ich mich gerade auf einem
Holzweg befand. Dem Land Schleswig-Holstein sowie dem Bundesministerium
für Bildung, Wissenschaft, Forschung und Technologie (im Rahmen
des Verbundprokjekts Verbmobil) gilt mein Dank für die Finanzierung
von Personal, die in stundenlanger und mühevoller Kleinstarbeit die Kieler
Datenbasis The Kiel Corpus segmentiert und etikettiert und somit einen
automatischen Zugang auf sinnvolle phonetische und linguistische Weise
überhaupt erst ermöglicht hat.
Schließlich gilt mein größter Dank meiner Frau Gudu, ohne deren Liebe,
Geduld und Unterstützung diese Arbeit ihr Ende nicht gefunden hätte.
Eine frühere Version dieser Arbeit wurde von der Philosophischen Fakultät
der Christian-Albrechts-Universität zu Kiel im Sommersemester 1998 als
Habilitationsschrift angenommen.
Kiel, im November 1998

Für Julie,
die das Licht der Welt nicht erblicken durfte.

Inhaltsverzeichnis
1 Einführung 1
1.1 Ziele . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Gesprochene Datenbanken – ein Überblick . . . . . . . . 4
1.3 Das Problem einer Datenbank . . . . . . . . . . . . . . . 9
2 Das Kiel Corpus 15
2.1 Einleitung . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.2 Inhalte der Sprachsignale . . . . . . . . . . . . . . . . . . 16
2.3 Symbolische Weiterverarbeitung . . . . . . . . . . . . . . 17
2.3.1 Orthographische Version des Signalinhalts . . . . 18
2.3.2 Phonologische Transkription der orthographischen
Version . . . . . . . . . . . . . . . . . . . . 18
2.3.3 Etikettierung und Segmentation . . . . . . . . . . 20
2.4 Erstellung einer Datenbank aus den Etikettierdateien mit
KielDat . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.5 Phonetisch-phonologischer Status der Etikettierung und
Segmentation . . . . . . . . . . . . . . . . . . . . . . . . 29
3 Deutsche Vokale - spontan und gelesen 33
3.1 Einleitung . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.2 Phonologie der deutschen Vokale . . . . . . . . . . . . . . 34
3.3 Andere Studien zur akustischen Ausprägung des hochdeutschen
Vokalismus . . . . . . . . . . . . . . . . . . . . 37
3.4 Probleme bei der Messung von Vokalsystemen . . . . . . 40
3.4.1 Phonologische und phonetische Vokale . . . . . . 40
3.4.2 Status des Gemessenen . . . . . . . . . . . . . . . 41
vii

viii
3.4.3 Die akustische Charakterisierung von Diphthongen 43
3.5 Daten . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
3.6 Methode . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
3.6.1 Messung der monophthongalen Abschnitte . . . . 48
3.6.2 Messung der diphthongalen Abschnitte . . . . . . 50
3.7 Häufigkeitsverteilung der Einzelvokale . . . . . . . . . . . 52
3.8 Akustische Ausprägung der Einzelvokale . . . . . . . . . 58
3.8.1 Akustische Ausprägung der Monophthonge . . . . 58
3.8.2 Akustische Ausprägung der Diphthonge . . . . . . 64
3.9 Beziehungen zwischen Vokalqualität und Geschlecht,
Dauer, lautlichem Kontext sowie Stil . . . . . . . . . . . . 76
3.9.1 Vokalqualität und Dauer . . . . . . . . . . . . . . 80
3.9.2 Vokalräume, Geschlecht und Korpus . . . . . . . . 89
3.9.3 Vokalqualität und konsonantische Umgebung . . . 94
3.10 Ausblick . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
£
£
£
£
£
4 Phonetik und Phonologie des deutschen 105
4.1 Einleitung . . . . . . . . . . . . . . . . . . . . . . . . . . 105
4.2 Andere Studien zum . . . . . . . . . . . . . . . . . . . . 107
4.2.1 Qualitative Beschreibungen . . . . . . . . . . . . 107
4.2.2 Quantitative Beschreibungen . . . . . . . . . . . . 110
4.3 Phonetische Lautmuster des . . . . . . . . . . . . . . . . 115
4.3.1 Daten und Methode . . . . . . . . . . . . . . . . . 115
4.3.2 Konsonantische Korrelate des . . . . . . . . . . 116
4.3.3 Vokalische Korrelate des . . . . . . . . . . . . . 121
4.3.4 Alternation zwischen vokalischen und konsonantischen
Korrelaten . . . . . . . . . . . . . . . . . 131
4.4 Phonetische und phonologische Erklärung der Lautmuster 132
4.4.1 Zeitliche Überlappung . . . . . . . . . . . . . . . 133
4.4.2 Artikulatorisch-aerodynamische Abläufe . . . . . 137
4.4.3 Phonologische Unterschiede . . . . . . . . . . . . 140
4.4.4 Unentschiedene Fälle . . . . . . . . . . . . . . . . 141
4.4.5 Eigenschaften der phonetischen und phonologischen
Analyse . . . . . . . . . . . . . . . . . . . 144
4.5 Modellierung der Muster . . . . . . . . . . . . . . . . . . 147

ix
¤
5
Wissensbasierte Gewinnung von Steuerparametern für die
Formantsynthese 151
5.1 Einleitung . . . . . . . . . . . . . . . . . . . . . . . . . . 151
5.2 Akustische Analysedaten und die Klatt-Formantsynthese . 154
5.3 Methode . . . . . . . . . . . . . . . . . . . . . . . . . . . 158
5.3.1 Signalanalyse und Formantsortierung . . . . . . . 158
5.3.2 Annotationsunterstützte Überführung der Analysedaten
in Steuersignale . . . . . . . . . . . . . . 158
5.3.3 Glottale Aktivität . . . . . . . . . . . . . . . . . . 159
5.3.4 Plosivlösungen . . . . . . . . . . . . . . . . . . . 164
5.3.5 Frikative . . . . . . . . . . . . . . . . . . . . . . 164
5.4 Ergebnisse von LACS . . . . . . . . . . . . . . . . . . . 166
5.5 Lateral F2 . . . . . . . . . . . . . . . . . . . . . . . . . . 171
5.6 Weiterentwicklungen . . . . . . . . . . . . . . . . . . . . 175
6 Zusammenfassende Diskussion und Ausblick 177
A Texte zum untersuchten Teil des Kiel Corpus 183
A.1 Berliner Sätze . . . . . . . . . . . . . . . . . . . . . . . . 183
A.2 Marburger Sätze . . . . . . . . . . . . . . . . . . . . . . . 187
A.3 Dialog aus dem Kiel Corpus of Spontaneous Speech . . . . 192
B Daten der Sprecher im Kiel Corpus 195
B.1 Sprecher des Kiel Corpus of Read Speech . . . . . . . . . 195
B.2 Sprecher des Kiel Corpus of Spontaneous Speech . . . . . 198
C KielDat-Skript zur automatischen Vokalmessung 201
D Vokalhäufigkeiten im Kiel Corpus of Spontaneous Speech 209
E Formantwerte der Monophthonge 213

§
¦
Abbildungsverzeichnis
¥ ¦ §©¨
§
¥ § § ¦
2.1 Orthographische Teile aus den (a) gelesenen und (b) spontansprachlichen
Teilkorpora . . . . . . . . . . . . . . . . . 19
2.2 Phonemtranskription des Dialogturns von Abb. 2.1(b) in
SAMPA-Notation . . . . . . . . . . . . . . . . . . . . . . 20
2.3 Die Segmentation und Etikettierung des Wortes das . . . . 21
2.4 Die Etikettierung des Wortes irgendwo, das als
realisiert wurde . . . . . . . . . . . . . . . . . . . . . . . 22
2.5 Die Etikettierung des Wortes eigentlich realisiert als 23
2.6 Das Sonagramm und die Etikettierung des Äußerungsabschnittes
nicht zu spät . . . . . . . . . . . . . . . . . . . . 25
2.7 Der Anfang einer Textdatei aus dem Kiel Corpus of Spontaneous
Speech . . . . . . . . . . . . . . . . . . . . . . . 26
2.8 Segmentationen und Etikettierungen der Wörter schönes
und Günther von Sprecher k03 . . . . . . . . . . . . . . . 30
2.9 Sonagramm des Wortes kommen samt Segmentation und
Etikettierung . . . . . . . . . . . . . . . . . . . . . . . . 32
3.1 Sonagramm und Etikettierung des Wortes welches, gesprochen
von einem männlichen Sprecher . . . . . . . . . . . 42
3.2 Die Gewinnung von Meßwerten bei einem Diphthong mit
einer Dauer von 137 ms aus dem Wort Zeit . . . . . . . . . 51
3.3 Relative Häufigkeiten der Vokale im spontansprachlichen
Korpus . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
3.4 Gesamthäufigkeiten in aufsteigender Reihenfolge von allen
Vokaltokens pro Sprecher/in. . . . . . . . . . . . . . . 55
3.5 Vergleich der relativen Vokalhäufigkeiten in Spontan- und
Lesesprache . . . . . . . . . . . . . . . . . . . . . . . . . 57
xi

xii
!#"
3.6 Vergleich der spontanen und lesesprachlichen Vokalsysteme
für Inhaltswörter . . . . . . . . . . . . . . . . . . . . 60
3.7 Probleme bei der Formantbestimmung von hinteren gerundeten
Vokalen anhand von Papiersonagrammen . . . . . . 63
3.8 Häufigkeitsverteilung der dauergruppierten Diphthonge . . 66
3.9 Formantverläufe von weiblichem und männlichem in
Spontansprache . . . . . . . . . . . . . . . . . . . . . . . 68
3.10 Formantverläufe von weiblichem und männlichem in
Spontansprache . . . . . . . . . . . . . . . . . . . . . . . 69
3.11 Formantverläufe von weiblichem und männlichem in
Spontansprache . . . . . . . . . . . . . . . . . . . . . . . 70
3.12 Gleitende Mediane von Vokalformantwerten als Funktion
der Dauer geplottet . . . . . . . . . . . . . . . . . . . . . 82
3.13 Vergleich von weiblichen und männlichen Vokalräumen in
Spontan- und Lesesprache . . . . . . . . . . . . . . . . . 90
3.14 Vergleich der spontan- und lesesprachlichen Vokalräume . 91
3.15 Vergleich der weiblichen und männlichen Vokalräume in
Lesesprache - ohne Normalisierung. . . . . . . . . . . . . 94
3.16 Mediane von vokalischem F1 und F2 geplottet als Funktion
der Vokalkategorie gruppiert nach dem vorangehenden
konsonantischen Kontext (Spontansprache) . . . . . . . . 95
3.17 Mediane von vokalischem F1 und F2 geplottet als Funktion
der Vokalkategorie gruppiert nach dem nachfolgenden
konsonantischen Kontext (Spontansprache) . . . . . . . . 96
3.18 Mediane von vokalischem F1 und F2 geplottet als Funktion
der Vokalkategorie gruppiert nach dem vorangehenden
konsonantischen Kontext (Lesesprache) . . . . . . . . . . 97
3.19 Mediane von vokalischem F1 und F2 geplottet als Funktion
der Vokalkategorie gruppiert nach dem nachfolgenden
konsonantischen Kontext (Lesesprache) . . . . . . . . . . 98
4.1 Oszillogramm, Sonagramm und Annotation eines Auszugs
aus den zusammengeschnittenen Äußerungen des
Wortes fährt der Sprecherinnen k08 und k10 sowie des
Sprechers k09 . . . . . . . . . . . . . . . . . . . . . . . . 116
4.2 Oszillogramme und Sonagramme der zweiten Silbe des
Wortes Eintracht für die Sprecher k08 (weiblich), und k07
(männlich) . . . . . . . . . . . . . . . . . . . . . . . . . . 119

xiii
4.3 Sonagramme und Oszillogramme der vier Produktionen
des Wortes Doris für die Sprecher k07 und k08 . . . . . . 122
4.4 Sonagramme und Oszillogramme des Wortes brennen sowie
zwei Produktionen des Wortes drei, gesprochen von
Sprecher k09 . . . . . . . . . . . . . . . . . . . . . . . . 123
4.5 Sonagramme und Oszillogramme des Wortes begreifen,
gesprochen von zwei Sprecherinnen k08 und k12 . . . . . 124
4.6 Werte für die ersten zwei Formanten des Vokals $£ gemessen
in der Mitte des Vokals . . . . . . . . . . . . . . . . . 126
4.7 Formantwerte der ersten zwei Formanten für die Vorsilbe
ver- . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127
4.8 Die Qualitäten der £ -Diphthonge im Deutschen . . . . . . 129
4.9 Sonagramme und Etikettierungen von konsonantischen
und vokalischen Realisierungen des Wortes fahren von den
Sprechern k07 und k11 . . . . . . . . . . . . . . . . . . . 131
4.10 Schematische Darstellung der Vermischung der phonetischen
Korrelate verschiedener Vokale mit den Korrelaten
des £ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134
4.11 Sonagramme und Etikettierungen der Frikative bzw. Frikativ-£
-Verbindungen aus den Wörtern Bescheid, Schreiben,
fahren und Freitag der Sprecherin k10 . . . . . . . . . . . 136
4.12 Silbenstrukturen für die konsonantische und vokalische
Aussprache des Wortes fahren . . . . . . . . . . . . . . . 142
4.13 Die £ -Vokalisierungsregel im Kontext eines Langvokals
aus Hall (1993) . . . . . . . . . . . . . . . . . . . . . . . 145
%
&
5.1 Der Aufbau der Klatt-Formantsynthese . . . . . . . . . . . 155
5.2 Gegenüberstellung der Analyse- und dynamischen Syntheseparameter
. . . . . . . . . . . . . . . . . . . . . . . 157
5.3 Illustration von verschiedenen Glottisstellungen in der
Äußerung Wir haben ein Abteil extra für uns gesprochen
von k03. . . . . . . . . . . . . . . . . . . . . . . . . . . . 161
5.4 Überführung der Analysedaten in Syntheseparameter für
Knarrstimme und die verschiedenen Korrelate von . . . 163
5.5 Überführung der Analysedaten in Syntheseparameter für
die verschiedenen Korrelate von . . . . . . . . . . . . . 166
5.6 Die Wiederherstellung von Stimmhaftigkeit, illustriert an
der Wortabfolge mal an aus dem Dialogbeitrag g071a000 . 170

xiv
5.7 LPC-Sonagramme von prävokalischen Lateralen in verschiedenen
Vokalkontexten . . . . . . . . . . . . . . . . . 172
5.8 F2-Werte von prävokalischen Lateralen als Funktion der
F2-Werte der darauffolgenden Vokalabschnitte geplottet . . 173
5.9 LPC-Sonagramme von synthetischen Äußerungen mit
prävokalischen Lateralen in verschiedenen Vokalkontexten 174

Tabellenverzeichnis
2.1 Die Felder einer Datenbankzeile für ein Token des Wortes
und . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
')( *(
3.1 Phonemische IPA-Transkription, sowie Darstellungen in
prosodisch phonologischer Notation und SAMPA der
hochdeutschen Monophthonge und Diphthonge zusammen
mit Beispielwörtern. . . . . . . . . . . . . . . . . . . 37
3.2 Ein Auszug aus den Ergebnissen der akustischen Analyse
der Sprecherin JUM aus dem Dialogbeitrag g361a004 . . . 53
3.3 Ergebnisse eines U-Tests für die F2-Werte von und ,
die in den Diagrammen von Abb. 3.6 geplottet sind . . . . 62
3.4 Korrelation von Dauer und Formantwerten für fünf
Lang/Kurzvokalpaare in Inhaltswörtern . . . . . . . . . . 81
3.5 Dauer-Mediane der zehn Vokalkategorien . . . . . . . . . 86
3.6 Durchschnittliche Dauern von Silben, vokalischen und
nichtvokalischen Elementen in Spontan- und Lesesprache . 86
4.1 Beispiele aus Ulbrichs Daten, die die verschiedenen vokalischen
Kategorien illustrieren. . . . . . . . . . . . . . . . 113
4.2 Eine Auswahl an Sätzen aus dem Berliner Satzkorpus gesprochen
von Sprecher k03 zur Illustration von Ulbrichs
Kategorisierung . . . . . . . . . . . . . . . . . . . . . . . 114
4.3 Synthetische Beispiele von unterschiedlichen £ -Vokalen
und £ -losen Vokalen . . . . . . . . . . . . . . . . . . . . . 148
5.1 Die dynamischen Parameter der Klatt-Formantsynthese . . 156
xv

xvi
5.2 Ausschnitt aus den sortierten und annotierten Analysedaten
aus der Mitte des Wortes Mittagessen . . . . . . . . . 160
5.3 Beispiele von LACS-behandelten männlichen Äußerungen
aus den gelesenen und spontansprachlichen Korpora . 168
D.1 Absolute Vokalhäufigkeiten bei den einzelnen Sprechern
im spontansprachlichen Korpus . . . . . . . . . . . . . . . 210
D.2 Relative Vokalhäufigkeiten bei den einzelnen Sprechern
im spontansprachlichen Korpus . . . . . . . . . . . . . . . 211
D.3 Absolute und relative Gesamthäufigkeiten der Einzelvokale
aus Spontan- und Lesesprache . . . . . . . . . . . . . . 212
E.1 Weibliche Formantwerte aus der Lesesprache . . . . . . . 214
E.2 Weibliche Formantwerte aus der Spontansprache . . . . . 215
E.3 Männliche Formantwerte aus der Lesesprache . . . . . . . 216
E.4 Männliche Formantwerte aus der Spontansprache . . . . . 217

Kapitel 1
Einführung
1.1 Ziele
Mit dem Einzug der EDV in die phonetische Sprachverarbeitung wurde im
Prinzip die Möglichkeit geschaffen, große Mengen gesprochener Sprache
schnell zu bearbeiten und automatisch zu analysieren. Am Anfang stand
diesem Ziel jedoch einiges im Wege. Um gesprochene Sprache in ausreichend
hoher Qualität digital darzustellen, werden hohe Anforderungen
sowohl an die Geschwindigkeit als auch an die Speicherkapazität eines
Rechners gestellt. Erst seit etwa zehn Jahren steht der digitalen Verarbeitung
gesprochener Sprache ausreichende Rechnergeschwindigkeit und
Speicherkapazität kostengünstig zur Verfügung. Eine Folge dieser technischen
Entwicklung ist der Aufbau digitaler Datenbanken gesprochener
Sprache.
Die digitale Sammlung und Analyse gesprochener Sprache bietet viele
Vorteile gegenüber älteren analogen Methoden. Die Analyse auf analogen
Tonträgern, wie z.B. Schallplatten oder Tonbändern, ist zeitaufwendig. Relevante
Äußerungen müssen auf dem Tonträger geortet, auf ein weiteres
Gerät (z.B. Sonagraphen) übertragen, Aufzeichnungen gemacht und Messungen
anhand dieser Aufzeichnungen durchgeführt werden. Im digitalen
Bereich können bei entsprechender Aufbereitung des gesprochenen Materials
viele Schritte einer Analyse automatisiert werden. Die Datenmenge,
die bearbeitet werden kann, wird allein durch den Umfang der erfaßten
1

,
,
2 Einführung
+ Daten begrenzt und nicht durch die für die Untersuchung verfügbare Zeit.
In den letzten Jahren haben digital aufbereitete gesprochene Sprachdatenbanken
einen mächtigen Zuwachs erfahren. Die Erhebung wurde und
wird hauptsächlich von industrieller Seite finanziert und zur Entwicklung
kommerzieller Produkte eingesetzt, jedoch wird die Mehrheit dieser Daten
der Öffentlichkeit zur Verfügung gestellt.
Obwohl der heutigen phonetischen Forschung somit gesprochene
Sprache in großer Menge und schnell verarbeitbarer Form zur Verfügung
steht, stellen sich noch zwei grundsätzliche Fragen, was die wissenschaftliche
Verwendbarkeit solcher Daten betrifft:
1. Sind Daten, die für einen anderen Zweck erhoben wurden, für neue
Fragestellungen überhaupt brauchbar?
2. Welche symbolische Aufbereitung – neben der Digitalisierung der
Sprachsignale selbst – müssen die Äußerungen einer Datenbank
erhalten, um sie für die Bearbeitung phonetischer Fragestellungen
überhaupt interessant zu machen?
Diese Arbeit verfolgt mehrere Ziele. Als erstes werden die Inhalte und
die Form des Kiel Corpus of Read/Spontaneous Speech vorgestellt. Danach
soll aufzeigt werden, wie solche Dateninhalte in ihrer Aufbereitung zur
Erforschung verschiedener Fragestellungen herangezogen werden können.
Jedoch sind diese Analysen nicht kleine exemplarische Streifzüge. Es werden
vielmehr drei vollständige Analysen aus den Kernbereichen der deutschen
Phonetik und Phonologie präsentiert, die auf verschiedene Art und
Weise den Umfang, die Inhalte und die Aufbereitung einer gesprochenen
Sprachdatenbank ausnutzen. Der Aufbau der Arbeit ist wie folgt:
Kapitel 1 gibt einen Überblick über zur Zeit erhältliche gesprochene
Sprachdatenbanken. Die Probleme, die die Benutzung von Datenbankmaterial
bereitet, sowie Lösungswege werden diskutiert.
Kapitel 2 beschreibt den Aufbau des Kiel Corpus of Read/Spontaneous
Speech, das als Untersuchungsobjekt in dieser Studie dienen
soll. Die Elizitationsmethoden werden umrissen sowie die verschiedenen
Schritte in der symbolischen Aufbereitung der gewonnenen
Sprachsignale.

,
1.1 Ziele 3
In den Kapiteln 3 bis 5 werden drei Verwendungen des Kiel Corpus
präsentiert, in denen drei ganz unterschiedliche Fragestellungen an
eine Datenbank bearbeitet werden.
Kapitel 3 ist eine Untersuchung des deutschen Vokalismus anhand
von Spontan- und Lesesprache. Dies ist der klassische Einsatz einer
Datenbank. Eine große Menge Sprachdaten wird nach bestimmten
Mustern automatisch durchsucht und analysiert.
Kapitel 4 setzt zum einen die Untersuchung des deutschen Vokalismus
fort, indem es zusätzlich die durch Vokalisierung des £ im
Deutschen entstehenden Vokalqualitäten einbezieht. Zum andern erweitert
es die Fragestellung auf die Realisierung des deutschen £ insgesamt
und präsentiert dessen phonetische Beschreibung und phonlogische
Analyse anhand eines vergleichsweise kleinen Auszugs (6
Sprecher, 600 Sätze) aus dem Kiel Corpus of Read Speech. Statt
automatischer akustischer Analyse stehen die Methoden der impressionistischen
Phonetik im Vordergrund. Die digitale Aufbereitung
der Sprachsignale und ihre verschiedenen symbolischen Aufbereitungen
dienen hauptsächlich dem Auffinden und Zusammenschneiden
von relevanten Äußerungsabschnitten. Das Kapitel schließt
mit der Skizze einer Modellierung von £ -Aussprachemustern in
der regelgesteuerten Formantsynthese als Beitrag zur phonetischphonologischen
Interpretation von Sprachdaten.
Kapitel 5 setzt die in Kapitel 4 anhand eines eng begrenzten phonetischen
Phänomenbereichs begonnene Diskussion in ausgeweiteter
Form fort und beschreibt eine Methode, wie die phonetischen
Korrelate von phonologischen Abstraktionen, ausgedruckt in
Form von Steuerparametern einer Formantsynthese, gewonnen werden
können. Die Ergebnisse einer gewöhnlichen akustischen Analyse
werden automatisch in die Parameter einer Formantsynthese
überführt. In diesem Prozeß dient die symbolische Etikettierung einer
Äußerung als phonetische und linguistische Wissensbasis und
ermöglicht eine intelligente, sprachkategorische Interpretation der
Analyseergebnisse.
Zu einigen Abbildungen und Tabellen sind Hörbeispiele an der folgenden
URL zu finden: www.ipds.uni-kiel.de/examples.html.
Die Signale sind als Windows WAV-Dateien mit einer Amplituden-

4 Einführung
- auflösung von 16 Bit und 16 kHz Abtastung abgelegt. Abbildungen und
Tabellen, die von Hörbeispielen begleitet werden, sind mit gekennzeichnet.
1.2 Gesprochene Datenbanken – ein Überblick
Zur Zeit gibt es digitale Sammlungen gesprochener Sprache, die zusammen
einen Umfang von mehreren Millionen Wörtern haben. Die linguistischen
Aktivitäten reichen vom Vorlesen von Einzelwörtern bis hin zur
freien Spontansprache. Die Signalqualität reicht von hochqualitativen Aufnahmen
in schallbehandelten Räumen bis zur Mobiltelefonqualität.
Dieser Abschnitt gibt anhand einiger Beispiele einen Überblick über
die verschiedenen sprachtechnologischen Bereiche, in denen gesprochene
Sprachdatenbanken entstanden sind, sowie eine Zusammenstellung
von Datenbanken, die ihre Anwendung in der Sprachtechnologie finden
mögen, dennoch nicht zu diesem Zweck primär erhoben wurden.
Der größte Teil der gesprochenen Sprachdatensammlungen wird von
der Industrie bzw. in Zusammenarbeit zwischen Industrie und wissenschaftlichen
Einrichtungen sowie mit staatlicher Förderung erhoben. Diese
Korpora dienen hauptsächlich der Forschung und Entwicklung von
sprachtechnologischen Anwendungen. Kategorisiert nach bestimmten Anwendungsbereichen
werden in den folgenden Beispielen von gesprochenen
Sprachdatenbanken vorgestellt, die vom LDC 1 vertrieben werden und
z.T. auch per Auftrag gesammelt wurden.
Spracherkennung Zur Entwicklung und Evaluation von Spracherkennungsalgorithmen
werden die größten Datenmengen gebraucht. Als
bekannteste Datenbank in diesem Bereich ist TIMIT (Lamel et al.
1986), eine von Texas Instruments und M.I.T. erhobene Datenbank
des amerikanischen Englisch. Die Datensammlung umfaßt 630
Sprecher aus 8 Dialektregionen, die je 10 phonetisch ausbalancierte
Sätze gelesen haben. Die Signale sind qualitativ hochwertig
(16 kHz, 16 bit). Um vergleichbare Korpora in unterschiedlicher Si-
1 Das Linguistic Data Consortium ist ein Verbund aus Universitäten, Industrie und staatlichen
Forschungseinrichtungen, der Sprachdatenbanken (geschrieben und gesprochen), Lexika
und andere Sprachresourcen sammelt und vertreibt. Nähere Information sind unter URL
(4) zu finden.

1.2 Gesprochene Datenbanken – ein Überblick 5
gnalqualität zu erhalten, wurden die TIMIT-Sätze durch verschiedene
Übertragungskanäle geschickt bzw. über andere Kanäle neu aufgenommen.
So bilden beispielsweise die 6300 TIMIT-Äußerungen
nach Übertragung durch verschiedene Telefonleitungen die Korpora
NTIMIT und CTIMIT; HTIMIT hingegen besteht aus TIMIT-Sätzen,
die von 384 Sprechern neu aufgenommen und durch verschiedene
Telefonhörertypen gespielt wurden.
In der Entwicklung eines telefonischen Flugauskunftssystems entstanden
die ATIS-Korpora (‘Air Travel Information System’) (Seneff
et al. 1991). Statt auf das Elizitieren eines bestimmten phonetischen
Inhaltes zu zielen, wie bei TIMIT, sind die ATIS-Daten spontansprachlich
und aufgabenorientiert. Sprecher wurden aufgefordert,
mit der Simulation eines automatischen Auskunftssystems (Hemphill
et al. 1990) bzw. mit einem Prototypen nach Flugauskunft zu
fragen.
Eine ganz andere Anwendung, die die Datenerhebung in einer anderen
Sprechergruppe erforderte, war das Trainieren des SPHINX II
Spracherkennungssystems (Lee et al. 1990) für den Einsatz in einem
Lese-Trainer für Kinder. Das Kids Corpus besteht aus 5180 Äußerungen
von 76 Kindern im Alter zwischen 6 und 11 Jahren.
Sprachsynthese Hauptsächlich der Generierung von intonatorischen Mustern
in Sprachsynthese ist die Erhebung des Boston University Radio
Speech Corpus gewidmet. Sieben Stunden Rundfunknachrichten
gesprochen von drei weiblichen und vier männlichen Rundfunksprechern
wurden über einen Zeitraum von zwei Jahren aufgenommen.
Dieselben Sprecher wurden auch unter Laborbedingungen
beim Vorlesen von insgesamt 24 Geschichten aufgenommen.
Dabei wurden sie aufgefordert die Geschichten zuerst im Nicht-
Rundfunkstil und nach einer Pause von 30 Minuten im Rundfunkstil
vorzulesen.
Sprecherverifikation Der eindeutigen Erkennung einer Stimme als Sicherheitsmaßnahme
(“secure access”) diente die Erhebung des YO-
HO-Korpus. Dieses Korpus besteht aus vorgelesenen Zahlenreihen,
die typisch für Kombinationsschlösser sind. Die Aufnahmen wurden
in einer Büroumgebung gemacht.

6 Einführung
. Sprecheridentifikation Zur Entwicklung von Methoden für die Erkennung
und Überführung eines Täters anhand einer kleinen Sprachprobe
wurde das BRAMSHILL-Korpus ursprünglich mit analoger Technik
(1978–1979) aufgenommen und 1993 nachträglich digitalisiert.
Aufzeichnungen wurden in den Schlafräumen einer Polizeischule
durchgeführt. Beamte wurden aufgenommen, wie sie mit einem Kollegen
in einem Nachbarzimmer telefonierten. Am Anfang jedes Gesprächs
mußten Sprecher sich vorstellen, zehn Sätze vorlesen, und
sich anschließend zehn Minuten lang anhand einer Photosammlung
als Gesprächsvorlage unterhalten. Die Gespräche wurden sowohl im
Raum als auch nach Übertragung durch die Telefonleitung aufgenommen.
Der Sprecheridentifikationsforschung diente auch das SPIDRE-
Korpus. Dieses Korpus ist ein Auszug aus dem riesigen SWITCH-
BOARD-Korpus (Godfrey et al. 1992), das aus 2430 Telefongesprächen
zwischen mehr als 500 Sprechern besteht.
Sprachidentifikation Der automatischen Erkennung einer Sprache ist
das CALLFRIEND-Korpus gewidmet. Hierzu wurden Telefongespräche
zwischen Muttersprachlern von 12 Sprachen aufgezeichnet,
pro Sprache jeweils 60 Gespräche.
Nicht alle Sprachdatensammlungen wurden für ein bestimmtes Ziel erhoben.
So sollte das SWITCHBOARD-Korpus (URL 5) der sprachtechnologischen
Forschung und Entwicklung im Telefonbereich zur Verfügung
stehen. Selbstverständlich konnte auch die Entwicklung bestimmter
sprachtechnologischer Anwendungen auf schon vorhandenen Datenbanken
basieren, die für andere Zwecke erhoben wurden. Hierzu zählt das
Sprachsynthesesystem CHATR (Black und Taylor 1994; Black und Campbell
1995). CHATR ist in seiner Struktur ein generisches 2 Sprachsynthesesystem,
daß tatsächlich gesprochene phon-große Äußerungsabschnitte
aneinanderkettet. Um eine bestimmte Lautkategorie in verschiedenen intonatorischen
und lautlichen Umgebungen zu gewährleisten, müssen viele
Äußerungsabschnitte pro Kategorie und Sprecher vorhanden sein. Die
Erstellung einer CHATR-Synthese für eine Sprache setzt lediglich eine
hinreichende Menge an segmentierten und etikettierten Äußerungen einer
2 Die Grundstruktur ist sprachunabhängig.

1.2 Gesprochene Datenbanken – ein Überblick 7
/
Sprecherin oder eines Sprechers einer Sprache voraus. So basiert beispielsweise
das deutsche CHATR-System auf einer Sprecherin und einem Sprecher
des Kiel Corpus of Read Speech. Ausschlaggebend für CHATR ist
eine hohe Signalqualität sowie eine phonetisch-phonologische Segmentation
und Etikettierung der Signale (siehe hierzu 2.3.3).
Das Kiel Corpus of Read/Spontaneous Speech, das in dieser Studie beschrieben
und analysiert wird, sowie ein Großteil des Bavarian Archive
for Speech Signals (Tillmann et al. 1995; URL 2; Gibbon et al. 1997: 835–
837), wurden im Rahmen mehrerer industriell und staatlich geförderter
Projekte ursprünglich für sprachtechnologische Zwecke erhoben. Sie bestehen
aus gelesenem sowie spontansprachlichem Material 3 und dienten
hauptsächlich der Entwicklung und Evaluation verschiedener Spracherkennungsalgorithmen.
Die symbolische Aufbereitung des spontansprachlichen
Materials lieferte auch Material über Aussprachevarianten für den
Einsatz in der Sprachsynthese. Die Erhebung des gelesenen Materials wurde
1989 im Auftrag einiger Industriepartner begonnen, ein Projekt, das
den Namen PhonDat (Kohler 1992b) erhielt. Im Jahre 1991 wurde dieses
Projekt Teil des von BMFT geförderten ASL-Projekts (“Architecture for
Speech and Language”). ASL-PhonDat fand seine Fortsetzung in einem
weiteren von Industrie und BMFT/BMBF geförderten Projekt zur Konstruktion
eines maschinellen Dolmetschers. Da dieses Gerät Gespräche
zwischen Geschäftsleuten übersetzen soll, ergab sich die Forderung nach
spontansprachlichem Material.
Datenbanken, die hauptsächlich der Grundlagenforschung gewidmet
sind, also nicht primär für Anwendungszwecke erhoben wurden, sind in
ihrer Zahl und ihrem Umfang wesentlich geringer. Dies liegt nicht zuletzt
an finanziellen Gründen. Obwohl die Kosten für das Sammeln und Speichern
gesprochener Sprachdaten nicht unerheblich sind, liegt die Hauptarbeit
in der ausführlichen und sachgemäßen symbolischen Aufbereitung
der gesammelten Daten. Im einfachsten Fall bedeutet dies nichts anderes
als die Anfertigung einer orthographischen Transliteration der erhobenen
Äußerungen. Im Falle einer phonetischen Untersuchung jedoch muß jede
Äußerung eine irgendwie geartete phonetische oder phonologische Transkription
erhalten, die mit dem Sprachsignal synchronisiert wird.
Die folgenden Datenbanken sind vier Beispiele von Datensammlun-
3 Inhalt und Erhebung des Kiel Corpus of Read/Spontaneous Speech werden in Kapitel 2
beschrieben.

8 Einführung
0 gen, die hauptsächlich der Grundlagenforschung dienen sollen:
ANDOSL Die Australian National Database of Spoken Language (URL
1) besteht aus lese- und spontansprachlichem Material von 108 Sprechern
von drei Soziolekten des Australischen Englisch sowie 105
weiteren Sprechern, für die Englisch eine Fremdsprache ist. Das erhobene
Material von jedem Sprecher besteht aus Lese- (19 Wörter
mit % V1 -Struktur sowie 50–200 phonetisch ausbalancierte Sätze)
sowie Spontansprache (Map task-Sitzungen).
Map Task Das HCRC Map Task Corpus (Anderson et al. 1991) ist eine
Sammlung von 128 Dialogen mit einer Gesamtdauer von etwa 18
Stunden. Die Dialogpartner haben jeweils eine einfache Landkarte
erhalten. Auf einer der Karten ist ein Weg eingezeichnet, der der
anderen Person beschrieben werden muß. Außer dem Weg weisen
die Karten auch einige andere Unterschiede auf. Die Namen von bestimmten
Orten auf der Karte, z.B. “Green Bay”, “white cottage”,
sollten trotz des spontansprachlichen Produkts einer solchen Aufgabe
auch bestimmte phonologische Muster gewährleisten.
MARSEC Das Machine Readable Spoken English Corpus (Roach et al.
1994) basiert auf Aufnahmen und Transkriptionen des Spoken English
Corpus (Knowles und Alderson 1995). Die Aufnahmen bestehen
aus etwa 6 Stunden (ca. 55000 Worte) Rundfunkübertragungen.
Die Originalaufnahmen des SEC, die analog auf Tonband erfolgten,
sind im MARSEC digitalisiert, und die verschiedenen phonetischen
und linguistischen Annotationen sind mit den digitalen Signalen
zeitlich synchronisiert.
EUR-ACCOR Die akustisch-artikulatorische Datenbank EUR-ACCOR
(URL 3) ist eine europäisch finanzierte Datensammlung. Je 5 Sprecher
von 7 EU-Sprachen 4 wurden aufgenommen. Probanden haben
einfache Logatome mit VKV-Struktur, echte Wörter, die der Logatomstruktur
ähneln, sowie 14 kurze Sätze, die die wichtigsten satzphonetischen
Prozesse der jeweiligen Sprache illustrieren, gesprochen.
Erfaßt wurden gleichzeitig maximal fünf Signale: Elektropalatogramm,
Laryngogramm, Mikrofonsignal, nasale und orale Luftströmung.
4 Catalan, Englisch, Französisch, Deutsch, Irisches Gälisch, Italienisch und Schwedisch

1.3 Das Problem einer Datenbank 9
Aus dieser noch lange nicht vollständigen Aufstellung von gesprochenen
Sprachdatenbanken wird der erhebliche Umfang sowie die qualitative
und inhaltliche Breite der digital aufbereiteten Datensammlungen deutlich.
Bevor die Daten aus solchen Sammlungen für phonetische Fragestellungen
eingesetzt werden, muß zuerst geklärt werden, ob sie sich überhaupt
für solche Aufgaben eignen.
1.3 Das Problem einer Datenbank
Nachdem einige Sprachdatenbanken beschrieben wurden, bleibt die
grundlegende Frage unbeantwortet, ob solche Datensammlungen für phonetische
Forschungszwecke nützlich sind. Das muß nicht der Fall sein.
Gesprochene Sprachdaten in einem phonetischen Institut im Rahmen eines
Projektauftrages zu erheben und aufzubereiten, heißt nicht, daß diese
Daten auch der phonetischen Forschung von Nutzen sein müssen. In diesem
Abschnitt wird dieses Problem diskutiert, und es wird deutlich, daß
die Antwort auf die Frage der Benutzung von Datenbanken in der phonetischen
Forschung eng mit den Problemen der Untersuchung von Spontansprache
verstrickt ist.
Das Hauptproblem mit Datenbankmaterial ist wie folgt zu beschreiben.
Obwohl eine rechnerverarbeitbare Datensammlung die Möglichkeit bietet,
eine große Menge an Daten schnell zu analysieren, wird vorweg eine
grundlegende Annahme gemacht: eine bestimmte wissenschaftliche Fragestellung
läßt sich an einer vorhandenen Datenbank empirisch erarbeiten
und statistisch auswerten. Eine für die Phonetik und andere Humanwissenschaften
übliche Arbeitsweise wird somit auf den Kopf gestellt; denn
eine Fragestellung geht meist ihrer Datenerhebung voraus. Eine Hypothese
wird aufgestellt, und die Datenerhebung wird der Fragestellung so zugeschnitten,
daß die aufgestellte Hypothese sich statistisch überprüfen läßt.
In diesem Fall ist die Datenerhebung gezielt und kontrolliert. Wird eine
Hypothese an einer schon vorhandenen Datensammlung getestet, können
die vorhandenen Daten nur zufällig die gleichen Bedingungen erfüllen wie
bei einer gezielten Erhebung. Eine Datenbank mag für einen bestimmten
Zweck erhoben worden sein, aber für jede weitere Untersuchung bleibt
sie eine beliebige Datensammlung. Bei einigen Datenbanken, die im Abschnitt
1.2 beschrieben wurden, wird im voraus versucht, die Datensammlung
auf eine möglichst große Palette von Fragestellungen zuzuschneiden.

10 Einführung
Die ANDOSL ist ein gutes Beispiel dieser Vorgehensweise. Die aufgenommenen
Gruppen lassen sich in verschiedene gleich große Untergruppen
aufteilen, nach Geschlecht, Alter, Soziolekt. Es werden zusätzlich von jedem
Sprecher Proben aus einem möglichst breiten Spektrum von linguistischen
Aktivitäten genommen. Dennoch wird eine mit solcher Sorgfalt
erhobene Datenbank eine ganze Reihe von phonetischen Fragen nicht beantworten,
weil bestimmte Phänomene schlecht oder im schlimmsten Fall
gar nicht vertreten sind.
Die Methodologie phonetischer Datenerhebung bietet ein zusätzliches
Problem. Statt wirkliches Sprachmaterial zu untersuchen, wird das phonetische
Verhalten einer Sprache oft an Logatommaterial (z.B. Lindblom
1963; Stevens und House 1963; Öhman 1966) untersucht, um sämtliche
lautlichen Kontexte zu bekommen, die eine Sprache möglicherweise von
sich aus gar nicht anbietet. Es besteht somit eine Riesenkluft zwischen einer
Kontrolle über Sprachsammlung, die bis hin zur Schaffung einer neuen
Sprachrealität (Logatome) reicht, und dem Verlust jeglicher Kontrolle über
das verfügbare Material in Form einer Datenbank.
Es gibt drei Lösungen des geschilderten Datenbankproblems, wobei
die zweite Alternative nur als Ergänzung zur ersten zu sehen ist:
1. Eine technische Entwicklung mag die Erstellung von Datenbanken
möglich gemacht haben. Diese Tatsache macht eine Datenbank aber
nicht notwendigerweise zu einem brauchbaren Forschungsgegenstand.
Deshalb wird auf die Verwendung von Datenbanken verzichtet
und für jede Fragestellung eine gezielte Datenerhebung durchgeführt.
2. Es wird lediglich den Fragen nachgegangen, die sich anhand einer
Datensammlung statistisch so überprüfen lassen, als würden die Daten
gezielt für die Fragestellung gesammelt.
3. Die statistischen Anforderungen an die Daten werden abgeschwächt.
Man begnügt sich mit nichtparametrischen statistischen
Mitteln und geht davon aus, daß die vorhandenen Daten ein bestimmtes
Phänomen nicht lückenlos abdecken können.
Wenn die statistische Überprüfbarkeit oberste Priorität hat, scheint 1,
ergänzt durch 2, die einzige Alternative zu sein. Die Datensammlung und

1.3 Das Problem einer Datenbank 11
2
mehrere Analysen von Crystal und House (1982, 1988a, 1988b, 1990)
sind ein Beispiel. Zwei kleine Prosatexte vorgelesen von 14 Sprechern (12
männlich, 2 weiblich) dienen als Untersuchungsobjekt, um Dauermuster
in zusammenhängender Rede zu beschreiben und modellieren. Es gibt jedoch
zwingende Gründe, die dritte Alternative zu wählen. Diese hängen
einerseits mit der Untersuchung von Spontansprache und zum anderen mit
dem unterschiedlichen Auftreten von bestimmten Phänomenen in Sprache
zusammen.
Die Untersuchung von Spontansprache wirft ähnliche Schwierigkeiten
auf wie die Untersuchung von Datensammlungen, die für andere Zwecke
als ihre ursprüngliche Erhebung eingesetzt werden – sie sind von Anfang
an unkontrolliert und ungezielt. Wird Spontansprache in einer natürlichen
Umgebung mit einem versteckten Mikrophon gewonnen, hat man keine
Kontrolle über Form und Inhalt der aufgenommenen Äußerungen.
Es gibt verschiedene Versuche, Spontansprache kontrolliert zu elizitieren
(Swerts und Collier 1992; Anderson et al. 1991; URL 5; Pätzold
und Simpson 1994). Die kontrollierte Elizitation erzielt eine Sammlung
von Spontansprache mit gleichzeitiger Kontrolle von Inhalt und Form. Ist
die Aufgabe sehr eng definiert, kann eine ähnliche Kontrolle über Form
und Inhalt erreicht werden, wie sie bei vorgelesenen Wörtern und Sätzen
erreicht wird.
Swerts und Collier (1992) beschreiben eine solche Methode, in der
eine Person aufgefordert wird, ein Netzwerk von einfachen Formen (Kreise,
Dreiecke, Vierecke) gefüllt mit verschiedenen Mustern so zu beschreiben,
daß eine zweite Person das Netzwerk allein anhand der Beschreibung
herstellen kann. Die Person muß eine eng definierte Aufgabe ohne jegliche
Vorbereitung und schriftliche Vorlage erledigen. Die Sprache ist daher
spontan bei gleichzeitigem Erhalt von bestimmten Inhalten und Formen.
Um die spontansprachliche Ausprägung bestimmter Phänomene zu
untersuchen, mag die restringierte Methode von Swerts und Collier die
erwünschten Ergebnisse erzielen. Andere spontansprachliche Muster lassen
sich jedoch bei einer solchen Kontrolle nicht untersuchen. Die Untersuchung
des Vokalsystems, das in Kapitel 3 präsentiert wird, und insbesondere
die Häufigkeitsverteilung der einzelnen Vokalkategorien im Abschnitt
3.7 ist ein solches Beispiel. Die Aussagen, die gemacht werden, sollen,
mit bestimmten Einschränkungen, für spontan gesprochenes Deutsch
gelten, und es darf daher keine zu strenge Kontrolle hinsichtlich Form
und Inhalt auferlegt werden. Mit bestimmten Einschränkungen scheint

12 Einführung
die kontrollierte Elizitation in einem Terminabsprache-Szenario (Pätzold
und Simpson 1994) diese Sprachrepräsentativität zu erzielen. Gleichzeitig
wird die strenge Kontrolle über Form und Inhalt geopfert, und es gibt
beispielsweise große Fluktuationen in den Vorkommenshäufigkeiten von
bestimmten sprachlichen Elementen bei den einzelnen Sprechern. Selbst
die Menge an gesprochenem Material, das von den einzelnen Sprechern
gesammelt wurde, weist eine große Variationsbreite auf. Die gesprächigste
Person produzierte mehr als die sechsfache 5 Menge an Sprache als die
schweigsamsten Teilnehmer.
Die Gewinnung von Spontansprache bedeutet also einen Kompromiß
zwischen dem Wunsch nach der Kontrolle, die man von gelesener Laborsprache
gewohnt ist, und der Natürlichkeit von unbeobachteter Spontansprache.
In den meisten Fällen wird Spontansprache daher das gleiche
Grundproblem besitzen, das allgemein für gesprochene Sprachdatenbanken
gilt. Jedoch kann weder die Untersuchung von Spontansprache wegen
ihrer Unkontrollierbarkeit außer acht gelassen werden, noch können Aussagen
über Spontansprache gemacht werden, indem man sich auf gelesene
Daten beschränkt und hofft, daß sich der Weg zur Spontansprache lediglich
aus einer Projektion von Lesesprache bauen läßt. Bestimmte extralinguistische
Phänomene, wie Korrekturen, Turn-taking, Abbrüche, Häsitationen
sind die offensichtlichsten Beispiele von Phänomenen, die im gelesenen
Bereich keine Entsprechung finden. Daß lesesprachliche Phänomene sich
nicht einfach auf spontansprachliches Verhalten extrapolieren oder direkt
übertragen lassen, wie gelegentlich behauptet wird (z.B. Shockey 1974),
läßt sich an einem Beispiel aus dem Englischen illustrieren. Simpson
(1991, 1992) beschreibt eine Art Konsonantendisharmonie in der Spontansprache
einer Sprecherin von Suffolk-Englisch. In bestimmten Silbenketten,
die it und at enthalten, darf nur einmal ein Glottalverschluß auftreten,
z.B. ¥ 354¦6¦73 “make him”, aber ¥ 354¦8¦ “make it”. Um die impressionistischen
Ergebnisse mit instrumentellen Mitteln zu verifizieren, wurde einige
Zeit später dieselbe Sprecherin ins Labor geholt. Sie wurde gebeten, einige
gezielt konstruierte Sätze zu lesen. Zusätzlich zum Mikrophonsignal wurde
sie an den Laryngographen angeschlossen, um direktere Information
über glottale Aktivität zu erhalten. Die Laborsituation provozierte jedoch
eine Annäherung an die Standardsprache. Die Lautmuster des Phänomens,
5 Das Mengenmaß, das hier verwendet wird, ist die Anzahl der gemessenen Vokalabschnitte
pro Sprecher, wie sie aus der Grafik in Abb. 3.4 auf S. 55 abzulesen ist.

1.3 Das Problem einer Datenbank 13
9
das untersucht werden sollte, wichen soweit von der Standardsprache ab,
daß einfache Sätze (z.B. “She’ll look at it at work”) zu sprachlichen Stolpersteinen
wurden, die die Sprecherin in vielen Fällen ohne Abbrüche und
Wiederholungen nicht ausprechen konnte.

14 Einführung

Kapitel 2
Das Kiel Corpus
2.1 Einleitung
Eine Datenbank ist zunächst einmal nichts anderes als eine Sammlung
von irgendwelchen Objekten. Im Falle einer phonetischen Datenbank sind
die Objekte Signale, die während der Sprechens mit verschiedenen Instrumenten
erfaßt werden. Das Kiel Corpus enthält ausschließlich akustische
Sprachsignale, die Luftdruckschwankungen über Zeit darstellen. Eine reine
Sprachsignalkollektion hat für sprachliche Untersuchungen aber wenig
Nutzen. Deshalb enthält das Kiel Corpus zusätzlich zu den Signalen
auch symbolische Darstellungen der phonetischen und linguistischen Inhalte
der Signale. Diese Textdateien stellen den wichtigsten, wenn auch
mengenmäßig kleineren Teil der Datenbank dar. Im einfachsten Fall werden
die erfaßten Äußerungen von einer orthographischen Version begleitet.
So gibt es z.B. zu jedem Dialog aus dem spontansprachlichen Teil des Kiel
Corpus zumindest eine orthographische Transliteration.
Weitere Bearbeitungsschritte liefern immer detailliertere phonetische
und linguistische Information über die Äußerungen. Von besonderer Bedeutung
für phonetische Untersuchungen ist die Herstellung von zeitlichen
Verbindungen zwischen den symbolisch erfaßten metasprachlichen Abstraktionen
und den Sprachsignalen, denn es ist diese zeitliche Verbindung,
die es einem erlaubt, auf die physikalischen Realisierungen von abstrakten
phonetischen und linguistischen Objekten automatisch zuzugreifen und sie
15

16 Das Kiel Corpus
zu
:
analysieren.
In diesem Kapitel werden die Herstellungsschritte des Kiel Corpus
erläutert. Da die Herstellungsschritte der gelesenen und spontansprachlichen
Teile hinreichend dokumentiert sind, wird diese Erläuterung sich
hauptsächlich auf die theoretischen und praktischen Fragen der Herstellung
und Form des Kiel Corpus konzentrieren, die Konsequenzen für
Datenanalysen haben. Eingehende Beschreibungen zur Aufnahmeumgebung,
Weiterverarbeitung im Signalbereich (Filterung, Abtastung, usw.)
sowie Elizitation sind u.a. in Kohler (1992b), Kohler, Pätzold und Simpson
(1995), Pätzold et al. (1995) und Kohler, Pätzold und Simpson (1997)
zu finden.
2.2 Inhalte der Sprachsignale
Die Sprachsignale des Kiel Corpus sind, was ihre Elizitation betrifft, in
zwei Gruppen zu unterteilen:
1. Leseprache
2. Spontansprache.
Die Form der Sprachsignal- und der dazugehörigen Textdateien ist nahezu
identisch, so daß für analytische Zwecke die lese- und spontansprachlichen
Daten gleich behandelt werden können.
Die Sprachsignale des lesesprachlichen Teils des Kiel Corpus wurden
in zwei Aufnahmeschüben gesammelt (Kohler 1992b). Beide Aufnahmen
sollten in erster Linie Sprachmaterial für die Industrie liefern, u.a. für das
Trainieren von automatischen Spracherkennern. Die Texte der ersten Aufnahmen
bestehen sowohl aus kleineren Geschichten (Nordwind und Sonne
und Die Buttergeschichte) als auch aus Sammlungen von kurzen phonetisch
repräsentativen Sätzen 1 (u.a. Sotschek 1976a, 1976b). Im zweiten
Aufnahmeschub lasen Probanden Texte, die auf Verschriftungen von echten
Anfragen bei der Auskunft der Deutschen Bundesbahn basieren.
Der spontansprachliche Teil des Kiel Corpus besteht aus Dialogen, die
ausschließlich aus dem Bereich der Terminplanung stammen. Wie die ge-
1 Dieses Satzkorpus wird für die Untersuchung von Vokalen der Lesesprache in Kapitel 3
verwendet. Orthographische Darstellungen und kanonische IPA-Transkriptionen der Sätzesammlungen
finden sich im A.1 (S. 183) und A.2 (S. 187).

2.3 Symbolische Weiterverabeitung 17
;
lesenen Daten sollten die Dialoge in erster Linie dem Trainieren von Spracherkennern
dienen, die Teil einer automatischen Übersetzungsmaschine
werden sollen (Karger und Wahlster 1994). Die Elizitation der Dialoge
erfolgte durch ein Terminplanungsspiel (Pätzold und Simpson 1994; Kohler
et al. 1995). Teilnehmer mußten mit Hilfe von Kalenderblättern und
Wochenstundenplänen Termine für Geschäftsreisen und dergleichen vereinbaren.
Die Verwendung des Terminus Spontansprache bezieht sich auf
das Produkt von sprachlichem Handeln, das ohne schriftliche Vorlage zur
Lösung einer unmittelbaren kommunikativen Aufgabe entsteht. Diese Definition
ist jedoch nicht mit Natürlichkeit gleichzusetzen, denn die Laborumgebung
sowie die technisch auferlegte Dialogsteuerung schufen eine
ungewohnte kommunikative Situation.
Zur Zeit des Schreibens befindet sich das Kiel Corpus auf vier CD-
ROMs, die auch sämtliche Daten für die Untersuchungen der späteren
Kapitel liefern. IPDS (1994) enthält das gelesene Korpus Kiel Corpus of
Read Speech; das spontansprachliche Korpus Kiel Corpus of Spontaneous
Speech befindet sich auf den drei restlichen CD-ROMs (IPDS 1995, 1996,
1997a). Das gelesene Korpus enthält Texte von 53 Sprechern (26 weiblich,
27 männlich); im spontansprachlichen Korpus sind 42 Sprecher (18 weiblich,
24 männlich) 2 . Das Deutsch dieser 93 Sprecher läßt sich am besten
durch die vereinbarten Vorgaben für die Erhebung des gelesenen Korpus
charakterisieren, die auch in der Erhebung des spontansprachlichen Materials
befolgt wurde: “Es wurde darauf geachtet, daß die Sprecher eine
nicht zu stark regional geprägte Aussprache hatten und keine Sprachanomalien
wie beispielsweise starken Sigmatismus aufwiesen.” (Thon und
van Dommelen 1992, S. 47) Diese Charakterisierung ist negativ und etwas
unscharf. Sie beschreibt jedoch treffend das Deutsch von Sprechern,
das syntaktisch, morphologisch und phonologisch weitestgehend homogen
ist, jedoch in der phonetischen Realisierung verschiedener phonologischer
Elemente die regionale Herkunft verrät.
2.3 Symbolische Weiterverarbeitung
Wie eingangs gesagt wurde, ist eine reine Sprachsignalkollektion für phonetische
oder phonologische Fragestellungen von wenig Interesse. Es muß
symbolische Information über die phonetischen und linguistischen Inhalte
2 Detaillierte Informationen über die Einzelsprecher finden sich in Anhang B.

18 Das Kiel Corpus
der Signale bereitgestellt werden. Durch mehrere manuelle und automatische
Verarbeitungsschritte werden solche Informationen über das Sprachsignal
in einer Textdatei zusammengetragen.
2.3.1 Orthographische Version des Signalinhalts
Die erste Information ist eine orthographische Version des Signalinhalts.
Bei den gelesenen Daten ist die orthographische Darstellung nichts anderes
als die schriftliche Vorlage, die zur Erhebung der Daten verwendet
wird. Bei den spontansprachlichen Daten kann eine Verschriftung erst nach
der Erhebung erfolgen. Die Verschriftung der Dialoge versucht, zusätzlich
zu den lexikalischen und syntaktischen Inhalten, auch spontansprachliche
Aspekte zu erfassen, z.B. Pausen, nichtverbale Geräusche wie das Einund
Ausatmen, Abbrüche, Häsitationen, usw. Hierzu wurden Konventionen
aufgestellt (Kohler et al. 1994, 1995), die u.a. eine relativ schnelle und
dennoch systematische Verschriftung einer großen Anzahl von Dialogen
an verschiedenen Instituten in Deutschland gewährleisten sollten. Abb. 2.1
zeigt orthographische Auszüge aus dem gelesenen sowie aus dem spontansprachlichen
Teilkorpus.
2.3.2 Phonologische Transkription der orthographischen
Version
Aus der orthographischen Version des Signalinhalts wird eine phonemische
Transkription automatisch hergestellt (Kohler 1992a). Diese Herstellung
erfolgt über das Graphem-Phonem-Konvertierungsmodul eines Volltextsprachsynthesesystems
für das Deutsche. Das Phonemsystem 3 besteht
aus 46 Elementen und ist für ein ‘maximales’ Hochdeutsch ausgelegt, in
dem die Vokale in Bären und Beeren unterschieden werden sowie vier
Nasalvokale in französischen Fremdwörtern: Restaurant, Teint, Saison,
Parfum. Drei der Elemente (Q für ¥ , x für ¥ =? und C für ¥ ), haben
nichtphonemischen Status, sie vermeiden aber sowohl das Aufnehmen von
fragwürdigen Grenzphonemen (Moulton 1947) als auch das Hinzufügen
von morphologischer Information (Bloomfield 1930).
3 Kohler, Pätzold und Simpson (1995), S. 25–29, enthält eine vollständige Aufstellung des
Symbolinventars, das im Kiel Corpus verwendet wird.

2.3 Phonologische Transkription der orthographischen Version 19
(a)
Die Buttergeschichte. Es war in Berlin zu einer Zeit, als Lebensmittel
nicht gen}gend vorhanden waren. Vor einem Laden stand bereits um
sieben Uhr eine beachtliche Menschenmenge, denn man hatte dort am
Abend vorher auf einem Schild schon lesen k|nnen, da~ frische Butter
eingetroffen sei. Jeder wu~te, da~ die Butter schnell ausverkauft
sein w}rde und da~ man ganz fr}h kommen m}sse, um noch etwas zu
erhalten. Da das Gesch{ft erst um acht ge|ffnet wurde, stellten sich
die Leute vor der Ladent}r in einer Reihe an. Wer sp{ter kam, mu~te
sich hinten anschlie~en.
(b)
SIK000: Frau Schulze ,

20 Das Kiel Corpus
s: h: f r ’aU S ’U l t s @ s: , g: f y: 6+ d i:+
p l ’a: n U N d E s+ z: Q ’a 6 b aI t s #f r "y: #S t "Y k s Q a n+
Q aI n @ m+ z ’a m s t a: k Q o: d 6+ z ’O n t a: k , :k h:
v: Q E: m v i:+ z ’i: t Q E s+ d E n+ :k d a:+ b aI+
Q i: n @ n+ Q ’aU s ? Q I C+ k 9 n t @+ z: p: Q a m+ p:
f ’Y n f t s e: n t @ n z: Q o: d 6+ z ’E C t s e: n t @ n
j ’a n u: a: 6 s: h: Q o: d 6+ Q a m+
n ’OY n U n t #t s v "a n t s I C s t @ n z: Q o: d 6+
d r ’aI s I C s t @ n z: h: Q o: d 6+ f ’Y n f t @ n Q U n t+
z ’E k s t @ n :k f ’e: b r u: a: 6 . :k
Abbildung 2.2: Phonemtranskription des Dialogturns von Abb. 2.1(b) in
SAMPA-Notation. (Ref.: g256a000)
2.3.3 Etikettierung und Segmentation
Nach der Erstellung der orthographischen Verschriftung sowie einer Phonemtranskription
besteht immer noch eine recht lose Verbindung zwischen
einem Sprachsignal und Einzelheiten über seinen sprachlichen Inhalt. Diese
Verbindung ist nur eine Gemeinsamkeit in den Namen der Dateien, die
jeweils das Sprachsignal bzw. den Text enthalten. Im nächsten entscheidenden
Schritt wird eine enge zeitliche Verknüpfung zwischen abstrakten
phonetischen und linguistischen Objekten und dem Sprachsignal hergestellt.
Aus der Phonemtranskription wird eine Liste von Etiketten gemacht.
Diese Etiketten werden manuell mit Hilfe einer geeigneten Software (IPDS
1997b) an relevanten Stellen im Sprachsignal ausgerichtet. Durch das Setzen
einer Zeitmarke und das Versehen dieser Zeitmarke mit einem Etikett
wird das Sprachsignal segmentiert und etikettiert.
Die Teilung des Sprachsignals wird nach phonetischen Kriterien
durchgeführt. In Abb. 2.3 ist die Segmentation und Etikettierung des Wortes
das zu sehen. Zwischen den ersten beiden vertikalen Strichen ist der
Signalabschnitt, den man mit der Verschlußphase des Plosivs ¥ @ verbindet.
Der Abschnitt wird mit ##d etikettiert 4 . Zwischen dem dritten und
vierten Strich ist ein vokalischer Abschnitt, den man mit $a verbindet. Ab
der vierten Zeitmarke fängt die alveolare Friktion an, die mit $s+ etikettiert
wird.
4 Bei der Erstellung der Etikettenliste werden Objekte aus der Phonemtranskription mit
einem von drei Präfixen versehen: ## für wortinitiale Segmente, $ für wortinterne Segmente
bzw. # für wortexterne Segmente, z.B. Pausen.

2.3 Etikettierung und Segmentation 21
##d $-h $a
$s+
Abbildung 2.3: Die Segmentation und Etikettierung des Wortes das. Vertikale
Striche sind die Zeitmarken, die jeweils den Anfang eines Signalabschnitts
demarkieren. Das Symbol + am Etikett $s+ zeigt, daß das Wort
ein Funktionswort ist. (Ref.: g101a010)
Modifikation und Erweiterung des Etiketteninventars
Die Phonemtranskription, aus der die Etikettenliste gebildet wird, wird
aus einer schriftlichen Vorlage (orthographische Verschriftung) hergestellt.
Um einige phonetische Aspekte einer Äußerung zu erfassen, können die
Etiketten modifiziert bzw. das Etiketteninventar erweitert werden. Bei den
Modifikationen und Erweiterungen handelt es sich fast ausschließlich um
das Hinzufügen von Information. Vier Modifikationen eines Etiketts werden
durchgeführt:
Unsichere Grenze Der Anfang des Signalabschnitts, mit dem ein Etikett
verbunden werden sollte, ist nicht klar abzugrenzen. Dem Etikett wird %
hinzugefügt, um eine “unscharfe” Grenze anzuzeigen, z.B. ##%t.
Tilgung Zu dem Etikett gibt es keinen Signalabschnitt. Das Etikett wird
mit - suffigiert, um eine Tilgung anzuzeigen, z.B. $t-.
Ersetzung Das Signalstück paßt auf ein anderes Etikett als das, das vorgesehen
ist. Ein anderes Etikett wird mittels - hinzugefügt, z.B. $n-m.
Einfügung Es ist ein Signalabschnitt vorhanden, für den kein Etikett vorgesehen
wurde. Ein Etikett wird hinzugefügt. Sein hinzugefügter Status
wird durch ein vorangestelltes - angezeigt, z.B. $-t.

,
§
¦
22 Das Kiel Corpus
¥
¥ A
¥ B ¥ C
¥ ¥ D
vorher nachher
Tilgung ##Q ##Q- nicht mehr vorhanden
Einfügung $-q Vokal wird glottalisiert
$’I6 $’I6
$g $g
Tilgung $@ $@- nicht mehr vorhanden
Ersetzung $n $n-N gefunden statt
Ersetzung $t $t-k gefunden statt
$#v $#v
$"o: $"o:
Abbildung 2.4: Die Etikettierung des Wortes irgendwo, das ¥ ¦ §E¨ B
als
realisiert wurde. Die Liste der Etiketten auf der linken Seite wurde aus
der Phonemtranskription hergestellt. Bei der Ausrichtung der Etiketten am
Signal wurden einige Modifikationen durchgeführt (Etikettenliste rechts).
(Ref.: g071a014)
Abb. 2.4 zeigt die Etiketten des Wortes irgendwo wie sie vor (links) und
nach (rechts) der Etikettierung aussehen bei ¥ ¦ §E¨ BB der Realisierung .
Der monotone Charakter der Modifikationen der Etiketten ist aus diesem
Beispiel klar zu erkennen: alle Änderungen werden ausschließlich durch
das Hinzufügen von Information durchgeführt.
Andere phonetische Aspekte des Signals werden durch eine erweiterte
Verwendung von zwei Etiketten sowie das Hinzufügen von zwei neuen Etiketten
angezeigt. Das Etikett $-h wird verwendet, um die Lösungs- und
eventuellen Aspirationsphasen von Plosiven zu markieren (siehe Abb. 2.3).
Glottalisierung, die statt oder in der Umgebung von Glottalverschlüssen
bzw. anderen Plosiven auftreten kann, wird mit $-q angezeigt. Nasalierung
nach dem Wegfall eines Nasalkonsonanten wird mit $-˜ etikettiert.
Desweiteren wird $-MA verwendet, um auf phonetische Korrelate von getilgten
Etiketten hinzuweisen (näheres hierzu unten in 2.3.3).
Abb. 2.5 zeigt eine spontansprachlich typische Realisierung des §
Wortes
¥ § § ¦ eigentlich als . Hier werden auf einer kleinen Strecke die Modifikationen
und Erweiterungen des Etiketteninventars gut illustriert:
Der velare Plosiv ¥ und der Vokal ¥ A sind nicht vorhanden, daher
die Etikettierung $g- und $@-.

§
,
,
2.3 Etikettierung und Segmentation 23
Abbildung 2.5: Die Etikettierung des Wortes eigentlich realisiert als
§
§ ¦ . (Ref.: g072a004)
¦
¥ §
Nur Nasalität bleibt als Korrelat vom phonologischen Objekt F , daher
die Einfügung des Etiketts $-˜ sowie die “Tilgung” des Etiketts
$n-.
Glottalisierung ist sowohl im anlautenden Vokal ($-q) als auch als
Korrelat von G ($t-q) zu sehen.
Die Etikettierung von nichtlinearen Aspekten einer Äußerung
Wie man deutlich aus den Beispielen in Abb. 2.3 und 2.5 sehen kann, wird
die Segmentation und Etikettierung eines Signals streng linear, d.h. ohne
Überlappung durchgeführt. Das Setzen einer Zeitmarke, versehen mit einem
Etikett, zeigt nicht nur den Anfang eines Signalabschnitts an, sondern
es wird auch gleichzeitig das Ende des vorhergehenden Abschnitts markiert.
Dies hat auch zur Folge, daß das ganze Signal restlos segmentiert
und etikettiert wird, d.h. es gibt keine unbehandelten Strecken.

§
24 Das Kiel Corpus
Es ist dennoch in einem solchen System möglich, nichtlineare Aspekte
von Äußerungen anzuzeigen, auch wenn diesen Aspekten zeitlich eine
untergeordnete Rolle zugeteilt wird. Der geknarrte, nasalierte alveolare laterale
Approximant in Abb. 2.5 ist ein gutes Beispiel. Der Signalabschnitt,
den man ¥ § mit symbolisieren kann, stellt das gleichzeitige Auftreten der
phonetischen Korrelate der phonologischen F Elemente H , G und dar. Für die
Zwecke der Etikettierung wird die Zeitmarke am Anfang dieses Abschnitts
mit $l versehen. Die Etiketten für Nasalität, die schon im vorhergehenden
Abschnitt vorhanden ist, sowie für Glottalisierung werden auch an die
Zeitmarke von $l gesetzt. Dadurch werden die Nasalität und die Glottalisierung
der Lateralität zeitlich untergeordnet. In der Etikettierung der Glottalisierung
bzw. Nasalität wird lediglich das Vorkommen registriert, diese
Aspekte können bei einem späteren automatischen Zugriff somit zeitlich
geortet, aber nicht zeitlich abgegrenzt werden.
Es wird ein weiteres Etikett ($-MA) bereitgestellt, um das Vorhandensein
von phonetischen Korrelaten eines phonologischen Elements anzuzeigen,
die keinen zeitlich diskreten Abschnitt für sich allein beanspruchen
können. Dies ist häufig der Fall bei Vokalen, die keine friktionslose stimmhafte
Strecke mehr vorweisen können, aber durchaus in der Qualität von
benachbarten Konsonanten zu finden sind (Rodgers, Helgason und Kohler
1997). Abb. 2.6 zeigt ein typisches Beispiel aus dem spontansprachlichen
Korpus. Das Wort zu wird produziert ohne einen zeitlich absteckbaren Vokal
zwischen dem initialen Frikativ von zu und dem initialen Frikativ des
Wortes spät. In einem streng linearen Ansatz wird der Vokal als getilgt
($u:-+) deklariert. Es sind dennoch in der Qualität der umliegenden Frikative
Korrelate des Vokales vorhanden. Durch das Hinzufügen des generischen
Markers $-MA wird auf das Vorhandensein solcher Korrelate
hingewiesen. Wie bei der Etikettierung von Nasalierung und Glottalisierung
bietet die Verwendung von $-MA nur eine grobe zeitliche Ortung,
aber keine Abgrenzung.
Die zeitliche Verknüpfung von symbolischer Information und Sprachsignal
wird in den Abbildungen 2.3 und 2.5 mit vertikalen Strichen in einem
Sonagramm graphisch dargestellt. Diese Darstellungsweise ist aber
nur eine passende Aufbereitung, die für die Segmentations- und Etikettierungssoftware
gemacht wird, aber auch für Illustrationszwecke sehr nützlich
ist. In der Datenbank selbst sind die Etiketten und ihre zeitliche Positionierung
im Sprachsignal in derselben Textdatei enthalten wie die orthographische
Verschriftung und die Transkription. Abb. 2.7 zeigt einen

2.4 Erstellung einer Datenbank aus den Etikettierdateien mit KielDat 25
Abbildung 2.6: Das Sonagramm und die Etikettierung des Äußerungsabschnittes
nicht zu spät. Trotz der Tilgung u:-+ weist das Label $-MA auf
noch vorhandene Korrelate des Vokals im umliegenden Material. (Ref.:
g074a010)
Auszug aus einer Textdatei nach der Segmentation und Etikettierung.
2.4 Erstellung einer Datenbank aus den Etikettierdateien
mit KielDat
Nach Abschluß der Segmentation und Etikettierung gibt es zu jeder
Sprachsignaldatei eine Textdatei der Form, wie sie in Abb. 2.7 dargestellt
ist. Mit Hilfe von textbearbeitenden Programmwerkzeugen wie grep, sed
und awk oder perl, die unter dem Betriebssystem Unix zu finden sind,
können einige detaillierte Untersuchungen an den Textdateien unternommen
werden. Laut- und Worthäufigkeiten sind Beispiele, die mit relativ
wenig Aufwand erfaßt werden können. Schon bei der Errechnung von
Lautdauern wird ein wenig mehr an Programmiererfahrung verlangt, denn
in einer Label-Zeile der Etikettierdatei wird lediglich der Beginn des betreffenden
Signalabschnitts zeitlich festgehalten; sein Ende ist mit dem Beginn
des nächsten Abschnitts und somit in der nächsten Zeile zu finden. In

26 Das Kiel Corpus
Dateiname
Orthographische Darstellung
eines Dialogbeitrags
Kanonische Transkription
des Dialogbeitrages
Phonetisch-phonologische
Transkription des Beitrages
(Variantentranskription)
Zeit-Segment-Paare
g101a010.s1h
UTB010: denn k"onnen wir das doch dort festlegen
.

,
,
,
2.4 Erstellung einer Datenbank aus den Etikettierdateien mit KielDat 27
9
der Vokaluntersuchung von Kapitel 3 werden symbolische und zeitliche
Informationen der Etikettierdateien verwendet, um akustischen Analysen
zu bestimmten Zeitpunkten in der entsprechenden Signaldatei vorzunehmen.
Eine solche Aufgabe ist aber aus verschiedenen Gründen komplizierter
als eine “einfache” Textsuche. Um solche komplexe, aber auch andere
einfachere Aufgaben leichter zu gestalten, werden die einzelnen Etikettierdateien
zu einer Datenbank aufbereitet. Diese Datenbank enthält alle
Informationen, die in den einzelnen Etikettierdateien zu finden sind, aber
in einer Form, die weitere Analyseschritte wesentlich vereinfacht. Kiel-
Dat (Pätzold 1997) stellt Programmwerkzeuge zur Erstellung einer Datenbank
bereit sowie eine umfangreiche Bibliothek an awk-Funktionen, die
auf Form und Inhalt einer Datenbank zugeschnitten sind und komplexe
Analysen mit verhältnismäßig wenig Programmieraufwand ermöglichen.
Die Datenbank ist eine Textdatei, die aus mehreren Zeilen besteht. Jede
Zeile der Datenbank enthält entweder sämtliche Information zu einer
lexikalischen Einheit aus einer Etikettierdatei oder das Material, das zwischen
lexikalischen Einheiten in einer Etikettierdatei auftritt. Die Information
zu einer lexikalischen Einheit ist in Feldern aufgeteilt, die durch die
Verwendung von Tabulatoren und Leerzeichen getrennt werden. Die Felder
enthalten verschiedene Arten von Information:
symbolisch: orthographische Darstellung des Wortes sowie die kanonische
und die Variantentranskription 5
zeitlich: Anfangs- und Endzeitpunkte des Wortes; Anfangszeitpunkte
und Dauern der einzelnen Segmente; Abtastfrequenz des zugehörigen
Signals
andere: Geschlecht, Transkriptionsformat, Name der Etikettierdatei,
Erstellungsdatum.
Die Strukur einer Zeile, aufgebrochen in seine einzelnen Felder, ist in
Tabelle 2.1 angegeben. Um den programmtechnischen Aufbau der einzelnen
Felder braucht sich der Benutzer nicht zu kümmern, denn zusätzlich
zu den Werkzeugen, die eine Datenbank aus Etikettierdateien erstellt, steht
auch eine umfangreiche Funktionsbibliothek zur Verfügung.
5 Die kanonische Transkription wird auf Grund der Verschriftung erstellt, die Variantentranskription
wird aus den tatsächlich gesetzten Etiketten hergestellt (siehe auch Abb. 2.7)

28 Das Kiel Corpus
Tabelle 2.1: Die Felder einer Datenbankzeile für ein Token des Wortes und.
(Ref.: g311a005)
und
orthographische Darstellung
30 Position im Satz oder Turn
orthographische Darstellung einer
eventuellen Überlagerung (unbelegt)
Position der Überlagerung (unbelegt)
Q U n t+
kanonische Transkription
##Q- 00 $U 02 $n 04 $t-+ 06 Variantentranskription. Die Zahlen
nach jedem Label zeigen die Positionen,
die verwendet werden, um auf
die Zeiten und Dauern der einzelnen
Labels zugreifen zu können.
02.10.1997 14:16 Datum und Uhrzeit der Herstellung
des Eintrags
g311a005.s1h
Dateiname der Etikettierdatei, aus
der dieser Eintrag stammt.
g311a005
Dateiname ohne Pfadangabe und Erweiterung
SVA005
Sprecher und Turn-Nummer
m
Geschlecht
SAM
Labelformat
16000 Abtastfrequenz des zugehörigen
Sprachsignals
6.9236875 Zeitpunkt des Wortanfangs im
Sprachsignal
6.970625 Zeitpunkt des Wortendes im Sprachsignal
6.9236875 Dieses und weitere gerade Felder
enthalten die Anfangszeitpunkte der
einzelnen Labels.
0 Dieses und weitere ungerade Felder
enthalten die Dauern der einzelnen
Labels.
6.9236875
0.0223125
6.946
0.024625
6.970625
0

2.5 Status der Etikettierung und Segmentation 29
I
2.5
Phonetisch-phonologischer Status der Etikettierung
und Segmentation
Die vorigen Abschnitte haben beschrieben, wie zeitliche Verbindungen
zwischen abstrakten phonetischen und linguistischen Kategorien und den
Sprachsignalen im Kiel Corpus hergestellt wurden. Bevor man sich jedoch
in die Datenanalyse begibt, muß deutlich gemacht werden, welchen Status
die Etikettierungen und die zeitlich abgesteckten Signalabschnitte haben.
Die Art der Etikettierung und Segmentation, die im Kiel Corpus durchgeführt
wird, ist nach der Kategorisierung von Barry und Fourcin (1992)
als “broad phonetic” zu bezeichnen. Diese Bezeichnung stammt aus der
britischen Schule (Sweet 1877; Jones 1967). Die Beziehung zwischen den
segmentierten Signalabschnitten und den Etiketten läßt sich am besten innerhalb
der phonetisch nahen Phonemtheorie von Jones (1967) ansiedeln.
Signalabschnitte werden durch das Etikettieren mit Objekten aus einer
Phonemtranskription als lautliche Mitglieder von bestimmten Phonemen
erklärt. Durch das Etikettieren weiterer Details wie Glottalisierung, Nasalierung
sowie durch Verwendung der allophonischen Elemente x und C
wird die Etikettierung stellenweise zu einer engen Transkription (“linguisitically
narrow transcription”, Jones 1967: 220). Die Etiketten, die phonologische
Elemente des Deutschen darstellen, dürfen aber nie allgemeinphonetische
Interpretationen erhalten, denn dies würde ihre Bedeutung
weit verfehlen. Das Etikett $b beispielsweise kann mit einem Signalabschnitt
verknüpft werden, der als stimmhafter bilabialer Plosiv kategorisiert
wird. In vielen anderen Fällen jedoch liefert diese direkte phonetische
Übersetzung keine akkurate Beschreibung des mit $b etikettierten Signalabschnitts.
Häufige Korrelate J von im Deutschen sind einerseits der entstimmte
bilabiale ¥ K L Plosiv in initialer Position sowie intervokalisch der
stimmhafte bilabiale ¥ MN Approximant .
Die Segmentation des Kiel Corpus ist das Ergebnis eines günstigen
Kompromisses zwischen dem Wunsch, abstrakte phonologische Elemente
mit ihren wichtigsten phonetischen Korrelaten im Sprachsignal zu verknüpfen,
und der Forderung nach einer streng linearen Aufteilung des Signals.
Unterschiede in der Segmentation haben wiederum Folgen für die
Ergebnisse von Analysen, die mit ihr arbeiten. Diese Unterschiede können
einerseits kleinere Details in der Abgrenzung sein, sie können aber auch
grundsätzlicherer Natur sein. Illustrieren kann man diese Unterschiede am

30 Das Kiel Corpus
(a)
(b)
Abbildung 2.8: Segmentationen und Etikettierungen der Wörter (a)
schönes und (b) Günther von Sprecher k03. (Ref.: (a) k03be001, (b)
k03be021)
Beispiel der Segmentation der Vokale im Kiel Corpus, das Untersuchungsobjekt
des nächsten Kapitels.
In Untersuchungen zur Vokaldauer und -qualität müssen Entscheidungen
getroffen werden über die Abschnitte in einer Äußerung, die zum Vokal
erklärt werden. Im Kiel Corpus ist der Abschnitt, der zeitlich abgesteckt
und als Vokal etikettiert wird, nicht selten eine stimmhafte friktionslose
Strecke. Negativ beschrieben wird der Signalabschnitt abgesteckt,
der nicht mehr mit der Phonetik von vorhergehenden und nachfolgenden
Elementen zu vereinbaren ist. In Abfolgen von Frikativen oder Plosiven
und Vokalen beginnt die als Vokal etikettierte Strecke mit dem Einsetzen
von Stimmhaftigkeit und kräftiger Formantstruktur nach der Lösung der
Frikativenge oder des Plosivverschlusses. Das Ende eines Vokals läßt sich
erkennen an der starken Abschwächung der oberen Formanten zu Plosivverschlüssen
hin oder daran, daß in Vokal-Frikativ-Abfolgen die spektrale
Ausprägung der Friktionsenge überwiegt. Nach oder vor stimmhaften
Lateralen oder Nasalen wird Vokalbeginn/-ende oft durch abrupte Änderungen
im Formantverlauf angezeigt, die ebenfalls die Auflösung bzw.
Herstellung eines oralen Verschlusses signalisieren. Die Segmentation und
Etikettierung der Wörter schönes und Günther in Abb. 2.8 illustrieren die
Abgrenzung von Vokalabschnitten in Plosiv-, Nasal- und Frikativ-Umgebungen.

2.5 Status der Etikettierung und Segmentation 31
Die genaue Positionierung der Segmentgrenzen hat selbstverständlich
Folgen für Analysen zur Vokaldauer. Aus Abb. 2.8 kann man sehen,
daß die eine Vokalstrecke die Formantübergänge in einen vorhergehenden
bzw. nachfolgenden Konsonanten beinhalten, so lang diese stimmhaft
sind. Zur Vokalstrecke gehören aber nicht Aspirationsphasen von Plosiven,
die getrennt markiert werden (siehe 2.3.3). Die Entscheidung, ob solche
Übergänge zum Vokal oder zu den umliegenden Konsonanten zu zählen
sind, muß in einer linearen Segmentation willkürlich getroffen werden,
denn die Übergänge gehören sowohl zum Vokal als auch zum Konsonanten.
Da diese Frage unentscheidbar ist, findet man in anderen Studien Unterschiede
in der zeitlichen Abgrenzung von Vokalen, z.B. Peterson und
Lehiste (1960) nehmen die Mitte der Explosionsphase eines Plosivs als
den Beginn eines Vokals, während Fischer-Jørgensen (1964) den Beginn
des Vokals auf Grund eines abrupten Anstiegs der logarithmischen Intensitätskurve
(1964: 182) bestimmt.
Zu ganz anderen Ergebnissen käme eine zeitliche Verknüpfung von
Symbol- und Signalebenen, wie sie in Abb. 2.9 durchgeführt ist. Die vertikalen
Linien im Sonagramm sind die linearen Segmentgrenzen des Kiel
Corpus, die zwei horizontalen gestrichelten Linien stellen die Strecken
dar, über die eine nichtlineare Segmentation die phonetischen Korrelate
der phonologischen ! Elemente O und bestimmen könnte. Statt einer
streng linearen Aufteilung des Signals werden die phonologischen Elemente
mit den Signalabschnitten verknüpft, die ihre phonetischen Korrelate
in irgendeiner Form enthalten. So ist der Signalabschnitt, der Korrelate
des phonologischen O Elements enthält, mehr als der bilabialer
Nasal, der in diesem Beispiel segmentiert und mit $m etikettiert wurde.
Die zeitliche Ausdehnung der phonetischen Korrelate des phonologischen
! Elements erstrecken sich viel weiter als der vokalische Anteil, der segmentiert
und mit $’O etikettiert wurde. Diese nichtlineare Aufteilung hat
zur Folge, daß bestimmte Signalstrecken von mehreren phonologischen
Elementen belegt werden. Es wird explizit das durchgeführt, was nur ansatzweise
im Kiel Corpus mit den Elementen $-q, $-˜ und $-MA angelegt
ist. In einer nichtlinearen Segmentation treten Fragen zur Zugehörigkeit
von Formantübergängen nicht auf, denn sie gehören automatisch zum
Konsonanten und zum Vokal. Die Durchführung einer nichtlinearen Segmentation
und seine anschließende Verwendbarkeit bringen jedoch Nachteile
mit sich. Aus praktischer Sicht ist das Setzen von Grenzen für die
Korrelate eines phonologischen Elements noch schwieriger als im linea-

32 Das Kiel Corpus
##k
$-h $’O $m
$@-
$n
c
m
Abbildung 2.9: Sonagramm des Wortes kommen samt Segmentation (vertikale
Striche) und Etikettierung. Die horizontalen gestrichelten Linien zeigen
die mögliche zeitliche Ausdehnung der phonetischen Korrelate der
phonologischen ! Elemente O und . (Ref.: g196a003)
ren Ansatz, denn man muß im voraus schon wissen, welche akustischphonetischen
Merkmale als Korrelate von welchen phonologischen Objekten
dienen sollen, eine der Fragen, der auf Grund einer Datenbank nachzugehen
ist. Schwerwiegender als die Segmentation sind die Probleme einer
Analyse einer nichtlinearen Datenbank. Viele nichtlineare Fragestellungen,
wie beispielsweise die Analyse des £ in Kapitel 4, lassen sich an einer
linear segmentierten Datenbank erarbeiten. Die Bearbeitung bestimmter
Fragestellungen, die für lineare, aber auch für nichtlineare Ansätze von
Interesse sind, laßt sich jedoch nicht an einer nichtlinearen Segmentation
durchführen. Sämtliche Analysen zur Vokalabschnittdauer oder solche
Analysen wie die des nächsten Kapitels, die von der zeitlichen Abgrenzung
von Vokalabschnitten abhängig sind, können mit Strecken, die wie !
in Abb. 2.9 markiert werden, nichts anfangen.

Kapitel 3
Deutsche Vokale - spontan
und gelesen
3.1 Einleitung
Die zeitliche Verknüpfung eines Sprachsignals mit abstrakten phonetischen
und linguistischen Kategorien ermöglicht komplexe, automatische
Analysen von großen Datenmengen in kurzer Zeit, was den offensichtlichsten
Einsatz einer phonetischen Datenbank darstellt. In diesem Kapitel
wird die akustische Ausprägung des deutschen Vokalsystems in Spontanund
Lesesprache präsentiert. Die Datenbasis für diese Untersuchung umfaßt
fast das gesamte Kiel Corpus of Spontaneous Speech sowie etwa die
Hälfte des Kiel Corpus of Read Speech. Mit 54 Sprechern (25 weiblich, 29
männlich) und einer Gesamtaufnahmedauer von fast sechs Stunden stellt
diese Untersuchung die bis zum gegenwärtigen Zeitpunkt umfangreichste
Analyse des deutschen Vokalismus dar.
Das Vokalsystem eines Sprechers läßt sich über Messungen der ersten
zwei bzw. drei Formantfrequenzen akustisch charakterisieren. Obwohl die
Bestimmung dieser Frequenzen allein nicht ausreichen mag, um Vokalqualität
und Vokalkontrast vollständig zu bestimmen (Fant 1960; Maurer,
Cook, Landis und D’Heureuse 1992), erlaubt eine passende graphische
Darstellung der unteren Formanten ähnliche Aussagen im akustischen Bereich,
wie sie in der auditiv-propriozeptiven Domäne (Catford 1977) der
33

34 Deutsche Vokale - spontan und gelesen
P impressionistischen Phonetik gemacht werden. Die Bestimmung der Formantfrequenzen
eines Vokals kann mit Hilfe von geeigneten spektrographischen
Darstellungen mit dem Auge durchgeführt werden. Diese Vorgehensweise
ist jedoch unpraktikabel für die Datenmenge, die hier untersucht
wird, und nutzt außerdem die Möglichkeiten des Kiel Corpus nicht aus,
das einen genauen zeitlichen und sprachkategorisch gesteuerten Zugriff
auf die Sprachsignale ermöglicht. Unter Verwendung einer LPC-Analyse,
deren Ergebnisse anschließend sortiert werden, kann die Formantbestimmung
automatisch ablaufen, auch wenn der Vokaltyp mehrerer Messungen
bedarf, um den Formantverlauf charakterisieren zu können, wie es bei Diphthongen
der Fall ist.
Dieses Kapitel verfolgt zwei Ziele. Im Vordergrund steht die Beschreibung
von bestimmten akustischen Aspekten des deutschen Vokalsystems,
wie es von Frauen und Männern in unterschiedlichen sprachlichen Aktivitäten
realisiert wird. Das zweite, methodologische, Ziel ist zu zeigen,
wie die automatische Analyse der phonetischen Korrelate von sprachlichen
Kategorien an einer Datenbank wie dem Kiel Corpus durchgeführt
werden kann.
In der artikulatorischen Produktion verschiedener Vokalqualitäten
kann das Ansatzrohr als komplexes Filter betrachtet werden, das durch
Bewegungen der Zunge, der Lippen, des Gaumensegels und des Rachenraumes
in seiner Form verändert wird. Bestimmte Frequenzanteile eines
komplexen Signals, wie das der Stimmbandschwingung, werden beim Passieren
durch das Filter entsprechend seinen Eigenfrequenzen hervorgehoben
bzw. unterdrückt. Diese bilden sich in den Formanten des erzeugten
Vokals ab. Frequenzanalysen des akustischen Sprachsignals erlauben gewisse
Aussagen über die Resonanzfrequenzen des Ansatzrohres.
3.2 Phonologie der deutschen Vokale
Eine phonologische Aufstellung des deutschen Vokalsystems kann anhand
von groben phonetischen Beobachtungen erfolgen. Wichtiger ist, daß
dieses System nicht allein auf Grund von phonetischen Eigenschaften,
wie Vokalqualität oder Länge, sondern auch hinsichtlich lexikalischer und
grammatikalischer Beziehungen erfaßt wird. Bei der Aufstellung eines solchen
Systems müssen folgende Faktoren berücksichtigt und systematisch
dargestellt werden:

T
T
T
3.2 Phonologie der deutschen Vokale 35
1. Die Beziehung zwischen Huf und Hof ist auch zu finden in den
Paaren Hiebe / hebe, Hübe / höbe, Hessen / hassen, beten / baten.
2. Die Unterschiede zwischen den Gliedern der folgenden Wortpaare
sind phonologisch gleich: bitte / biete, Busse / Buße, Schrott / Schrot,
Stadt / Staat.
3. Der Unterschied zwischen den Wörtern im Paar Lech / Loch ist derselbe
in den Paaren Sicht / Sucht, bete / Bote, schief / schuf.
4. Die Qualität der Vokalabschnitte in der ersten Silbe der Wörter
kriechen, Huchen, lachen, Brüche ist eher monophthongal, in den
Wörtern Bauch, Bäuche und Beichte hingegen ist sie diphthongal.
5. Bestimmte Vokalalternationen erfüllen verschiedene grammatikalische
Funktionen: Mutter / Mütter, Bruder / Brüder, Koch / Köche,
groß / größer Bach / Bäche, Haus / Häuser, lang / länger.
QSRUT
V
W X
W Q WYV Q X R XZV R T V
W T[W
X
T[X
X V Q X\W V Q V W V
W
T]X\W T]X
Die Triade erfaßt die Alternationen der Vokalhöhe in (1). Die
Unterschiede in (2) werden durch für das erste und für das zweite Element
jedes Paares ausgedrückt. Die Beziehung zwischen den Wörtern in
(3) wird durch für das erste und für das zweite Glied erfaßt. Für die Alternationen
in (1) bis (3) sieht die Notation mit Beispielwörtern wie folgt
aus: (biete), (bitte), (Schrot), (Schrott), (Staat), (Stadt).
Der Unterschied zwischen den Monophthongen und Diphthongen wird lediglich
durch eine andere Plazierung der Symbole und angegeben:
(Beichte) und (Bauch). Die Alternationen in (5) werden durch das Hinzufügen
von erfaßt: / (Mutter / Mütter), / (Bach / Bäche),
/ (Haus / Häuser).
Diese Analyse des deutschen Vokalsystems erinnert in Aufstellung und
Aussehen stark an die prosodische Phonologie von Firth (Firth 1948). Die
Erarbeitung eines phonologischen Systems auf Grund von phonetischen
Ähnlichkeiten und Unterschieden in den Äußerungen einer Sprache bildet
den Grundstein jedes phonologischen Ansatzes. Wichtiger Unterschied zu
anderen Ansätzen ist das Erfassen von phonetischen Mustern, die grammatikalische
Funktionen erfüllen, d.h. die Beziehung von bestimmten Vokalen
zu ihren umgelauteten Gegenstücken wird in der Phonologie einheitlich
erfaßt. Die explizite Berücksichtigung von grammatikalischen Beziehung
hat eine Folge: die Phonologie einer Sprache richtet sich nach

T
36 Deutsche Vokale - spontan und gelesen
0 den vorgefundenen Beziehungen in der Sprache und ist somit sprachspezifisch.
Im Extremfall heißt dies, daß eine Sprache mit der gleichen Anzahl
von Vokaloppositionen und einer identischen phonetischen Ausprägung
der Vokale nicht dieselbe Phonologie haben würde, wenn die Vokalalternationen
in anderen Beziehungen zueinander stünden. Dies steht im starken
Widerspruch zu den Versuchen, eine universelle Merkmalstheorie aufzustellen,
die ihren Ursprung in der Prager Schule (Trubetzkoy 1939) und
der daraus entstandenen Merkmalstheorie von Jakobson, Fant und Halle
(1952) hat.
Dieser Abschnitt hat unter Verwendung einer Firth’schen Phonologie
bestimmte Beziehungen zwischen den Vokalalternationen im Hochdeutschen
klargestellt. Um den Weg durch dieses Kapitel zu erleichtern und
auch die verschiedenen Diagramme übersichtlicher zu machen, werden
aber die üblichen, phonemähnlichen IPA-Transkriptionen der Vokale verwendet.
Diese Darstellung sollte aber stellvertretend für die hier vorgestellten
phonologischen Formeln betrachtet werden. Da es sich nicht um eine
phonemische Aufstellung handelt, wird eine Hervorhebung durch Fettdruck
gemacht und auf eine Klammerung durch (^^ Schrägstriche ) verzichtet.
Tabelle 3.1 enthält eine Aufstellung der Monophthonge und Diphthonge
mit ihren IPA-Transkriptionen neben der prosodisch-phonologischen
Notation zusammen mit Beispielwörtern. Die SAMPA-Notation der Etiketten
ist zur Ergänzung noch einmal aufgeführt. In einem Fall _ – – stehen
der IPA-Notation zwei prosodische Formeln gegenüber. Dies ergibt
sich einmal aus der lexikalischen Alternation in Paaren wie bete / bette,
die R mit dargestellt wird sowie aus der grammatikalischen Beziehung in
Paaren wie Band / Bände, die T mit zu belegen ist. Es wird hier angenommen,
daß die phonetischen Korrelate Ẁ V R von W[V und gleich sind. In
der Analyse werden daher alle Vokalabschnitte, die mit E etikettiert sind,
zusammen behandelt. Neben den diskutierten Vokalen, die in betonten Silben
vorkommen, sind die Vokale aus den unbetonten Silben der Wörter
Beichte und Häuser auch aufgeführt.

a
c
d
_
e
f
V
3.3 Andere Studien zum hochdeutschen Vokalismus 37
Tabelle 3.1: Phonemische IPA-Transkription, sowie Darstellungen in prosodisch
phonologischer Notation und SAMPA der hochdeutschen Monophthonge
und Diphthonge zusammen mit Beispielwörtern.
( W Q
WbV Q
( X\W Q
" Q X\WbV
W ( R
T R W W V V
( R X\W
R X\W>V
T W _(
T B(
T
X R *(
R XSV !
')( X Q
IPA Prosodisch SAMPA Beispiel
i: biete
I bitte
y: Güte
Y Lücke
e: bete
/ E Bett / Bände
2: löse
9 Götter
E: Käse
a: Staat
a Stadt
o: Los
O Loch
u: Fuß
Q XgV
T]W
T]X
!#" T]X\W
U Kuß
aI Beichte
aU Haus
OY Häuser
@ Beichte
6 Häuser
3.3 Andere Studien zur akustischen Ausprägung
des hochdeutschen Vokalismus
Die Erfindung der Sonagraphie in den vierziger Jahren (Potter, Kopp und
Kopp 1966) bot zum ersten Mal die ernsthafte Gelegenheit, eine Frequenzanalyse
einer Äußerung über die Zeit zu bekommen. Aber auch in den
zwanziger und dreißiger Jahren sind Versuche unternommen worden, an
die akustische Struktur von deutschen Vokalen zu gelangen. Barczinski
und Thienhaus (1935) untersuchen einige Lauttypen des Deutschen mit
dem Suchtonverfahren von Grützmacher (1927). Dieses Verfahren besitzt

38 Deutsche Vokale - spontan und gelesen
l jedoch einen großen Nachteil, der die Verwendung der Wörter “deutsch”
und “Sprachlaute” im Titel der Studie von Barczinski und Thienhaus kaum
rechtfertigt: um Frequenzanteile eines Lautes bis zu einer Frequenz von
4 kHz analysieren zu können, mußte der Laut mehrere Minuten lang bei
gleichbleibender Qualität produziert werden, was nur von einem gut trainierten
Sänger (Barczinski) gemacht werden kann.
Es gibt verhältnismäßig wenige akustische Untersuchungen zur allgemeinen
akustischen Charakterisierung des hochdeutschen Vokalismus seit
dem Einzug der Spektrographie. Die Mehrheit der Studien sind im Vergleich
zu analogen Studien zum Englischen (Peterson und Barney 1952;
Hillenbrand et al. 1995) auch in ihrem Umfang klein. Ausnahmen bilden
Pätzold und Simpson (1997) sowie Heid, Wesenick und Draxler (1995) 1 .
Die erste ernsthafte spektrographische Untersuchung zum hochdeutschen
Vokalsystem ist Jørgensen (1969). Jørgensens Daten sind von männlichen
Sprechern und stammen aus zwei Quellen. Einen Teil bilden Sonagramme
von isolierten Wörtern, produziert von drei Sprechern. Bei einem
der Sprecher handelt es sich um Material für einen Aussprachekurs. Der
zweite Teil besteht aus isolierten zweisilbigen Wörtern, deren Konsonanten
die Formantstruktur der jeweiligen Vokale so wenig wie möglich beeinflussen
sollten. Sechs Sprecher wurden aufgenommen, von denen die drei
geeignetsten zur spektrographischen Untersuchung herangezogen wurden.
Beide Sprechergruppen werden als hochdeutsch beschrieben und die Sprache
von einem Sprecher aus der ersten Gruppe wird als “eine sehr geschliffene
Bühnensprache norddeutschen Gepräges” charakterisiert.
Rausch (1972) 2 hat gezielt vier Sprecher (männlich) ausgesucht, die in
ihrer Sprache ein vorbildliches Hochdeutsch darstellen sollen: einen Phonetiker
und drei Sprechkundler. Im Gegensatz zu Jørgensen (1969) wurde
ein wissenschaftlicher Text 3 sowie nicht weiter spezifizierte Zusatztexte
verwendet, die fehlende Vokale aus dem Haupttext belegen sollten.
Mehrere Arbeiten von Iivonen (1983, 1987a, 1987b, 1993) untersuchen
die Vokalsysteme regionaler Varietäten sowie die Realisierung von Vo-
1 Trotz einer großen Datenbasis von 16 Sprechern, die jeweils 64 Sätze gesprochen haben,
ist die Studie von Heid, Wesenick und Draxler (1995) von geringem Nutzen, denn sämtliche
Formantwerte von weiblichen und männlichen Sprechern werden zusammengeworfen, ohne
vorher eine geeignete Normalisierung durchgeführt zu haben.
2 Die Ergebnisse dieser Studie werden immer noch zur Illustration der akustischen Ausprägung
der deutschen Monophthonge in Einführungstexten verwendet (Kohler 1995a;
Pompino-Marschall 1995).
3 “Das neue physikalische Denken” von R. March.

3.3 Andere Studien zum hochdeutschen Vokalismus 39
m
kalsystemen in verschiedenen Regionalfärbungen. Iivonen (1979) 4 untersucht
akzentuierte Monophthonge in zweisilbigen Wörtern mit der Struktur
. Die Wörter wurden von zwei Sprechern im Trägersatz Sag x
J V(Gn$F
nochmal! zwölfmal wiederholt, wobei die erste und letzte Wiederholung
zur Weiteranalyse weggelassen wurden. Beide Sprecher waren männliche
Germanisten, die Hochdeutsch mit leichter regionaler Färbung sprachen.
Iivonen (1984) vergleicht hochdeutsche und schweizerhochdeutsche
Realisierungen von Monophthongen von insgesamt acht Sprechern. Die
hochdeutsche Gruppe enthielt drei Männer und zwei Frauen, von den drei
Schweizerdeutschen war eine weiblich. Das gelesene Material bestand aus
den zweisilbigen Wörtern in Satzrahmen von Iivonen (1979) sowie aus anderen
zweisilbigen Wörtern, die entweder in Zwölfergruppen oder isoliert
(mit Pausen) gesprochen wurden.
Ramers (1988) untersucht vier Sprecher, die Einzelwörter 5 sowie
zwanzig Sätze produzierten, um Monophthonge in akzentuierten und
nichtakzentuierten Kontexten zu erhalten. Die Sprecher waren männliche
wissenschaftliche Mitarbeiter des Kölner Instituts für Phonetik, und
ihr Deutsch wird negativ charakterisiert als frei von “starker dialektaler
Färbung” (Ramers 1988: 168).
Aus diesen Arbeiten bildet sich ein recht homogenes Bild, was die
Sprecher und das produzierte Material betrifft. Die untersuchten Sprecher
sind überwiegend Männer, außer der Untersuchung von Iivonen (1984),
die drei Frauen enthielt. Die Versuchspersonen in den meisten Studien
(Jørgensen 1969; Rausch 1972; Iivonen 1979, 1987a; Ramers 1988) sind
nicht nur Hochdeutschsprecher sondern sind auch sprachlich trainiert. Dieses
ist sicherlich von Vorteil, was das sonst ungewohnte Vorlesen betrifft,
aber es liegt der Verdacht nahe, daß man eine bestimmte artikulatorische
Reinheit aus einer solchen Gruppe erhofft, ohne diese näher definieren zu
können. Das untersuchte Material ist ausschließlich gelesen. Um Vokale
im gleichen Kontext zu erhalten, werden z.T. Wörter verwendet, die dem
Hochdeutschen fremd sind, weil sie dialektaler Herkunft oder gar Logatome
sind. So enthält die Liste der Zweisilbler aus Iivonen (1979) und Ramers
(1988) die Wörter Butten, Botten, Bütten bühten und buten (Ramers
verwendet buhten).
4 Iivonen (1987a) verwendet die Daten von Sprecher MR aus Iivonen (1979).
5 Ramers verwendet eine ähnliche Liste von zweisilbigen Wörtern wie Iivonen (1979).

,
,
,
40 Deutsche Vokale - spontan und gelesen
3.4 o
Probleme bei der Messung von Vokalsystemen
Bevor man an die Messung der akustischen Korrelate eines Vokalsystems
herangehen kann, müssen die Probleme dieses Unterfangens klar sein. Außer
den praktischen Schwierigkeiten, Vokale automatisch zu messen, gibt
es eine Reihe von Problemen theoretischer Natur, die sich in folgenden
Fragen zusammenfassen lassen:
Welche Signalabschnitte gelten als Vokale, welche nicht?
Wenn man einen Vokal gemessen hat, welchen Status hat diese Messung?
Wo im Sprachsignal mißt man?
3.4.1 Phonologische und phonetische Vokale
Als erstes muß ein Unterschied zwischen Objekten auf zwei unterschiedlichen
Abstraktionsebenen gemacht werden, d.h. zwischen einem Vokal
im phonologischen und einem Vokal im phonetischen Sinne. Ein phonologischer
Vokal ist ein Term in einem abstrakten linguistischen System.
Dieses System wird auf Grund von phonetischen Ähnlichkeiten und Unterschieden
in Äußerungen aufgestellt (siehe 3.2). Die einzelnen Elemente
sind aber keine Laute, sondern Knoten in einem Netz von Beziehungen. Je
nach phonologischer Theorie ist die Beziehung der phonologischen Elemente
zur phonetischen Masse, über die sie abstrahieren, unterschiedlich.
Im Falle eines Prager Phonemsystems nach Trubetzkoy (1939) abstrahiert
ein Phonem allein über die Phonetik, die es von anderen Systemgliedern
in der betreffenden Sprache unterscheidet, während in einer phonetisch
nahen Auffassung des Phonems, wie sie bei Jones (1967) zu finden ist,
das Phonem stellvertretend für eine Gruppe von Lauten steht. Der phonetische
Vokal läßt sich ausschließlich anhand artikulatorischer, auditiver
oder akustischer Kriterien definieren. Der vocoid von Pike (1943) und das
Kardinalvokalsystem von Jones (1917) sind zwei artikulatorisch-auditive
Definitionen eines phonetischen Vokals, die nichts mit der sprachlichen
Funktion eines Lautes zu tun haben.
Durch die klare Trennung zwischen den phonetischen und phonologischen
Abstraktionen ist es möglich von einem phonetischen Vokal zu

3.4 Status des Gemessenen 41
p
sprechen, dessen Qualität aus der zeitlichen Überlappung der phonetischen
Korrelate mehrerer phonologischer Elemente resultiert. Andererseits
können Signalabschnitte, die phonetisch konsonantisch sind, die phonetischen
Korrelate von phonologischen Vokalen enthalten. Ein Sonagramm
des Wortes welches in Abb. 3.1 illustriert beide Fälle. Der Signalabschnitt,
etikettiert mit $E $%l, ist phonetisch gesehen vokalisch. Die artikulatorische
Enge verursacht keine lokalen Turbulenzen, die zur Friktion führen,
und die Luft entweicht über einen zentralen Kanal aus dem Mund. Dieser
vokalische Abschnitt, der auditiv ein vorn schließender Diphthong ist, besteht
jedoch aus den phonetischen Korrelaten des phonologischen _ Vokals
und des phonologischen H Konsonanten . Der Abschnitt in der zweiten Silbe
des Wortes, der mit $@ etikettiert ist, ist jedoch kein phonetischer Vokal,
obwohl er die phonetischen Korrelate des phonologischen $ Vokals enthält.
Dieser Abschnitt unterscheidet sich zwar durch eine ausgeprägte Formantstruktur
und weniger Unregelmäßigkeit im oberen Frequenzbereich von
den Abschnitten links und rechts, die mit ($C) bzw. ($S+) etikettiert sind,
aber auditiv ist dieser Abschnitt deutlich als Frikativ zu erkennen.
In einer akustischen Untersuchung des Vokalsystems einer Sprache
will man Aussagen über die akustischen Korrelate der phonologischen Vokalkategorien
in dieser Sprache machen, nicht jedoch über phonetische
Vokalkategorien als solche. Abb. 3.1 dient hier wieder als Beispiel. Eine
Untersuchung der Diphthonge des Deutschen wäre nicht an Vokalabschnitten,
wie sie in der ersten Silbe des Wortes welches auftreten, interessiert,
denn dieser Abschnitt ist nur phonetisch als Diphthong zu klassifizieren,
nicht jedoch als Korrelat eines der phonologischen Diphthonge , !#" , .
3.4.2 Status des Gemessenen
Eine Mittlung von Formantmessungen in der Mitte von mehreren Vokalabschnitten
desselben phonologischen Monophthongs 6 kann als akustisches
Korrelat des betreffenden Vokals dienen. Diese Vorgehensweise
macht zwei Annahmen. Erstens, die Korrelate der phonologischen Monophthonge
in der untersuchten Sprachprobe lassen sich hinreichend durch
jeweils eine Messung aus den betreffenden Vokalabschnitten charakterisieren.
Zweitens, die phonetischen Korrelate eines Vokals sind immer diesel-
6 Eine geeignete Behandlung von Diphthongen wird im nächsten Abschnitt 3.4.3 besprochen.

,
,
,
42 Deutsche Vokale - spontan und gelesen
Abbildung 3.1: Sonagramm und Etikettierung des Wortes welches gesprochen
von einem männlichen Sprecher. (Ref.: g423a004)
ben 7 , und die oberflächlich beobachtbaren und erfaßbaren Unterschiede,
die sich in den einzelnen Vokalabschnitten niederschlagen, sind auf eine
Reihe von Faktoren zurückzuführen:
Bei kurzer Vokaldauer reicht die Zeit nicht aus, um das Ziel der Vokalbewegung
zu erreichen.
Phonetische Korrelate von anderen phonologischen Elementen treten
zeitgleich mit denen des Vokals auf.
Gewisse Variation ist in jedem komplexen biologischen System wie
dem Artikulationsapparat enthalten.
7 Stevens und House (1963) schlagen eine weitere Möglichkeit vor: oberflächliche Unterschiede
in Vokalqualität könnten auf gezielten Modifikationen des Vokals beruhen, die
zusätzliche Hinweise (cues) zur Wahrnehmung des Vokals und der umgebenden Konsonanten
liefern.

,
3.4 Akustische Charakterisierung von Diphthongen 43
Meßfehler.
Ein Teil von jeder Messung, die in die Mittlung eingeht, enthält mehr
oder weniger vokalfremde Information, denn kein Äußerungsabschnitt
enthält die Korrelate eines einzelnen phonologischen Objektes. Der Abschnitt
in Abb. 3.1, der mit @ etikettiert ist, ist ein klarer Fall. Die Korrelate
des $ Vokals und die der q Frikative r und überlappen zeitlich. In
manchen Studien wird dennoch versucht, die zeitliche Überlappung der
Korrelate von anderen phonologischen Objekten mit denen des Vokals zu
minimieren. So bieten die Wörter aus Jørgensen (1969) den Vokalen präund
postvokalische konsonantische Kontexte, die die Vokalqualität so wenig
wie möglich beeinflussen sollen: % prävokalisch oder nichts, postvokalisch
labiale Konsonanten nach hinteren gerundeten Vokalen, dorsale oder
apikale nach vorderen Vokalen. Aber auch inmitten eines relativ langen
vokalischen Abschnitts, in dem man meinen könnte, die umgebenden Konsonanten
hätten wenig Einfluß auf die Vokalqualität, kann neben den phonetischen
Korrelaten eines Vokals auch die Phonetik anderer Elemente zu
finden sein. Korrelate von intonatorischen Elementen sind in der Tonhöhe
zu finden, aber auch in der Qualität eines Vokalabschnitts ist die Phonetik
von anderen Elementen enthalten. Ein solches Beispiel verzeichnen Local,
Kelly und Wells (1986) in einer Untersuchung von Turn-taking in Urban
Tyneside. Neben den phonetischen Eigenschaften von Turn-Finalität, die
man erwarten würde, wie Tonhöhe, Tempo, Lautstärke und Stimmqualität,
finden sie auch eine Zentralisierung der Vokalqualität 8 . Der sogenannte
Nullkontext, in dem ein Vokal isoliert gesprochen wird (z.B. Stevens und
House 1963), entgeht auch diesem Problem nicht, denn obwohl der Vokal
frei von konsonantischem Einfluß ist, bleibt er eine Äußerung und nimmt
in dieser Äußerung die finale Position ein.
3.4.3 Die akustische Charakterisierung von Diphthongen
Im vorhergehenden Abschnitt wird eine adäquate Charakterisierung der
akustischen Korrelate eines Monophthongs auf eine Messung inmitten eines
betreffenden Abschnitts beschränkt. Eine akustische Charakterisierung
8 Die Zentralisierung des Vokals in der zweiten Silbe von isoliert gesprochenen zweisilbigen
Wörtern in Nord (1975, 1986) kann auch auf Äußerungsfinalität zurückgeführt werden.

44 Deutsche Vokale - spontan und gelesen
0 von Diphthongen ist aus verschiedenen Gründen nicht so einfach zu finden,
denn es gibt unterschiedliche Interpretationsmöglichkeiten für die artikulatorischen
Bewegungen und die akustischen Produkte dieser Bewegungen.
In symbolphonologischen und symbolphonetischen Darstellungen
eines Diphthongs werden gewöhnlich zwei Vokalsymbole verwendet. Sie
kennzeichnen lediglich zwei Vokalqualitäten, ohne Auskunft über die zeitliche
Beziehung der beiden Vokalqualitäten zueinander zu liefern. Mindestens
die folgenden Möglichkeiten zur Beschreibung und Charakterisierung
der Dynamik von Diphthongen sind in Erwägung zu ziehen:
Über eine gewisse Strecke am Anfang des Diphthongs wird die erste
Vokalqualität erzielt. Nach einer bestimmten Zeit beginnt ein
,
Übergang in Richtung auf die zweite Vokalqualität mit einer festgelegten
artikulatorischen Geschwindigkeit. Steht genügend Zeit zur
Verfügung, wird die zweite Qualität erreicht. Ist die Zeit zu kurz,
wird eine Vokalqualität am Ende des diphthongalen Abschnitts erreicht,
die zwischen Anfangs- und Endqualität liegt.
Über eine gewisse Strecke am Anfang des Diphthongs wird die erste
Vokalqualität erzielt. Nach einer bestimmten Zeit wird die zwei-
,
te Vokalqualität angepeilt. Die Geschwindigkeit, mit der die Zunge
zum zweiten Vokalziel bewegt wird, hängt von der zur Verfügung
stehenden Zeit ab, je kürzer die Zeit, desto höher die Geschwindigkeit
der Bewegung.
Über eine gewisse Strecke am Anfang des Diphthongs wird die erste
Vokalqualität erzielt. Nach einer bestimmten Zeit wird die zwei-
,
te Vokalqualität mit einer festgelegten Geschwindigkeit angepeilt.
Wenn mehr Zeit zur Verfügung steht als notwendig ist, die zweite
Vokalqualität zu erreichen, so wird die Geschwindigkeit verlangsamt.
Diese verschiedenen Möglichkeiten anhand von Daten aus einem spontansprachlichen
Korpus zu überprüfen, bereitet gewisse Probleme, denn
weder der zeitliche Kontext noch die lautliche Umgebung ist kontrollierbar.
Dennoch ist gerade die Spontansprache für die Untersuchung der Dynamik
von Diphthongen von großem Interesse. An einem Extrem werden
kurze Vokalabschnitte in Funktionswörtern wie ein und mein gefunden,
die phonetisch gesehen keine Diphthonge mehr sind. Am anderen Extrem

3.4 Akustische Charakterisierung von Diphthongen 45
p
stehen Vokalabschnitte, deren Länge auch die Funktion einer Häsitation
erfüllt. Eine solche Länge in einer kontrollierten Situation hervorzurufen,
kann nur durch eine explizite Aufforderung erfolgen. Welchen Status ein
bewußt erzeugter überlanger Vokal hat, ist negativ zu beschreiben: er hat
mit großer Wahrscheinlichkeit nur wenig mit der Produktion eines überlangen
Vokals gemeinsam, der eine interaktive Rolle in der Struktur eines
Gesprächs spielt.
Die Meßstrategien in akustischen Beschreibungen von Diphthongen
sind fast so zahlreich, wie die Arbeiten selbst. Im einfachsten Fall (z.B.
Lehiste und Peterson 1961; Pätzold und Simpson 1997) wird ein Diphthong
lediglich durch seine Anfangs- und Endqualität definiert. In der
elektromyographischen und akustischen Untersuchung von Collier, Bell-
Berti und Raphael (1982) wird zusätzlich zur Anfangs- und Endqualität
ein weiterer Meßpunkt in der Mitte des Vokalabschnitts genommen. Holbrook
und Fairbanks (1962) wählen fünf Meßpunkte bei der Messung von
äußerungsfinalen Diphthongen, jeweils am Anfang und Ende sowie drei
weitere äquidistante Punkte dazwischen. Diese Strategie wird auch von
Narahara, Shimoda und Okamoto (1977) in ihrer Beschreibung von deutschen
Diphthongen verfolgt. Am meisten greifen theoretische Annahmen
über die Produktion eines Diphthongs in die Messungen von Gay (1968)
hinein. Er unterteilt den diphthongalen Abschnitt schon bei der Messung
in “Onset steady state”, “Glide” und “Offset steady state” und bestimmt
für jeden Abschnitt, falls vorhanden, eine Dauer sowie Formantfrequenzen
der Anfangs- und Endphasen, bzw. am Anfang- oder Ende der Gleitphase,
wenn Onset oder Offset fehlt.
Eine geeignete Meßstrategie für Diphthonge in fortlaufender Rede
muß zwei Ziele verfolgen:
1. Die gewonnenen Meßwerte sollten soweit wie möglich nur die Bewegungsabläufe
im Vokalabschnitt charakterisieren, die den phonetischen
Korrelaten des Diphthongs zuzuschreiben sind, d.h. die
direktesten Folgen anderer benachbarter Vokal- und Konsonantenabschnitte
sollen so wenig wie möglich in der Messung vorhanden
sein.
2. Die Meßwerte von mehreren Vokalabschnitten müssen miteinander
vergleichbar sein, damit man z.B. Mittelwerte bilden kann.

46 Deutsche Vokale - spontan und gelesen
Um beiden Forderungen nachzukommen, wurde eine automatische
Meßstrategie entwickelt, die der Methode von Holbrook und Fairbanks
(1962) am meisten ähnelt. Deren Strategie ist dennoch für die hiesigen
Daten aus verschiedenen Gründen zu grob und eignete sich schon für die
Untersuchung von Narahara, Shimoda und Okamoto (1977) nicht. Holbrook
und Fairbanks haben Sätze mit Eigennamen am Ende aufgenommen,
die eine einfache % V-Struktur hatten, z.B. “My name is John Howe”.
Der geringe Einfluß des initialen glottalen Frikativs auf den Vokal sowie
der einheitliche Kontext der Äußerungsfinalität erlaubten eine Formantbestimmung
unmittelbar am Anfang und Ende des diphthongalen Abschnitts,
d.h. gleich nach dem Einsetzen der Stimmhaftigkeit im Vokal sowie am
Ende am letzten Punkt, an dem eine Formantstruktur noch zu erkennen
war.
Für Diphthonge in fortlaufender Rede ist die Strategie von Holbrook
und Fairbanks ungeeignet, denn die Dauern der einzelnen diphthongalen
Abschnitte variieren stark, was gegen eine fixe Anzahl von Punkten
spricht. Die prä- und postvokalischen Kontexte variieren ebenfalls, was
gegen Formantmessungen an Punkten unmittelbar am Beginn und Ende
des betreffenden Vokalabschnitts spricht 9 . Aus diesen Gründen wurde die
Anzahl der Meßpunkte für Vokalabschnitte von unterschiedlicher Dauer
flexibel gehalten, und die Formanten wurden nicht unmittelbar am Anfang
und Ende eines Abschnitts bestimmt, sondern jeweils 20 ms nach dem Anfang
bzw. vor dem Ende, um die direktesten Folgen der konsonantischen
Umgebung zu vermeiden. Der genaue Abstand zwischen den Meßzeitpunkten
wird innerhalb bestimmter Grenzen variiert, damit diphthongale
Abschnitte innerhalb von Dauergruppen von einer festen Zahl an Meßpunkten
definiert werden. Somit kann über alle Abschnitte in einem Dauerbereich
eine Mittlung durchgeführt werden. Eine genauere Beschreibung
der Meßmethode und der Berechnung der Meßzeitpunkte findet sich in
Abschnitt 3.6.2. Diese Meßmethode versucht die Formantverläufe von Diphthongen
mit verschiedener Dauer so weit wie möglich freizuhalten von
Erklärungen über die mögliche Herkunft dieser Strukturen, was erst der
Interpretation der erfaßten Verläufe überlassen sein sollte.
9 Da Narahara, Shimoda und Okamoto (1977) Wörter und kleinere Sätze von Schallplatten
zur hochdeutschen Aussprache untersucht haben, befinden sich ihre Diphthonge ebenfalls in
zeitlich und lautlich unterschiedlichen Kontexten, was ebenfalls gegen die direkte Übernahme
der Meßstrategie von Holbrook und Fairbanks spricht.

3.5 Daten 47
s
3.5
Daten
Das Kiel Corpus of Spontaneous Speech enthält Material von insgesamt
21 Dialogsitzungen im Verbmobil Terminabsprache-Szenario. Von diesen
21 Dialogsitzungen sind jedoch nur 16 vollständig segmentiert und etikettiert
worden. Die restlichen 5 Dialogsitzungen wurden teilweise bearbeitet.
Es werden die Vokale der 18 Sprecher und 14 Sprecherinnen der 16
vollständig bearbeiteten Dialoge hier analysiert. Die gelesenen Daten, die
zum Vergleich herangezogen werden, sind dieselben, die in Pätzold und
Simpson (1997) analysiert wurden, d.h. die 2400 Sätze der Berliner und
Marburger Teilkorpora, die von 11 Sprecherinnen und 11 Sprechern gesprochen
wurden.
Es wurden alle Vokale der 32 Sprecher gemessen, außer den £ -
Diphthongen. Diese werden in Kapitel 4 behandelt, in dem gezeigt wird,
daß die Vokalabschnitte der £ -Diphthonge aus der zeitlichen Überlappung
der phonetischen Korrelate des Vokals und der des £ und somit als Extremfall
des Meßproblems gelten, das in Abschnitt 3.4 diskutiert wurde.
Lediglich die Vokalabschnitte des phonologischen Komplexes $t£ werden
in die Analyse einbezogen, um ihn in den jeweiligen Vokalsystemen zu
plazieren und mit $ vergleichen zu können.
3.6 Methode
Als erster Schritt wurde aus den Etikettierdateien der ausgesuchten Teile
der gelesenen und spontansprachlichen Korpora eine Datenbank erstellt
(s. Abschnitt 2.4, S. 25ff ). Wegen Modifikationen an der Meß- und Sortiermethode
wurden die gelesenen Daten noch einmal analysiert, um sie mit
den Ergebnissen der Messungen in den spontanen Daten vergleichbar zu
machen. Die erstellte Datenbank wird in einigen automatischen Schritten
nach Vokalen durchsucht, und in jedem Vokalabschnitt wird je nach Kategorie
(Monophthong, Diphthong) an einem oder mehreren Punkten eine
Formantbestimmung durchgeführt. In 3.6.1 und 3.6.2 werden die einzelnen
Schritte beschrieben. Das KielDat-Skript, das die einzelnen Schritte
durchgeführt hat, ist in vollkommentierter Form in Anhang C enthalten.
Dieses Skript soll gleichzeitig ein allgemeines Beispiel für einen komplexen
Zugriff auf eine KielDat-Datenbank liefern. Auch ohne Programmierkenntnisse
liefert die Kommentierung des Programms eine verständliche

48 Deutsche Vokale - spontan und gelesen
Progression u
durch die einzelnen Schritte.
3.6.1 Messung der monophthongalen Abschnitte
Die erstellte Datenbank wurde auf Vokale durchsucht. Bei jedem nicht als
getilgt markierten Monophthong wurden die Formanten in der Mitte des
betreffenden Vokalabschnitts bestimmt. Die Formantbestimmung wurde
wie folgt durchgeführt. 50 ms des Signals 10 um die Mitte des Vokalabschnitts
wurden analysiert. In diesem Abschnitt wurde alle 5 ms eine LPC-
Analyse 11 gemacht, aus der zwei Abschätzungen der Formantfrequenzen
berechnet wurden 12 . Die Anzahl der geschätzten Formantfrequenzen richtet
sich nach dem Geschlecht des Sprechers sowie nach der Abtastfrequenz
des Signals. Bei einer weiblichen Stimme und einer Abtastfrequenz von
16 kHz werden sieben Formanten geschätzt, bei einer männlichen Stimme
acht. Die zwei Abschätzungen der Formantfrequenzen basieren auf zwei
unterschiedlichen Behandlungen der LPC-Koeffizienten, die unterschiedliche
Vor- und Nachteile aufweisen. In der ersten Schätzung (Saito und
Nakata 1985; Vogten 1983) werden Formantfrequenzen durch die Wurzellösung
des LPC-Polynoms bestimmt. In der zweiten Analyse, “robust
formant analysis” (Willems 1987), wird eine andere Methode angewendet,
die ebenfalls die gewünschte Anzahl von Formanten liefert. Eine wichtige
Eigenschaft der zweiten Analyse jedoch sind nahezu kontinuierliche Formantverläufe.
Vor allem diese Eigenschaft in Kombination mit der ersten
Schätzung erlaubt eine zuverlässige automatische Bestimmung der unteren
Formantfrequenzen.
Im nächsten Schritt werden die zwei Schätzungen der Formantfrequenzen
verwendet, um an die wahrscheinlichsten Formantfrequenzen zu gelangen.
Dieser Schritt ist aus zwei Gründen notwendig:
1. Die Formantanalyse liefert immer eine feste Anzahl von geschätzten
Frequenzen, auch wenn diese im Signal nicht vorhanden sind. Es
entstehen Pseudoformanten.
10 Ein Abschnitt dieser Länge ist notwendig, um mit der verwendeten F0-Analyse (Schäfer-
Vincent 1982, 1983), die im Zeitbereich arbeitet, auch F0 bestimmen zu können.
11 Eine allgemein verständliche und ausführliche Einführung in die LPC-Analyse liefert
Ladefoged (1996).
12 Fensterlänge: 20 ms; Überlappung: 75% Fenstertyp: Hamming; Filterordnung: 16 für
männliche, 14 für weibliche Stimmen

3.6 Messung der monophthongalen Abschnitte 49
2. Gewisse Resonanzen im Signal sind nicht die gesuchten Formantfrequenzen.
Vor allem Nasalität kann zu solchen zusätzlichen Resonanzen
führen, d.h. das Hinzuschalten des Nasenraumes durch Senken
des Gaumensegels.
In den meisten Fällen sind Pseudofrequenzen von (1) einfach zu erkennen,
denn entweder erhalten sie einen extrem hohen oder extrem niedrigen
Wert, oder sie haben eine sehr große Bandbreite. Die Extremwerte werden
gleich ausgeschlossen. Die restlichen Pseudofrequenzen machen sich
durch ihre große Bandbreite bemerkbar. Frequenzen, deren Bandbreiten
größer sind als ein Schwellwert (momentan bei 1000 Hz) bzw. größer sind
als die Formantfrequenz selbst, werden entweder ausgeschlossen oder sie
werden durch eine gewichtete Mittlung mit der nächstgelegenen Frequenz
kombiniert. Die übriggebliebenen Frequenzen werden durchnumeriert, so
daß jede Frequenz einem Formanten zugeteilt wird. Hierzu wird eine Tabelle
von Formantfrequenzen herangezogen, die theoretische Werte eines
Ansatzrohres bei der Produktion eines ¥ A (Fant 1960) darstellen. Für die
männlichen Stimmen wird eine Ansatzrohrlänge von 17,5cm angenommen,
die zu den Richtwerten 500 Hz (F1), 1500 Hz (F2), 2500 Hz (F3)
usw. führt. Bei weiblichen Stimmen wird eine kürzere Ansatzrohrlänge
angenommen und Richtwerte für die Formantfrequenzen eines ‘neutralen’
Ansatzrohres, die um etwa 10% höher liegen. Nach der numerischen Zuordnung
werden solche Frequenzen überprüft, die dieselbe Formantnummer
erhalten haben. Wenn zwei Frequenzen F2 zugeordnet werden, wird
versucht eine dieser Frequenzen einem anderen Formanten zuzuordnen.
Ist eine Lücke oberhalb von F2 frei, d.h. einer der höheren Formanten (F3,
F4, F5, F6, F7 oder F8) hat keine Frequenz erhalten, so werden alle Frequenzen
nach oben geschoben, bis diese Lücke gefüllt ist, und der höhere
F2-Wert wird F3 zugeordnet. Sind sowohl F1 als auch F3 leer, und zwei
Frequenzen wurden F2 zugeordnet, wird auf Grund der Nähe eines dieser
Werte zu Richtwerten für F1 und F3 entweder der größere Wert nach F3 geschoben
oder der kleinere nach F1. Nach der Sortierung kommt die zweite
Formantschätzung zum Tragen, indem alle Lücken, die durch die Formantsortierung
entstanden sind mit Werten aus der zweiten Formantschätzung
aufgefüllt werden.
Im letzten Schritt wird ein Datensatz aus der Vokalmitte ausgedruckt.
Dieser enthält, neben der sortierten Formantinformation, den F0-Wert, die
Dauer des gesamten Vokalabschnitts, den Zeitpunkt der Messung, das Eti-

v
50 Deutsche Vokale - spontan und gelesen
+ kett des zugehörigen Vokalabschnitts, das Sprecherkürzel, Geschlecht sowie
Information zum prä- und postvokalischen Kontext.
3.6.2 Messung der diphthongalen Abschnitte
Gemäß den Überlegungen zur akustischen Charakterisierung von Diphthongen
in Abschnitt 3.4.3 wurde folgende Meßstrategie angewendet.
An jedem Diphthong-Token mit einer Dauer von mehr als 60 ms wurden
Formantmessungen 13 an mehreren Punkten durchgeführt. Die erste und
letzte Messung erfolgte 20 ms vom Anfang bzw. 20 ms vor dem Ende des
betreffenden Vokalabschnitts, um die direktesten Folgen von Formantabbiegungen
in benachbarte Vokal- und Konsonantenartikulationen zu vermeiden.
Um vergleichbare Vokalabschnitte zu bekommen, d.h. Meßwerte
von Vokalabschnitten zu erhalten, die miteinander vergleichbar sind,
wurden alle Diphthong-Tokens innerhalb von 20 ms-breiten Dauergruppen
(60–80 ms, 80–100 ms, 100–120 ms, usw.) durch die gleiche Anzahl
von Meßpunkten charakterisiert. So kann eine Mittlung über mehrere
Diphthong-Tokens innerhalb eines Bereichs unternommen werden, die
anschließend Vergleiche der Formantverläufe von unterschiedlich langen
Diphthongen ermöglicht.
Der Diphthong wird zuerst in Zeitscheiben geschnitten, deren Anzahl
sich als der ganzzahlig abgerundete Quotient aus der zentralen Vokaldauer
(Vokaldauer abzüglich der Randzonen von jeweils 20 ms) und einer idealen
20 ms-Strecke bestimmt. Addiert man eins auf die Anzahl der Zeitscheiben
bekommt man die Anzahl der Meßpunkte. Die Schrittbreite, d.h.
die Breite einer Zeitscheibe oder der zeitliche Abstand zwischen den Meßpunkten
für einen einzigen Vokalabschnitt, ist der Quotient aus der zentralen
Vokaldauer und der Anzahl der Zeitscheiben:
vxwzy©{5|}>~YE€b~b)‚tƒ…„‡†ˆb‰nŠŒ‹
‚ƒ…„Ž†bˆ
{U|}>~Y©€~b
(3.1)
ˆ
ist die Schrittbreite zwischen den Meßpunkten in Millisekunden. Die
Vokaldauer ist ebenfalls in Millisekunden.
Aus der Berechnung der Anzahl der Meßpunkte ergibt sich automatisch
eine Dauergruppierung in 20 ms breiten Gruppen. Alle Diphthonge
mit einer Dauer zwischen 120 und 140 ms werden beispielsweise
13 Die Formantbestimmung zu einem bestimmten Zeitpunkt ist wie für monophthongale
Abschnitte.

3.6 Messung der diphthongalen Abschnitte 51
Abbildung 3.2: Die Gewinnung von Meßwerten bei einem Diphthong
mit einer Dauer von 137 ms aus dem Wort Zeit. Die Anfangs- und Endpunkte
des Vokals sind mit Beg bzw. Ende gekennzeichnet. Formantmessungen
werden jeweils 20 ms vom Beginn, bzw. 20 ms vor dem Ende
des Vokalabschnitts genommen (Punkte A und E). Die Schrittbreite für
die dazwischen liegenden Punkte (B–D)
y’‘t“b”
errechnet sich aus Formel 3.1:
ms ms ms ms ms ms. (Ref.: g115a005)
w †˜ Bš ˆ ‰kŠ „•†bˆ ‰nŠ–‹—y’‘t“b” „•†ˆ
durch fünf Meßpunkte charakterisiert. Die Berechnung der Meßpunkte
und der Schrittbreite zwischen den Punkten für den konkreten Fall eines
Diphthongs aus dem Wort Zeit mit einer Dauer von 137 ms wird in
Abb. 3.2 illustriert.
Alle diphthongalen Abschnitte, die eine Dauer von weniger als 60 ms
haben, werden meßtechnisch wie Monophthonge behandelt, d.h. Formantwerte
werden nur in der Mitte des Vokalabschnitts ermittelt.
Wie eingangs gesagt werden alle beschriebenen Schritte zur Formantmessung
der Monophthonge und Diphthonge automatisch mit dem in Anhang
C aufgeführten KielDat-Skript durchgeführt. Das Ergebnis der Analyse
ist eine Datei pro Sprecher. Neben den Formantfrequenzen und -

52 Deutsche Vokale - spontan und gelesen
0 bandbreiten der unteren drei Formanten enthält diese Datei einige andere
Informationen zur Versuchsperson (Sprecherkürzel und Geschlecht), zum
Dialog (Kennung), zum Vokalabschnitt (Label, Datensatznummer, Dauer,
Grundfrequenz zur Zeit der Messung) und zum Kontext (Wort, prä- und
postvokalischer Kontext). Tabelle 3.2 enthält einen Auszug aus der Datei
der Sprecherin JUM aus dem spontansprachlichen Korpus. Dieser Auszug
macht noch einmal die unterschiedlichen Meßstrategien für Monophthonge
und Diphthonge deutlich. Die Monophthonge werden durch einen Meßpunkt
definiert, haben somit einen Datensatz, der Diphthong mit einer
Dauer von 281 ms dagegen wird an mehreren Stellen (13) gemessen.
3.7 Häufigkeitsverteilung der Einzelvokale
Das Diagramm in Abb. 3.3 faßt die relativen Häufigkeiten der Vokale zusammen
14 . Für die einzelnen Sprecher wurden relative Häufigkeiten für
jeden Vokal errechnet und aus diesen Werten wurden pro Vokal die Mediane,
Maxima und Minima ermittelt. Die Vokale im Diagramm sind nach
den Medianwerten in absteigender Reihenfolge geordnet. Obwohl die absolute
Gesamtzahl an Vokaltokens, die von den Einzelsprechern produziert
wurden, stark variiert (siehe Abb. 3.4), bleiben die allgemeinen Tendenzen
in den relativen Häufigkeiten der einzelnen Vokale erhalten. Am
interessantesten ist die phonologische Gruppierung, die sich in der numerischen
Rangordnung wiederfindet. In Abschnitt 3.2 wurde eine phonologische
Gruppierung der Vokale › nach œ , oder œ\› gemischt aufgestellt.
Diese phonologische Gruppierung läßt sich direkt auf die Reihenfolge der
Vokalhäufigkeiten übertragen. Häufigste Gruppe › ist , œ dann , die phonologisch
komplexeste œ\› Gruppe ist zugleich am seltensten. Die Rangfolge
ist aus zweierlei Gründen interessant. Erstens findet die phonologische Kategorisierung,
die auf Grund phonetischer Muster und grammatikalischer
Alternationen unternommen wurde, post hoc Bestätigung in der Gruppierung,
die sich aus der Häufigkeitsverteilung ergibt. Zweitens zeigen sich
die vorderen gerundeten Vokale, nicht nur als typologische Seltenheit in
den Sprachen der Welt (Crothers 1978), sondern auch als Seltenheit in einer
Sprache, in der sie vorkommen.
14 Anhang D auf S. 209 enthält tabellarische Aufstellungen der absoluten (Tabelle D.1) und
relativen Häufigkeiten (Tabelle D.2) der Einzelvokale bei den einzelnen Sprechern.

3.7 Häufigkeitsverteilung der Einzelvokale 53
Tabelle 3.2: Ein Auszug aus den Ergebnissen der akustischen Analyse der Sprecherin JUM aus dem Dialogbeitrag
g361a004. Jede Zeile enthält die Daten zu einem Meßpunkt im jeweiligen Vokal. Zusätzlich zu den Frequenzen und
Bandbreiten der ersten drei Formanten in den Spalten “F1–B3” sind auch andere Informationen notwendig für die
Weiterverarbeitung: Sprecherkürzel, Dialogbeitragskürzel, Geschlecht (f = “weiblich”), Label des Vokalabschnitts,
Nummer des Datensatzes (wichtig bei Diphthongen), Dauer des Vokalabschnitts, Meßpunkt der Formantanalyse,
Grundfrequenz sowie die orthographische Darstellung des betreffenden Wortes und umgebender Kontext. Aus
Platzgründen ist der lange Kontext des 4. Datensatzes ($I) etwas gekürzt worden.
Kürzel Beitrag Geschl. Label Satz Dauer Meßpunkt F0 F1 B1 F2 B2 F3 B3 Wort Kontext
JUM g361a004 f $o: 1 92 14.350 209 427 263 1287 420 2835 263 November ##n $v
JUM g361a004 f $’E 1 115 14.530 195 615 64 1711 164 2687 239 November $v $m
JUM g361a004 f $6 1 260 14.895 144 731 81 1533 236 2814 259 November $b #:k #s:
JUM g361a006 f $I 1 116 0.060 0 432 147 2040 118 2744 131 ist+ $n #:k . . .
JUM g361a006 f $a 1 69 0.270 257 732 59 1711 250 2781 263 dann+ $-h $n+
JUM g361a006 f $’i: 1 59 0.545 259 309 98 2148 236 2788 138 siebzehnte ##z $p
JUM g361a006 f $e: 1 30 0.730 196 464 144 1761 185 2721 745 siebzehnte $s $n
JUM g361a006 f $@ 1 69 0.865 181 458 95 1606 222 2611 703 siebzehnte $-h ##f
JUM g361a006 f $’aI 1 281 1.060 176 711 159 1179 153 2802 176
JUM g361a006 f $’aI 2 281 1.080 176 733 170 1176 203 2819 186
JUM g361a006 f $’aI 3 281 1.100 180 757 184 1219 246 2594 789
JUM g361a006 f $’aI 4 281 1.120 179 771 160 1289 272 2763 469
JUM g361a006 f $’aI 5 281 1.140 182 763 119 1397 245 2711 362
JUM g361a006 f $’aI 6 281 1.160 184 735 105 1544 198 2667 335
JUM g361a006 f $’aI 7 281 1.180 191 697 96 1687 119 2639 339
JUM g361a006 f $’aI 8 281 1.200 202 616 102 1768 161 2576 398
JUM g361a006 f $’aI 9 281 1.220 212 590 62 1878 246 2558 709
JUM g361a006 f $’aI 10 281 1.240 236 572 204 1416 999 2616 547
JUM g361a006 f $’aI 11 281 1.260 268 511 219 1200 999 2643 516
JUM g361a006 f $’aI 12 281 1.280 279 407 163 1597 999 2426 322
JUM g361a006 f $’aI 13 281 1.300 285 365 163 1769 999 2776 562 frei $r UttEnd

¢
Ÿ£
¤
¥
¦
٤
©
ª
©¥
Ÿ «
Ÿ¢
¬Ÿ
54 Deutsche Vokale - spontan und gelesen
Abbildung 3.3: Relative Häufigkeiten der Vokale im spontansprachlichen Korpus. Der Median-Punkt pro Vokal ist
ein Mittelwert, berechnet über die einzelnen Sprecher. Die Punkte Maximum und Minimum beziehen sich jeweils
auf die größte und kleinste relative Häufigkeit. Die Vokale sind in absteigender Reihenfolge nach der Größe der
Mediane geordnet.
Vokal
ž
Ÿ
¡ž
Ÿ
¨¦
Ÿ
0.0
2.0
4.0
6.0
relative Häufigkeit [%]
8.0
10.0
12.0
14.0
Median
Maximum
Minimum
16.0
18.0
20.0

3.7 Häufigkeitsverteilung der Einzelvokale 55
4000
3500
3000
2500
2000
1500
1000
500
0
SOK
AME
FRA
SVA
BAC
URG
THS
FRS
SAR
JUM
ARK
CHD
SIK
KAP
HEL
WEM
KAE
REK
KAK
GEP
MEH
MLG
ANL
ANS
NAR
UTB
HAH
JAK
TIS
OLV
HEE
MAW
Anzahl von Vokaltokens
Sprecher/in
Abbildung 3.4: Gesamthäufigkeiten in aufsteigender Reihenfolge von allen Vokaltokens pro Sprecher/in.

56 Deutsche Vokale - spontan und gelesen
In Abb. 3.5 wird ein Vergleich zwischen den Häufigkeiten aus
den spontansprachlichen Daten und denen aus dem gelesenen Subkorpus
durchgeführt, sowie ein externer Vergleich zur Zählung von Meier
(1967). Für die spontansprachlichen und die gelesenen Vokale wurden
zwei Zählungen durchgeführt. Die erste (Gemessen) bezieht sich auf die
Zählung der Vokalabschnitte, die in die akustische Messung eingegangen
sind, die zweite (Kanonisch) bezieht sich auf die Anzahl der jeweiligen
Vokalkategorien in den kanonischen Formen der Wörter. Die zweite, kanonische,
Zählung erlaubt einen besseren Vergleich zu den Häufigkeiten aus
Meiers (1967) Zählung von 100 000 Lauten aus der gelesenen Sprache.
Die Vokale sind nach der Häufigkeit in der gemessenen Spontansprache
absteigend angeordnet.
Bei den ersten vier (­®[¯°®Œ­B±® ² Vokalkategorien ) sind die größten Unterschiede
zwischen den einzelnen Korpora und unterschiedlichen Zählungen
zu sehen. Der Erhebungsunterschied (Gemessen vs. Kanonisch) macht
sich ² beim am deutlichsten bemerkbar. Die große Diskrepanz liegt
hauptsächlich in den lateralen und nasalen ³´²µ Endsilben, ³´² und , die
in der Mehrheit der Fälle als silbischer Lateral bzw. Nasal auftreten, keinen
Vokalabschnitt aufweisen und somit nicht in die akustische Messung
² der -Vokalabschnitte aufgenommen werden. Nennenswerte Unterschiede
zwischen den spontanen und gelesenen Subkorpora lassen sich ² auf
und die offenen ­ Vokale ­B± und beschränken. Unter den 50 häufigsten
Wörtern im spontansprachlichen Korpus gibt es lediglich sechs Wörter
­ die enthalten: das, dann, am, also, machen, und daß, jedoch sind sie
für über ­ 3000 -Tokens verantwortlich. Vor allem für das hohe Aufkommen
der Wörter dann, also und das (in seiner Funktion als Pronomen)
ist der spontansprachliche Kontext verantwortlich. Das häufige Auftreten
der Präposition-Artikel-Verschmelzung am ist jedoch nicht dem spontansprachlichlichen
Kontext zuzuschreiben, sondern der besonderen Aktivität
der Terminplanung, in der häufig Konstruktionen wie am Freitag und am
sechsten auftreten. Der Dialogsituation ist auch die große Anzahl ­B± von zu
verdanken. Die Wörter ja (Bejahung und Adverb), da (Konjunktion und
Adverb), mal, habe und aber sind die Vertreter des ­B± Vokals unter den
50 häufigsten Wörtern und sind für über 2000 Fälle dieses Vokals verantwortlich.
Im Vergleich mit der Zählung von Meier (1967) ist die größte Ähnlichkeit
mit der kanonischen Zählung des gelesenen Subkorpus zu finden.
Diese Ähnlichkeit ist jedoch nicht überraschend, denn Meiers Zählung von

¹Å
¹
¹»
Â
Ã
·¾
¹Á
¹À
¾
¿
¼ ¹
¹½
¸·
»
¹·
º
·
¸
3.7 Häufigkeitsverteilung der Einzelvokale 57
30.0
25.0
Gemessen (s)
Kanonisch (s)
Gemessen (l)
Kanonisch (l)
Meier
20.0
15.0
10.0
Relative Häufigkeit [%]
5.0
0.0
¿
ÄÂ
Vokal
Abbildung 3.5: Vergleich der relativen Vokalhäufigkeiten in Spontan- und Lesesprache. Gemessen und Kanonisch
beziehen sich auf die unterschiedliche Zählung der Vokalhäufigkeit (siehe Text) in Spontansprache (s) und Lesesprache
(l). Als externer Vergleich fungieren die Werte aus Meier (1967: 250). Die Vokale sind nach ihrer relativen
Häufigkeit in der ‘gemessenen’ Spontansprache angeordnet. Eine Aufstellung der absoluten und relativen Häufigkeiten
findet sich in Tabelle D.3 auf Seite 212.

58 Deutsche Vokale - spontan und gelesen
Æ 100 000 Lauten, je zu 50 000 aus Prosa und Poesie, erfolgte in geschriebenen
Texten, d.h. in kanonischen Formen, und es waren die Ergebnisse aus
Zählungen wie dieser, die als Grundlage für die Lauthäufigkeitsverteilung
bei der Aufstellung der Marburger und Berliner Sätze verwendet wurden
(Sotschek 1976a; 1976b).
3.8 Akustische Ausprägung der Einzelvokale
Eine günstige Methode, akustische Vokalsysteme aufzubereiten, ist, die
einzelnen Vokale anhand der ersten und zweiten Formantwerte in einem
zweidimensionalen Raum zu plazieren. Der F2-Wert eines Vokals bildet
die x-Koordinate, der F1-Wert die y-Koordinate. Statt die lineare Hertz-
Skalierung zu verwenden, werden Frequenzen in Bark-Werte (Zwicker
und Fastl 1990) 15 umgerechnet. Die Verwendung der Bark-Skala liefert
eine bessere Annäherung an die Funktionsweise des Gehörs als eine lineare
Hertz-Skala. Um die übliche auditiv-artikulatorische Darstellung eines
Vokalsystems auch im akustischen Bereich zu erhalten, werden Abszisse
und Ordinate in umgekehrter Richtung gezeichnet, so daß F2-Werte aufsteigend
von rechts nach links, F1-Werte aufsteigend von oben nach unten
verlaufen.
3.8.1 Akustische Ausprägung der Monophthonge
Um verschiedene Vergleiche herstellen zu können, sind die Vokalwerte in
Gruppen nach Geschlecht (weiblich, männlich), Korpus (lese- vs. spontansprachlich)
und Worttyp (Inhalts- vs. Funktionswort) eingeteilt worden.
Die Gruppierung nach Geschlecht berücksichtigt die bekannten akustischen
Unterschiede, die sich z.T. durch Unterschiede in der durchschnittlichen
Größe des Ansatzrohrs bei Frauen gegenüber Männern erklären lassen.
Die Einteilung nach Korpustyp will den akustischen Folgen der unterschiedlichen
linguistischen Aktivitäten auf die Vokalsysteme nachgehen.
Die oft beobachteten zentraleren Qualitäten von Vokalen in Funkti-
15 Für die eigentliche Umrechnung wird die Formel aus Traunmüller (1990) verwendet, die
eine genauere Umrechnung erlaubt als Zwicker und Fastl (1990):
ÇÉÈ‡Ê ËÍÌtÎ ÏtÐnÑÒ©Ð ÓÔЗÕÍÌÍÖÑÍ×Ø6ÙÚ5ÖtÎ ÛÍÜ
mit × in Hertz

3.8 Akustische Ausprägung der Monophthonge 59
Ý
onswörtern gegenüber Inhaltswörtern werden durch die Aufteilung nach
Worttyp berücksichtigt. Nur die Monophthonge aus Inhaltwörtern werden
hier analysiert. Über die Werte für den ersten und zweiten Formanten sind
pro Vokalkategorie Mediane gebildet worden. Tabellen der Mediane und
Quartile der ersten drei Formanten für die einzelnen Monophthonge aus
Inhaltswörtern, getrennt nach Geschlecht und Korpus sind in Anhang E
auf S. 213 zu finden.
Obwohl dieselben Lesedaten wie in Pätzold und Simpson (1997)
verwendet werden, gibt es zusätzlich zu kleineren meßtechnischen Details
zwei weitere Unterschiede, die zu unterschiedlichen Ergebnissen
führen. Erstens, wie eben erwähnt, werden Vokale aus Funktions- und
Inhaltswörtern getrennt aufgeführt. Die Aufteilung wurde in Pätzold und
Simpson (1997) nicht gemacht. Zweitens werden in der hiesigen Aufstellung
die Werte aus den Þ verschiedenen -Vokalen ß (außer ), die Pätzold und
Simpson zu den Korrelaten der jeweiligen monophthongalen Vokalkategorie
gezählt haben, nicht berücksichtigt.
In Abb. 3.6 werden die Vokalsysteme der Inhaltswörter aus Leseund
Spontansprache für die jeweilige Geschlechtergruppe (Frauen: 3.6a,
Männer: 3.6b) verglichen. Vokale aus der Spontansprache sind in normaler
Schrift, Vokale aus der Lesesprache umrissen dargestellt. Die Vokalsysteme
aus beiden Geschlechtergruppen und beiden Korpora stimmen allgemein
mit den Ergebnissen anderer Studien zum deutschen Vokalismus
überein. Die Kurzvokale 16 , à , á , â , ­ und ã sind, außer beim männlichen
¯
­ spontanen , zentraler als ihre langen Entsprechungen. Die F1-Werte der
geschlossenen ¯ Kurzvokale à , ã und sind im allgemeinen etwas größer
als die der nichtgeschlossenen ä± Langvokale åb± , æ± und . Lediglich das offene
­B± /­
Vokalpaar hat ähnliche, z.T. fast identische F1 und F2-Werte.
Dies stimmt ebenfalls mit den Ergebnissen anderer Studien (Sendlmeier
1982; Ramers 1988; Kohler 1995a) überein, die aufgezeigt haben, daß der
Hauptunterschied zwischen den phonetischen Korrelaten ­B± von ­ und in
der Länge und nicht in der Qualität zu finden ist, wie dies in den restlichen
Lang-Kurz-Vokalpaaren der Fall ist, eine Feststellung, die in den perzeptorischen
Experimenten von Sendlmeier (1982) aufgezeigt wurde.
Die qualitative Nähe der geschlossenen ¯ Kurzvokale à , ã und zu den
nichtgeschlossenen ä± Langvokalen å± , æ± und hat Lass (1984) sowie Ra-
16 “Lang” und “kurz” dienen lediglich als wörtliche Bezeichnungen für die in Abschnitt 3.2
. Andere Bezeichnungen wie “gespannt”
ç
und “ungespannt” hätten die gleiche Funktion erfüllen können.
aufgestellten phonologischen Kategorisierung ç / è

éééééééééééééééééééééééééééééé
éééééééééééééééééééééééééééééé
éééééééééééééééééééééééééééééé
éééééééééééééééééééééééééééééé
û
ö §
¢ ò
éééééééééééééééééééééééééééééé
û
éééééééééééééééééééééééééééééé
ö
§
ë
ñ
þ
éééééééééééééééééééééééééééééé
éééééééééééééééééééééééééééééé
¢
ò
ñ
í
î ÿ
÷
©
í
þ ë
ê
ù
éééééééééééééééééééééééééééééé
éééééééééééééééééééééééééééééé
ý
©
î
÷ ÿ
ê
ù
ý
ô
éééééééééééééééééééééééééééééé
éééééééééééééééééééééééééééééé
ï
¡
ô
¡
éééééééééééééééééééééééééééééé
éééééééééééééééééééééééééééééé
ï
éééééééééééééééééééééééééééééé
éééééééééééééééééééééééééééééé
éééééééééééééééééééééééééééééé
éééééééééééééééééééééééééééééé
éééééééééééééééééééééééééééééé
éééééééééééééééééééééééééééééé
60 Deutsche Vokale - spontan und gelesen
250
300
350
400
450
F1 500
[Hz] 550
600
650
700
750
800
850
900
15
14
13
12
F2 [Bark]
11 10
ð énékénéké8énékékénékénékékénékénékékékékékénékénékékénékénékékéné8ékénékénékékénékénékékénékéné8éké
úüû £ û í
énékénéké8énékékénékénékékénékénékékékékékénékénékékénékénékékéné8ékénékénékékénékénékékénékéné8éké
ó
õ ø
¦ û ¨ û
ò`í í í
í
¢>û énékénéké8énékékénékénékékénékénékékékékékénékénékékénékénékékéné8ékénékénékékénékénékékénékéné8éké
énékénéké8énékékénékénékékénékénékékékékékénékénékékénékénékékéné8ékénékénékékénékénékékénékéné8éké
ê í ý û
énékénéké8énékékénékénékékénékénékékékékékénékénékékénékénékékéné8ékénékénékékénékénékékénékéné8éké
énékénéké8énékékénékénékékénékénékékékékékénékénékékénékénékékéné8ékénékénékékénékénékékénékéné8éké
2500 2000 1750 1500 1250 1000 750 600
F2 [Hz]
9
ìÉí
8
¤ ¥ û
7
6
5
2
3
4
5 F1
[Bark]
6
7
8
(a)
250
300
350
400
450
F1 500
[Hz] 550
600
650
700
750
800
850
900
15
14
13
12
F2 [Bark]
11 10
ð í
ú û £ û
énékénéké8énékékénékénékékénékénékékékékékénékénékékénékénékékéné8ékénékénékékénékénékékénékéné8éké
ìÉí
õ ø ¦ û í ¨ û
¢>û
í ó í ò`í énékénéké8énékékénékénékékénékénékékékékékénékénékékénékénékékéné8ékénékénékékénékénékékénékéné8éké
énékénéké8énékékénékénékékénékénékékékékékénékénékékénékénékékéné8ékénékénékékénékénékékénékéné8éké
ê í
ý û
énékénéké8énékékénékénékékénékénékékékékékénékénékékénékénékékéné8ékénékénékékénékénékékénékéné8éké
énékénéké8énékékénékénékékénékénékékékékékénékénékékénékénékékéné8ékénékénékékénékénékékénékéné8éké
énékénéké8énékékénékénékékénékénékékékékékénékénékékénékénékékéné8ékénékénékékénékénékékénékéné8éké
2500 2000 1750 1500 1250 1000 750 600
F2 [Hz]
9
8
¤ ¥ û
7
6
5
2
3
4
5 F1
[Bark]
6
7
8
(b)
Abbildung 3.6: Vergleich der spontanen und lesesprachlichen Vokalsysteme
für Inhaltswörter der Frauen in (a) bzw. der Männer in (b). Spontansprachliche
Vokal sind in normaler Schrift, Lesesprache ist umrissen dargestellt.
Formantwerte sind Mediane aus allen Werten für die jeweilige
Vokalkategorie pro Gruppe.

3.8 Akustische Ausprägung der Monophthonge 61
mers (1988) dazu verleitet, eine Phonologisierung vorzunehmen, in ¯ der à ,
ã und als die kurzen Gegenstücke ä± zu å± , æ± und analysiert werden. Nach
den Überlegungen zur Aufstellung des Vokalsystems in Abschnitt 3.2 wird
dies als ungünstige Lösung gewertet, die phonetische Beobachtungen an
falscher Stelle berücksichtigt.
Die F1-Werte ² von in den weiblichen und männlichen Systemen unterstützen
die Ergebnisse von Barry (1995) an einem erheblich kleineren
Korpus, die eine halbgeschlossene Qualität in etwa der gleichen Höhe wie
andeuten. Nähme ² tatsächlich eine zentrale Lage im jeweiligen Vokalsystem
ein, hätte es einen F1-Wert von etwa 550 Hz für die weiblichen
ä±
und 500 Hz für die männlichen Sprecher. Stattdessen liegen die weiblichen
Median-F1-Werte bei 438 Hz (Lesesprache) bzw. 470 Hz (Spontansprache),
die männlichen bei 392 Hz (Lesesprache) bzw. 405 Hz (Spontansprache).
Die Notwendigkeit, einen funktionellen Kontrast ß zu aufrechtzuerhalten,
scheint ein möglicher Grund für die relative Geschlossenheit
zu liefern. Barry stellt fest, daß der niedrige F1-Wert ² für im Gegensatz
zu anderen Studien steht. Jedoch ist es möglich, andere Schlüsse aus der
Literatur zu ziehen. Beobachtungen einer Vokalqualität, die zentral, sogar
halboffen sein kann (Delattre 1965; Ulbrich 1972; Meinhold 1989; Kohler
1995a), basieren im allgemeinen auf impressionistischen Beobachtungen
der Vokalqualität. In nur einer Studie (Iivonen 1970) finden sich F1-Werte
für ²
die offener sind als die für á± . Sovijärvi (1965), zitiert in Iivonen
(1970), und Meyer-Eppler (1959) finden beide F1-Werte für ein männliches
² , die niedriger als 500 Hz sind.
Ein weiterer Unterschied zu anderen Studien (Jørgensen 1969; Rausch
1972; Narahara und Shimoda 1977) 17 , der sich in allen vier Vokalsystemen
von Abb. 3.6 wiederfindet, ist die hintere Position von æ± im Vergleich zu
± . Erwartungsgemäß ist der F1-Wert von æ± höher als bei ± , der Vokal
ist somit offener. Der F2-Wert von æb± liegt jedoch tiefer. Außer bei den
spontanen Daten der Männer liegen die F2-Werte von æ± signifikant tiefer
als die von ± (siehe Tabelle 3.3). Bei den männlichen spontansprachlichen
Daten ist die F2-Lage von ± zu æ± nicht statistisch verschieden.
Die tiefer liegenden F2-Werte von æ± können auf zwei artikulatorische
Faktoren zurückgeführt werden:
17 Die Zahlen in Kohler (1995a) sind eine Aufbereitung der Ergebnisse aus Rausch (1972).

62 Deutsche Vokale - spontan und gelesen
Tabelle 3.3: Ergebnisse eines U-Tests für die F2-Werte von ± und æ± , die
in den Diagrammen von Abb. 3.6 geplottet sind. Die erste Spalte enthält
den Korpus, die zweite Spalte die Werte für und die dritte Spalte die einseitige
Wahrscheinlichkeit von unter (F2-Werte von æb± F2-Werte
von ± ).
!
weiblich, spontan -2.57 .0051
männlich, spontan -0.65 .2578
weiblich, gelesen -5.74 p .00003
männlich, gelesen -6.72 p .00003
Innere Lippenrundung Zusätzlich zur Rundung werden die Lippen vorgestülpt
18
Linguale Engebildung Die Enge zwischen Zungenrücken und Gaumen
wird weiter hinten gebildet.
Einer dieser Faktoren oder eine Kombination aus beiden führen zu einer
Verlängerung des Hohlraums zwischen der dorso-velaren Enge und den
Lippen, deren akustisches Produkt eine Herabsenkung des zweiten Formanten
ist.
Für die Unterschiede zu den Ergebnissen aus anderen Studien bieten
Pätzold und Simpson (1997) mehrere Erklärungen an. Der offensichtlichste
Grund für die Unterschiede liegt darin, daß die Sprechergruppen, die
in anderen Studien untersucht wurden, eine weiter vorne liegende Qualität
für æ± als für ± haben. Ein zweiter Grund könnte im konsonantischen
Kontext liegen, der dem Vokal æ± mehr Kontexte für eine hintere Qualität
bietet als bei ± . In den Marburger Sätzen, also in der Hälfte des gelesenen
Korpus, haben von den 23 æ± -Fällen fast die Hälfte (viermal Doris, dreimal
hoch, jeweils einmal Brot, Motoren, Tore, rot) einen dorso-uvularen Frikativ
als ihren unmittelbaren Kontext. Von den 25 ± -Fällen jedoch treten nur
drei in einem ähnlichen Kontext (Besuch, besucht und Ruhe) auf. In den
18 Diese Definition von innerer Lippenrundung ist nach Sweet (1890) und Catford (1977,
1988). Durch die Vorstülpung der Lippen wird die labiale Enge durch die Innenseiten der
Lippen gebildet. Äußere Rundung entsteht durch eine vertikale Kompression der Lippen, die
zu einer labialen Enge zwischen den Außenseiten führt.

3.8 Akustische Ausprägung der Monophthonge 63
"hoch"
"Fuß"
Abbildung 3.7: Ein Sonagramm von männlichen Äußerungen der Wörter
hoch und Fuß aus dem gelesenen Korpus. Diese Darstellung entspricht in
etwa der Zeit- und Frequenzauflösung eines Papiersonagrammes, an denen
Messungen in früheren Studien gemacht wurden. Die senkrechten Pfeile
markieren die Mitte des jeweiligen Vokalabschnitts, die waagerechten die
Position des zweiten Formanten im jeweiligen Vokalabschnitt zum Zeitpunkt
der Messung. (Ref.: hoch: k11mr068; Fuß: k63be044)
Berliner Sätzen sowie im spontansprachlichen Korpus sieht die Situation
anders aus. Während in den Berlinern Sätzen ± in drei Fällen in einem hinteren
Kontext auftritt (Kuchen, besuchen und suche), finden sich nur zwei
Fälle von æb± im ähnlichen Kontext (Rosengarten, Weißbrot). In den spontansprachlichen
Daten überwiegen ebenfalls die konsonantischen Kontexte,
die eine hintere Realisierung des ± statt des æ± bevorzugen würden. Über
18% (153 von 833) der ± -Fälle in Inhaltswörtern entfallen auf hintere
Kontexte, während bei æ± -Fällen lediglich 9,6% (69 von 720) einen hinteren
Kontext aufweisen. Ein dritter möglicher Grund für die Diskrepanz
zwischen den Ergebnissen dieser und früherer Studien mag lediglich in den
unterschiedlichen Methoden der Formantbestimmung liegen. Die Schwie-

64 Deutsche Vokale - spontan und gelesen
" rigkeiten, die ersten beiden Formanten hinterer gerundeter Vokale anhand
von traditionellen Papiersonagrammen zu bestimmen, sind bekannt. Von
den aufgeführten Untersuchungen gibt lediglich Jørgensen (1969) die Verwendung
von “sections” 19 zur Formantbestimmung an. Es ist nicht ausgeschlossen,
daß eine vorherige Annahme über die akustische Position æ± von
zu einer ähnlichen Voreingenommheit in der Messung selbst führen konnte.
Das Problem der Formantbestimmung anhand von Papiersonagrammen
ist an einem Beispiel in Abb. 3.7 illustriert. Aus der Mitte der jeweiligen
Vokalabschnitte (mit senkrechten Pfeilen markiert) liefert die hier verwendete
LPC-Formantbestimmung F2-Werte, die bei etwa 750 Hz für den Vokal
in hoch und 790 Hz für den Vokal in Fuß liegen. Die Lage von F2 wird
mit den waagerechten Pfeilen markiert. Je nach angewandtem Verfahren
und Parametereinstellung können sich diese Werte verändern, aber die Beziehung
(F2 æ±# von F2 von ± ) bleibt. Sowohl die Frequenz- als auch die
zeitliche Auflösung des Sonagramms in Abb. 3.7 entsprechen in etwa der
eines Papiersonagrammes, das z.B. Rausch (1972) zur Verfügung gestanden
hätte. Die Probleme, die Mitte eines Formantbandes aus einer solchen
Darstellung zuverlässig zu bestimmen sind offensichtlich. Der schwach
ausgeprägte zweite Formant von Fuß scheint tiefer zu liegen als der stärkere
F2 von hoch.
3.8.2 Akustische Ausprägung der Diphthonge
Wie schon ausführlich in Abschnitt 3.4.3 diskutiert, benötigt die akustische
Charakterisierung eines Diphthonges sowohl eine andere Meßmethode
als auch eine andere graphische Aufbereitung der Ergebnisse, als es bei
Monophthongen der Fall ist. In Abschnitt 3.6.2 wurde die angewendete
Meßmethode beschrieben, die automatisch eine Dauergruppierung der diphthongalen
Vokalabschnitte durchführt und eine Mittlung aller Abschnitte
in einer bestimmten Dauergruppe erlaubt.
Dauerverteilung der Diphthonge
Abb. 3.8 enthält die Häufigkeitsverteilung der verschiedenen Dauergruppen
für die drei Diphthonge ­¯ , ­ã und $#à aus dem spontansprachlichen
19 Eine “section” ist eine Aufzeichnung der Amplitude als Funktion der Frequenz zu einem
bestimmten Zeitpunkt in der Äußerung. Sie erlaubt eine bessere Identifizierung der Formanten.

3.8 Akustische Ausprägung der Diphthonge 65
%
Korpus in (a) und dem gelesenen Korpus in (b). Die Werte stammen
aus Inhalts- und Funktionswörtern, und die weiblichen und männlichen
Häufigkeiten sind zusammengelegt worden. In der Häufigkeitsverteilung
der Vokale in Abschnitt 3.7 ­¯ ist der häufigste $#à und der seltenste Diphthong,
egal ob Lese- oder Spontansprache das Untersuchungsobjekt ist.
Die Seltenheit $à von ist nicht nur auf seine phonologische Komplexität
(siehe 3.2), sondern auch auf seine Abwesenheit in den im Korpus vorkommenden
Funktionswörtern 20 zurückzuführen.
Aus dem Diagramm in Abb. 3.8 wird ersichtlich, daß nicht nur die absoluten
Häufigkeiten der Einzeldiphthonge unterschiedlich sind, sondern
auch ihre Häufigkeitsverteilung in den verschiedenen Dauergruppen. Bei
den spontansprachlichen ­¯ Diphthongen ­ã und (Abb. 3.8a) ist die Dauergruppe
80–100 ms am häufigsten bestetzt, $à während am häufigsten
eine Dauer von 120–140 ms aufweist. Bei den gelesenen Diphthongen
(Abb. 3.8b) sehen die Verteilungen etwas anders aus. Die größte Dauergruppe
­¯ für ist 100–120 ms, 20 ms nach oben geschoben gegenüber seinem
spontansprachlichen Gegenstück. Die häufigste Dauergruppe $#à für
bleibt bei 120–140 ms. Diese Dauergruppe ist auch die meistbelegte für
, obwohl ­ã im Gegensatz zu $#à eine breitgipfligere Verteilung in den
­ã
Dauergruppen zwischen 80 und 140 ms aufweist.
Die zeitliche Verteilung der verschiedenen Diphthonge hat Konsequenzen
für Aussagen über die gemittelten Verläufe der Abschnitte in den
schwach besetzten, außenliegenden Dauergruppen. Vergleiche zwischen
allen drei Diphthongen werden ab 180–200 ms nicht mehr möglich, weil
die Anzahl $à der -Tokens aufgeteilt nach Geschlechtergruppen auf unter
10 abfällt. ­ã Für ­¯ und geht die Anzahl der Fälle erst ab der Gruppe
260–280 ms teilweise unter 10 herunter. Es ist fraglich, ob gerade dieses
Problem sich bei einer immer größer werdenden Datenmenge verändern
würde, denn wie oben schon erwähnt, besitzt der $#à Diphthong einen ganz
anderen sprachlichen Stellenwert ­¯ als ­ã und , der sich u.a. in seinem
phonetischen Verhalten ausprägt. ­¯ Die -Tokens im Dauerbereich oberhalb
von 280 ms bestehen zu 78% aus Diphthongen in einer wortfinalen offenen
Silbe, und etwa 39% wurden mit einer Häsitationsmarkierung (z:) versehen,
so daß ein Teil der Länge eine zusätzliche interaktive Funktion erfüllt.
Da die Anzahl der Wörter, $à die als finale offene Silbe haben, sehr gering
ist, würde dieser Diphthong nur in ganz besonderen Dialogkontexten den
20 Der Diphthong &(' kommt lediglich in den Funktionswörtern euch und euer vor.

66 Deutsche Vokale - spontan und gelesen
800
700
600
Anzahl der Tokens
500
400
300
*
) +
)
- ,
200
100
0
-60 60-
80
80- 100- 120- 140- 160- 180- 200- 220- 240- 260- 280- 300- 320- 340- 360- 380- 400- 420- 440- 520-
100 120 140 160 180 200 220 240 260 280 300 320 340 360 380 400 420 440 460 540
Dauerguppe [ms]
(a)
300
250
/
. 0
.
12
200
Anzahl der Tokens
150
100
50
0
-60 60-80 80-100 100-
120-
140-
160-
180-
200-
220-
240-
260-
280-
300-
320-
340-
360-
120
140
160
180
200
220
240
260
280
300
320
340
360
380
Dauergruppe [ms]
(b)
Abbildung 3.8: Die Häufigkeitsverteilung der dauergruppierten Einzeldiphthonge
aus den (a) spontansprachlichen und (b) gelesenen Daten. Die
größte Dauergruppe pro Diphthong ist mit einem Pfeil markiert. Weibliche
und männliche Häufigkeiten wurden zusammengelegt.

3.8 Akustische Ausprägung der Diphthonge 67
Ý
oberen Dauerbereich ­¯ von erreichen.
Die höhere Dauerverteilungsspitze $à für ­¯ gegenüber in beiden Korpora
und ­ã
gegenüber im spontansprachlichen Korpus mag auf seine
Abwesenheit in Funktionswörtern zurückgeführt werden. Wenn die Diphthonge
­ã und der gelesenen Funktionswörter aus der Dauerzählung
­¯
herausgenommen werden, verschiebt sich die Verteilungsspitze ­¯ von
auch zur Dauergruppe 120–140 ms, so daß alle drei Diphthonge diese
Dauergruppe am häufigsten belegen. Bei den spontanen Daten bringt das
Herausrechnen der Diphthongdauern der Funktionswörter ebenfalls ein
Verschieben der Verteilungsspitzen ­¯ von ­ã und , jedoch nur nach 100–
120 ms und nicht nach 120–140 ms, der Verteilungsspitze $#à von .
Formantverläufe der Diphthonge
Abb. 3.9–3.11 enthalten gemittelte Verläufe der ersten beiden Formanten
der spontansprachlichen Diphthonge ­¯ (Abb. 3.9), ­ã (Abb. 3.10) und $#à
(Abb. 3.11) für die Frauen in (a) und die Männer in (b). Die Abszisse ist
eine Pseudo-Zeitachse. Da die Diphthonge in einer 20 ms-breiten Dauergruppe
(z.B. 80–100, 100-120, 120–140, usw.) durch die gleiche Anzahl
von Meßpunkten charakterisiert werden, müssen die Zeitpunkte, gegen die
die Formantwerte geplottet sind, zeitlich dehnbar vorgestellt werden. Eine
Zeitangabe an der X-Achse entspricht der unteren Grenze in der jeweiligen
Dauergruppe. So wird beispielsweise die Dauergruppe 100–120 ms durch
vier Meßpunkte charakterisiert; der erste Meßpunkt liegt bei 20 ms, der
letzte 20 ms vor dem Ende des Vokalabschnitts, je nach tatsächlicher Abschnittslänge,
zwischen 80 und 100 ms. In den Abbildungen wird jeweils
der niedrigste Zeitpunkt als Zeitangabe verwendet, die Formantwerte für
die Dauergruppe 100–120 ms liegen jeweils bei 20, 40 60 und 80 ms. Um
von einem Verlauf zu einer Dauergruppe umzurechnen, addiert man 20 auf
den Zeitpunkt des letzten Meßpunkts für die untere und weitere 20 für die
obere Grenze. Hört ein Verlauf bei 240 ms auf, entspricht das der Dauergruppe
260–280 ms.
Um einen Eindruck über Änderungen im Verlauf bei steigender Dauer
der diphthongalen Abschnitte zu vermitteln, ohne gleichzeitig das Bild
mit zu vielen Kurven unübersichtlich zu machen, sind in Abb. 3.9–3.11
nur die Verläufe aus bestimmten Dauergruppen dargestellt worden. Zuerst
werden Formantverläufe von jeder zweiten Dauergruppe dargestellt.
Die Anzahl der Tokens in den höheren Dauergruppen nimmt immer weiter

68 Deutsche Vokale - spontan und gelesen
2500
2250
2000
1750
Frequenz [Hz]
1500
1250
1000
750
500
250
0 20 40 60 80 100 120 140 160 180 200 220 240 260
Zeit [ms]
(a)
2500
2250
2000
1750
Frequenz [Hz]
1500
1250
1000
750
500
250
0 20 40 60 80 100 120 140 160 180 200 220 240 260
Zeit [ms]
(b)
Abbildung 3.9: Formantverläufe von F1 und F2 für (a) weibliches und
(b) männliches ­¯ in Spontansprache. Abgebildet sind die Dauergruppen
60–80, 100–120, 140–160, 180–200, 220–240, 240–260 (nur männlich)
und 260–280 (nur weiblich). Die unterschiedlichen Symbolisierungen der
Verläufe dienen lediglich der besseren Lesbarkeit.

3.8 Akustische Ausprägung der Diphthonge 69
2500
2250
2000
1750
Frequenz [Hz]
1500
1250
1000
750
500
250
0 20 40 60 80 100 120 140 160 180 200 220 240 260
Zeit [ms]
(a)
2500
2250
2000
1750
Frequenz [Hz]
1500
1250
1000
750
500
250
0 20 40 60 80 100 120 140 160 180 200 220 240 260
Zeit [ms]
(b)
Abbildung 3.10: Formantverläufe von F1 und F2 für (a) weibliches und (b)
männliches ­ã in Spontansprache. Abgebildet sind die Dauergruppen 60–
80, 100–120, 140–160, 180–200, 220–240 (nur männlich), 240–260 ms.
Die unterschiedlichen Symbolisierungen der Verläufe dienen lediglich der
besseren Lesbarkeit.

70 Deutsche Vokale - spontan und gelesen
2500
2250
2000
1750
Frequenz [Hz]
1500
1250
1000
750
500
250
0 20 40 60 80 100 120 140 160 180 200 220 240 260
Zeit [ms]
(a)
2500
2250
2000
1750
Frequenz [Hz]
1500
1250
1000
750
500
250
0 20 40 60 80 100 120 140 160 180 200 220 240 260
Zeit [ms]
(b)
Abbildung 3.11: Formantverläufe von F1 und F2 für (a) weibliches und
(b) $#à
männliches in Spontansprache. Abgebildet sind die Dauergruppen
80–100, 100–120, 140–160, 180–200 ms. Die unterschiedlichen Symbolisierungen
der Verläufe dienen lediglich der besseren Lesbarkeit.

3.8 Akustische Ausprägung der Diphthonge 71
3
ab (siehe Abb. 3.8), so daß eine Mittlung über die Einzelverläufe zu starken
Schwankungen an einzelnen Punkten führen kann. Solche gemittelten
Verläufe wurden nicht weiterverwendet.
Bei der graphischen Darstellung der Monophthonge wird eine Bark-
Skalierung verwendet, um Abstände im akustischen Raum zu erhalten, die
denen des Wahrnehmungsapparates näher kommen als eine lineare Hertz-
Skalierung. Bei den Diphthongen kommen die zeitlichen Abläufe hinzu,
d.h. die Veränderungen der Formanten über die Zeit. Diese Veränderungen,
die in akustischen Aufzeichnungen erfaßt wurden, können aus artikulatorischer
oder aus auditiver Sicht beschrieben werden. Für diese Beschreibung
ist die lineare Skalierung gewählt worden, um artikulatorischnahe
akustische Aussagen zu machen, d.h. Bewegungsabläufe, konstante
Geschwindigkeit, Beschleunigung und Verlangsamung werden zuerst aus
artikulatorischer Sicht betrachtet.
Die Formantverläufe der Diphthonge werden einzeln behandelt. Über
die Formantverläufe von allen Diphthongen der jeweiligen Kategorie über
sämtliche Dauergruppen läßt sich jedoch eine Gemeinsamkeit erkennen:
trotz unterschiedlicher Verlaufsformen über die verschiedenen Dauergruppen,
ist eine gleichgerichtete Grundbewegung immer zu erkennen.
(Abb. 3.9) Als ein nach vorn schließender Diphthong verläuft in allen
Dauergruppen ­¯ des die genannte Grundbewegung für F1 nach unten,
­¯
für F2 nach oben. Mit zunehmender Abschnittsdauer fängt der Verlauf von
F2 tiefer an, so daß der F2-Anfang bei den weiblichen Diphthongen zwischen
1700 Hz und 1350 Hz liegt. Bei den Männern ist die gleiche Tendenz
vorhanden, jedoch ist die Variationsbreite des F2-Anfangs kleiner. Er liegt
zwischen 1350 Hz für die Dauergruppe 60–80 ms und 1200 Hz für die
Dauergruppe 240–260 ms. Der erreichte Endpunkt des F2-Verlaufs nimmt
mit zunehmender Dauer zu. Mit zunehmender Dauer bildet der F2-Verlauf
eine immer ausgeprägtere S-Form, d.h. die Formantbewegungen am Anfang
und Ende sind langsamer. Bei den längeren Vokalabschnitten, ab der
Dauergruppe 140–160 ms bei den weiblichen und ab der Gruppe 220–
240 ms bei den männlichen Diphthongen sind untere und obere Enden der
S-Form so weit abgeflacht, daß eine Zielqualität erreicht zu sein scheint.
Bei den weiblichen liegt dieser Punkt zwischen 2000 und 2100 Hz, bei den
männlichen zwischen etwa 1650 und 1750 Hz.
Die Form der Verläufe ist für Frauen und Männer unterschiedlich. Bei

72 Deutsche Vokale - spontan und gelesen
4 den weiblichen Diphthongen bleiben die verschiedenen Teile der S-Form
(Anfangsphase, Hauptbewegung und Endphase) bei zunehmender Dauer
etwa gleich proportioniert. In den männlichen Verläufen nimmt die Anfangsphase
eine immer größere Portion des Gesamtverlaufs in Anspruch,
während die langsame Endphase sehr spät einsetzt und kurz gehalten wird.
In den abgebildeten weiblichen Dauergruppen zwischen 220 und
280 ms beginnt F2 wieder nach unten zu verlaufen. Dieses Muster ist
auch in den längeren ­¯ männlichen zu finden. Der Grund hierfür scheint
hauptsächlich in einer präpausalen Zentralisierung und nicht etwa im
früheren Eintreten von Transitionen zu nachfolgenden Konsonanten zu liegen.
Die Anfangspunkte der F1-Verläufe ­¯ für liegen nah beieinander, um
800 Hz für die weiblichen und 600 Hz für die männlichen Vokale. Lediglich
der F1-Verlauf der weiblichen Dauergruppe 60–80 ms fängt etwas
tiefer an. Der Verlauf von F1 bildet einen Bogen. Der höchste F1-Wert
wird in der Anfangsphase erreicht und fängt nach etwa einem Drittel der
gesamten Abschnittsdauer wieder an, kleiner zu werden, was auf eine Verkleinerung
der Vokalenge schließen läßt. Bei beiden Sprechergruppen wird
der erreichte Endpunkt von F1 mit steigender Dauer immer tiefer, die Endqualität
­¯ des somit immer geschlossener. Bei den weiblichen Vokalen
liegt der Endpunkt bei 640 Hz für die Dauergruppe 60–80 ms und bei
430 Hz für die längste abgebildete Dauergruppe, 260–280 ms. Die männlichen
F1-Endpunkte fallen ebenfalls nahezu monoton ab, mit 520 Hz für
die kürzeste Dauergruppe und 400 Hz für die längste abgebildete Gruppe,
240–260 ms.
(Abb. 3.10) Für den Diphthong ­ã liegen die F2-Formantverläufe der
­ã
einzelnen Dauergruppen näher beieinander als ­¯ bei . Die weiblichen F2-
Verläufe fangen zwischen 1400 und 1550 Hz an, die männlichen zwischen
1100 und 1250 Hz. Sie haben somit eine ähnliche Ausgangslage wie beim
­¯ Diphthong . Von dieser Ausgangslage sinkt F2 stets nach unten. Außer
im längsten Verlauf des ­ã weiblichen weisen die unterschiedlichen Dauergruppen
sehr homogene Verläufe auf. Bei 80 ms in Abb. 3.10a wird der
Tiefpunkt des F2-Abfalls bei etwa 1100 Hz erreicht. In den zwei längsten
weiblichen Verläufen wendet sich der F2-Verlauf wieder nach oben.
Im Gegensatz zu einer präpausalen Zentralisierung, wie es ­¯ bei der Fall
war, scheint diese Aufwärtsbewegung von F2 mit Transitionen zu einem

3.8 Akustische Ausprägung der Diphthonge 73
4nachfolgenden
Konsonanten zusammenzuhängen.
Die männlichen F2-Verläufe zeigen ebenfalls eine abfallende Bewegung,
sind jedoch nicht so sauber gebündelt, wie bei den ­ã weiblichen -
Verläufen. Ein F2-Tiefpunkt, der ebenfalls bei 80 ms erreicht wird, liegt
bei etwa 900 Hz. In den Dauergruppen ab 180–200 ms richtet sich der
F2-Verlauf auch nach oben und erreicht ebenfalls bei zunehmender Dauer
einen immer höheren Wert.
Am auffälligsten in den weiblichen und männlichen F1-Verläufen von
ist ihre Ähnlichkeit mit den F1-Verläufen von ­¯ . Die Form der Verläufe
­ã
sowie die Anfangspunkte und die Tiefe der Endpunkte bei zunehmender
Dauer sind gleich. Die Anfangspunkte der weiblichen F1-Verläufe liegen
geringfügig tiefer als die ­¯ für . Der höchste Punkt, den F1 im Verlauf
erreicht, ist ebenfalls geringfügig niedriger und näher am Anfang des Vokalabschnitts
gelegen.
(Abb. 3.11) Von den drei Diphthongen ist $à am seltensten vertreten
und eine Beschreibung nur bis zur Dauergruppe 180–200 ms möglich,
$#à
dennoch sind in den abgebildeten Verläufen deutliche Muster zu erkennen.
Wie bei keinem anderen Diphthong liegen die Anfangspunkte der weiblichen
und männlichen Formantverläufe eng beeinander. Der F2-Verlauf
bildet einen Bogen, der nach etwa einem Drittel der gesamten Abschnittsdauer
seinen tiefsten Punkt erreicht. Je länger der Vokalabschnitt, desto
tiefer ist der erreichte F2-Wert. Er liegt bei 1050 Hz für die weibliche
Dauergruppe 180–200 ms und bei 870 Hz für den männlichen Vokal. Der
F2-Hochpunkt wird ebenfalls mit zunehmender Dauer des diphthongalen
Abschnitts extremer und erreicht 1850 Hz beim weiblichen und 1650 Hz
beim $#à männlichen .
Die Form der F1-Verläufe $#à für ist nahezu identisch mit der für die anderen
beiden Diphthonge. Lediglich die Position des F1-Verlaufs im akustischen
Raum läßt auf die geschlossenere Anfangslage des Diphthongs
schließen. Bei $#à
weiblichem fängt der Vokal zwischen 570 und 670 Hz
an, erreicht in der Bogenspitze einen Höchstwert um etwa 730 Hz und hört
bei zunehmender Dauer mit einem immer niedrigeren Wert auf: 620 Hz in
der Gruppe 80–100 ms, 500 Hz in der Gruppe 180–200 ms. Bei männlichem
fängt der Verlauf bei etwa 500 bis 530 Hz an und erreicht eine
$à
Bogenspitze von etwa 580 Hz. Der Endpunkt des Verlaufs ist ebenfalls von
der Dauer abhängig, so daß für die Gruppe 80–100 ms ein Tief von 530 Hz

74 Deutsche Vokale - spontan und gelesen
5 erreicht wird, bei der Gruppe 180–200 ms von 400 Hz.
Obwohl Gay (1968) ein anderes Meß- und Beschreibungsschema verwendete
und nicht zuletzt die Diphthonge einer anderen germanischen
Sprache untersuchte, weisen seine Ergebnisse große Ähnlichkeiten mit
dieser Beschreibung auf. Bei abnehmender Vokaldauer rücken die Extremwerte
von F1 und F2 näher zusammen, so daß die qualitativen Anfangsund
Endpunkte eines Diphthongs bei abnehmender Dauer zentraler werden.
Der wichtigste Teil eines diphthongalen Vokalabschnitts scheinen jedoch
die Formantbewegungen zu sein, die in allen Dauergruppen zu finden
sind. Auf die Phasen der langsamen Bewegung am Anfang und Ende des
Diphthongs (Gays “Onset steady state” und “Offset steady state”) wird
bei abnehmender Dauer verzichtet. Je länger ein Diphthong wird, desto
länger wird vor allem die Anfangsphase, nicht aber die Geschwindigkeit
der Gleitbewegung, die sich in der etwa gleichbleibenden Geschwindigkeit
von F2 widerspiegelt.
Die Ergebnisse der hiesigen Studie sprechen jedoch gegen die Ergebnisse
der auditiven Experimente von Bladon (1985). Anhand von drei Experimenten
will Bladon aufzeigen, daß die Bewegung eines Diphthongs
nicht unwichtig ist, jedoch eine geringfügigere Rolle spielt als das Erreichen
von qualitativen Zielen am Anfang und am Ende des Diphthongs.
In den ersten beiden Experimenten werden trainierten Phonetikern einzelne
Diphthongstimuli vorgespielt. Die Stimuli werden aus isoliert und monoton
gesprochenen Diphthongen hergestellt, an denen schrittweise das
Ende (Experiment 1) bzw. der Anfang (Experiment 2) zurückgeschnittten
wird, so daß die erreichte Qualität (Experiment 1) eines schließenden Diphthongs
immer offener bzw. die Anfangsqualität (Experiment 2) immer
geschlossener wird. In einem dritten Experiment werden den Probanden
manipulierte Versionen von Diphthongen, eingebettet in Sätzen, vorgespielt.
Den Stimuli (z.B. how) wurde entweder die Gleitphase entnommen,
so daß der Diphthong aus einem harten Übergang von Anfangs- zu Endqualität
bestand, oder Anfangs- und Endphasen wurden herausgeschnitten,
so daß nur die Gleitphase übrigblieb. Die Ergebnisse aus den drei Experimenten
lieferten für Bladon den klaren Beweis, daß die Endqualitäten und
nicht die Gleitphase für die Erkennung eines Diphthongs ausschlaggebend
sind. In den ersten beiden Experimenten haben die phonetisch trainierten
Hörer jeweils eine immer offenere Endqualität bzw. immer geschlossenere

3.8 Akustische Ausprägung der Diphthonge 75
6
Anfangsqualität wahrgenommen. Auf Grund der Gleitphase, die in ihrer
Richtung und Geschwindigkeit immer gleich blieb, haben sie aber nicht
den ursprünglichen Diphthong gehört. Im dritten Experiment wurden die
Diphthonge, deren Gleitphase ausgeschnitten wurde, stets richtig erkannt.
Die Stimuli, die nur noch eine Gleitphase besaßen, wurden hingegen mit
unterschiedlichen Fehlerraten erkannt.
Bladons Experimente sowie die Schlüsse, die er aus den Ergebnissen
zieht, sind jedoch nur bedingt vergleichbar mit akustischen Beschreibungen,
die die Gleitphase und nicht die Anfangs- und Endqualitäten in den
Vordergrund rücken. Das erste und zweite Experiment haben nur indirekt
mit einer Sprache zu tun. Phonetiker als Versuchspersonen mußten ihr trainiertes
Gehör bei der Erkennung von isolierten Vokalstimuli einsetzen. Die
Äußerungen mögen eine qualitative Ähnlichkeit mit denen von diphthongalen
Abschnitten besitzen, wie sie in bestimmten Umgebungen in Äußerungen
des Englischen auftreten, aber sie wurden monoton und isoliert
produziert und nach Manipulation isoliert vorgespielt. Im dritten Experiment
wurden Teile aus den Diphthongen herausgenommen ohne zeitlich
zu kompensieren, d.h. die Dauern der Stimuli lagen weit unter der Dauer
von diphthongalen Abschnitten, die in dieser Umgebung vorgekommen
wären. Was das Gehör und der Wahrnehmungsapparat allgemein mit solchen
natürlich nicht auftretenden Stimuli macht, bleibt noch unklar, es
ist aber durchaus denkbar, daß bei einem harten Formantübergang eine
Gleitphase perzeptorisch wiederhergestellt wird ebenso wie die notwendige
Zeitspanne, die zur Verfügung hätte stehen müssen, um diese Bewegung
vollbringen zu können. Bei den Stimuli, die nur aus einer Gleitphase bestanden,
ist diese zeitliche Wiedergutmachung nicht notwendig, und das
Ergebnis der Wahrnehmung ist ein Vokal, der in seiner Form für den Kontext
zu kurz und unvollständig bleibt, um den entsprechenden Diphthong
zu identifizieren. Denn bei Gay und bei den Ergebnissen hier ist eine unzertrennliche
Beziehung zwischen der Dauer und den verschiedenen Elementen
der Formantverläufe zu erkennen. Bis zu einer bestimmten Dauer wird
ein Diphthong allein durch eine Gleitbewegung charakterisiert. Erst bei zunehmender
Dauer ist zuerst eine Anfangs- dann eine Endphase zu erkennen.
Würden Elemente der Verläufe an dauermäßig unpassenden Stellen
auftreten bzw. fehlen, so würden sie nicht mehr der erwarteten Form ent-

76 Deutsche Vokale - spontan und gelesen
5 sprechen und in passend hergestellten Stimuli zu Fehlerkennungen führen,
was noch experimentell zu verifizieren wäre.
3.9 Beziehungen zwischen Vokalqualität und
Geschlecht, Dauer, lautlichem Kontext sowie
Stil
Im vorigen Abschnitt wurden Vokalsysteme von Sprechergruppen und
Korpora durch Mittelwerte der ersten und zweiten Formanten charakterisiert.
Die qualitative Streuung um diese Mittelwerte hat jedoch nicht nur
mit der stochastischen Variation, die wir aus einem solchen komplexen
System wie dem Artikulationsapparat erwarten würden, zu tun.
Die größten Unterschiede in den Formantwerten der gleichen Vokalkategorie
sind in den Unterschieden zwischen weiblichen und männlichen
Stimmen zu finden. Im Durchschnitt haben Frauen kürzere Ansatzrohre
als Männer. Der akustischen Theorie folgend (Fant 1960) stehen die
Formantwerte einer bestimmten Ansatzrohrkonfiguration in umgekehrtem
Verhältnis zur Länge des Ansatzrohres: je länger das Rohr, desto tiefer
liegen die Formanten. Aber dieses einfache akustische Verhältnis reicht
nicht aus, um eine ganze Reihe von akustischen Unterschieden zwischen
den Stimmen von Frauen und Männern zu bewältigen. Obwohl weibliche
Formanten im Schnitt höher liegen als männliche, ist an mehreren Stellen
beobachtet worden, daß weibliche Vokalsysteme sich im akustischen
Raum weiter ausbreiten als ein einfacher Umrechnungsfaktor vorhersagen
würde. Mögliche Gründe hierfür reichen vom soziophonetischen zum akustischen.
Für mehrere Sprachen findet Henton (1995) größere akustische
Vokalräume für Frauen als für Männer, Unterschiede, die für sie soziophonetisch
zu begründen sind. Frauen als Hauptüberträgerinnen des Sprachguts
sind bemüht deutlicher zu sprechen als Männer, was sich u.a. in einem
größeren, distinktiveren Vokalraum niederschlägt. Der größere Vokalraum
kann aber auch mit der durchschnittlich höherliegenden Grundfrequenz
von weiblichen Stimmen zusammenhängen (Diehl et al. 1996). Das etwa
eine Oktave höher liegende weibliche F0 hat zur Folge, daß die Obertöne
erheblich weiter auseinanderliegen, was zu einer schlechteren Abtastung
des Ansatzrohrfilters führt. Ein Weg, die daraus resultierende schwächere
Vokaldifferenzierung zu kompensieren, sind Ansatzrohrkonfigurationen

3.9 Vokalqualität und Geschlecht, Dauer, Kontext sowie Stil 77
7
für Vokale, die weiter voneinander entfernt sind, was akustisch gesehen
zum größeren Vokalraum führt.
Gruppen- und sprecherinterne Unterschiede in Vokalqualität sind auf
mehrere Faktoren zurückzuführen, die als kontextuell im weitesten Sinne
zusammengefaßt werden können. Als Einflußgrößen sind zu nennen:
Dauer (Lindblom 1963; Stevens und House 1963; Stevens, House
8
und Paul 1966; Lindblom und Moon 1988; Son und Pols 1990);
unmittelbare konsonantische und vokalische Umgebung (Lindblom
8
1963; Stevens und House 1963; Stevens, House und Paul 1966;
Öhman 1966);
Äußerungskontext (Nord 1975, 1986; Lindblom und Moon 1988;
8
Moon und Lindblom 1994);
Akzentuierung (Nord 1975, 1986; Nord 1986; Engstrand 1988;
8
Brownlee 1996);
Sprechstil (Koopmans-van Beinum 1980; Lindblom und Moon
8
1988; Moon 1991; Moon und Lindblom 1994; Brownlee 1996).
Das Bild wird noch umso komplexer, da verschiedene Untersuchungen
zu scheinbar entgegengesetzten Ergebnissen kommen: Gay (1978) und
Engstrand (1988) finden keine Beziehung zwischen Vokalqualität und Vokaldauer;
Lindblom (1963) stellt keine direkte Beziehung zwischen Qualität
und Akzentuierung fest, während andere Untersuchungen Beziehungen
zwischen Dauer (z.B. Lindblom 1963; Son und Pols 1990) und Qualität
oder Akzentuierung finden (z.B. Nord 1986; Engstrand 1988).
Die Beziehung zwischen Vokalqualität, Dauer und der unmittelbaren
lautlichen Umgebung läßt sich anhand von zwei früheren Studien (Lindblom
1963; Stevens und House 1963) exemplarisch erläutern. In Lindblom
(1963) wurden die beobachten Formantwerte eines Vokalabschnitts
als Funktion seiner Dauer, der Zielwerte des Vokals sowie der Formantwerte
der prä- und postvokalischen Konsonanten modelliert. Es wurden
schwedische Logatome mit einer einfachen C9 VC: -Struktur gebildet, in
der C9 und C: gleich waren. Diese wurden an verschiedenen Stellen in
drei Trägersätzen plaziert. Die Versuchsperson wurde gebeten, einen der
Sätze mit unterschiedlicher Akzentuierung zu produzieren, so daß in einem
Fall der Satzakzent auf das Logatom fiel, im anderen Fall nicht. Dies

78 Deutsche Vokale - spontan und gelesen
ergab insgesamt vier Sätze, die mehrmals von einer Versuchsperson gesprochen
wurden.
In einer Untersuchung zu Vokalqualität und konsonantischem Kontext
3
verwendeten Stevens und House (1963) ebenfalls Logatommaterial. Zweisilbige
Wörter mit der ;>²=< C9 VC: Struktur sowie Einzelvokale wurden isoliert
produziert.
Eine Zusammenfassung der Ergebnisse von Lindblom (1963) und Stevens
und House (1963) ergibt folgende Regelmäßigkeiten im Verhalten
von vokalischen F1 und F2 in verschiedenen Dauer- und lautlichen Kontexten:
Umgeben von Konsonanten weisen die F2-Werte verschiedener Vokale
auf eine zentralere Lage
8
hin.
Unterhalb eines bestimmten Wertes (375 Hz für Lindbloms Sprecher)
weicht F1 kaum von seinem Zielwert
8
ab.
Bei vorderen Vokalen verändert sich F2 am wenigsten im velaren,
8
am meisten im labialen und koronalen 21 Kontext.
Veränderungen an F2 bei den hinteren gerundeten Vokalen sind am
8
kleinsten im labialen, am größten im koronalen Kontext.
F2 weicht bei den gespannten Vokale (außer ) weniger vom Ziel ab
8
als bei den ungespannten.
Zusätzlich zu den zeitlichen und lautlichen Faktoren zählen die Variablen
Stil und Akzent. Insbesondere der Variable Stil 22 wurde in den
letzten Jahren wachsendes Interesse zuteil. Einige dieser Studien (Moon
und Lindblom 1994; Brownlee 1996; Lindblom, Brownlee und Lindgren
1996) sind bemüht, dem H&H-Ansatz (Lindblom und Moon 1988;
21 Koronal umfaßt die Frikative > , ? , @ und A , die Plosive B und C sowie die Affrikate BED , CGF .
Stevens und House (1963) verwenden hierfür postdental.
22 Stil ist in sprachlichen Untersuchungen ein Begriff mit vielen Bedeutungen. Insbesondere
wird er sehr leichtfertig mit Sprechgeschwindigkeit gleichgesetzt. Hier wird er verwendet
um bestimmte linguistische Aktivitäten zu beschreiben, wie Spontansprache, Lesesprache,
Zitierformsprache, deutliche Sprache. Diese Benennungen sollen aber nicht direkt mit bestimmten
phonetischen Eigenschaften verbunden werden, denn es ist klar, daß eine Person in
einem Aufnahmestudio, die zum Lesen oder zum Deutlichsprechen aufgefordert wird, dieser
Forderung je nach Übung und Hemmungen unterschiedlich nachkommen wird. Aber wir
können erwarten, daß sich bestimmte phonetische Unterschiede in der Produktion von Sprechergruppen
feststellen lassen, die an verschiedenen linguistischen Aktivitäten teilnehmen.

3.9 Vokalqualität und Geschlecht, Dauer, Kontext sowie Stil 79
H
Lindblom 1990) eine empirische Grundlage zu liefern. Lindbloms Hyper-
Hypo-Dimension sieht eine enge Beziehung zwischen Sprachproduktion,
Sprachwahrnehmung und kommunikativer Situation. Die Wahrnehmung
des sprachlichen Inhalts einer Äußerung besteht aus einer Kombination
von signalinhärenten und signalexternen Informationen. Je nach der Stelle
in einer Äußerung und der gemeinsamen Wissensbasis, die die Teilnehmer
an einem Gespräch besitzen, dürfen die signalinhärenten und signalexternen
Anteile unterschiedliche Größen annehmen. Wie andere biomechanische
Systeme fährt der Sprachproduktionsmechanismus mit möglichst
geringem Energieaufwand. Konkret auf Vokalqualität im akustischen Bereich
angewendet, erwartet H&H eine zunehmende spektrale Annäherung
der Vokale aneinander, je größer der Anteil an signalexterner Information
ist.
Es gibt zwei grundsätzliche Probleme bei der H&H-Theorie. Erstens
ist eine Quantifizierbarkeit der signalexternen Information sehr schwer,
denn sie beschränkt sich nicht nur auf die unmittelbare kommunikative
Situation, sondern ist wahrscheinlich für jedes Wort einer Äußerung neu
zu bestimmen. Das zweite Problem ist, daß die signalinhärente Information
nicht weiter herabgesetzt wird, als es tatsächlich an bestimmten Stellen
in der kommunikativen Situation geschieht.
Es ist jedoch möglich, das Quantifizierungsproblem auf die grobe
Klassifikation des Stils zu beschränken. Bei solchen Stilen, in denen die
signalexternen Informationen allgemein höher liegen (z.B. in einem spontanen
Dialog zwischen zwei Bekannten), ist eine größere Einebnung der
signalinhärenten Information zu erwarten, als in einem Stil, in dem die signalexterne
Information viel niedriger liegt, wie z.B. beim Vorlesen von
kontextlosen Sätzen.
Das gelesene und spontansprachliche Material dieser Studie bietet einige
Möglichkeiten, Beziehungen zwischen Vokalqualität, Geschlecht, Dauer
und unmittelbarer konsonantischer Umgebung in einem interstilistischen
Vergleich zu untersuchen. Wie schon an einigen Stellen erwähnt,
können die untersuchten Daten nicht immer die gewünschten Daten für
einen bestimmten Kontext in ausreichenden Mengen liefern, wie sie in einer
Laboruntersuchung gezielt elizitiert werden können. So gibt es in der
Untersuchung von Qualität und konsonantischer Umgebung in 3.9.3 einige
Datenlücken, weil eine Vokalkategorie mit zu wenig oder gar keinen
Tokens in einem bestimmten Kontext vertreten ist.

80 Deutsche Vokale - spontan und gelesen
In 3.9.1 wird die Beziehung zwischen Vokalqualität und Dauer untersucht,
in 3.9.2 die Unterschiede zwischen den weiblichen und männlichen
Vokalräumen, in 3.9.3 die Beziehung zwischen Vokalqualität und konsonantischer
Umgebung. Diese drei Untersuchungsbereiche werden aber
ständig von den Faktoren Geschlecht und Stil (Spontan- oder Lesesprache)
durchquert, so daß ein Gesamtbild über die verschiedenen Faktoren,
die zu akustischen Unterschieden der Vokalqualität im Kiel Corpus führen,
aufgebaut wird 23 .
3.9.1 Vokalqualität und Dauer
Um einer möglichen Beziehung zwischen Vokalqualität und Dauer in
den gelesenen und spontansprachlichen Korpora nachzugehen, werden die
fünf häufigsten Lang-Kurz-Vokalpaare (I6± /¯ , ä± /á , ­B± /­ , æ± /$ , ± /ã ) in Inhaltswörtern
in ihren F1/F2-Werten untersucht. In Tabelle 3.4 wird die Beziehung
zwischen den Dauern der einzelnen Vokalabschnitte und ihren F1-
und F2-Werten durch die Berechnung eines Spearman-Rangkorrelationskoeffizienten,
GJ , ausgedrückt. Die obere Hälfte von Tabelle 3.4 enthält die
Ergebnisse für die spontansprachlichen Vokale, die untere für die gelesenen
Vokale.
Zuerst werden die spontansprachlichen Vokale behandelt. Dies hat
zwei Gründe. Erstens, weisen die Korrelationen in den spontansprachlichen
Daten einige systematische Beziehungen zwischen Dauer und Formantwerten
auf. Zweitens, sind die Tendenzen trotz unterschiedlicher
Gruppengrößen bei den weiblichen und männlichen Sprechern in den meisten
Fällen die gleichen. Bei den gelesenen Daten hingegen finden sich
nur einige der Regelmäßigkeiten aus den spontansprachlichen Daten wieder,
trotz der größeren Ausgewogenheit des Materials, was die Aufteilung
in Geschlechtergruppen sowie das Material, das gelesen wurde, betrifft.
Vokaldauer und -qualität in der Spontansprache
Bei den meisten Vokalen in der oberen Hälfte von Tabelle 3.4 gibt es eine
signifikante Korrelation zwischen der Dauer und den Formantwerten.
23 Die Beziehung zwischen Vokalqualität und Akzent wird hier nur indirekt behandelt, indem
eine Trennung zwischen Funktions- und Inhaltswörtern gemacht wird. Das Kiel Corpus
wird zwar zur Zeit prosodisch etikettiert, aber ein Großteil des Korpus enthält lediglich Information
zur lexikalischen Akzentuierung, nicht jedoch zur Akzentuierung auf Satzebene.

3.9 Vokalqualität und Dauer 81
Tabelle 3.4: Korrelation von Dauer und Formantwerten für fünf
Lang/Kurzvokalpaare in Inhaltswörtern. Die Spalte J enthält Spearman
Rangkorrelationskoeffizienten mit Angabe der Signifikanz KL
M#N MOMP
(***
, ** MQM#P RKS
M#N M#P
, * MN MP RKS
M#N MQT
, ns KVU
MN M!T
). Bei einer
negativen Korrelation sinken Formantwerte mit zunehmender Dauer, bei
einer positiven Korrelation werden steigende Formantwerte mit steigenden
Dauern assoziert. Werte in der oberen Tabellenhälfte sind aus Spont-
MN
ansprache, in der unteren Hälfte aus Lesesprache.
w
m
504
813
-0.058
-0.033
ns
ns
w
m
958
1492
0.100
0.098
***
***
Kategorie
w 504 0.181 *** w 958 0.223 ***
m 813 0.280 *** m 1492 0.171 ***
w 746 -0.120 *** w 860 0.183 ***
m 959 -0.204 *** m 1107 0.183 ***
w 746 0.531 *** w 860 0.283 ***
m 959 0.520 *** m 1107 0.214 ***
w 1256 0.440 *** w 1124 0.377 ***
m 1733 0.380 *** m 1844 0.270 ***
w 1256 -0.270 *** w 1124 0.019 ns
m 1733 -0.335 *** m 1844 0.149 ***
w 308 0.055 ns w 483 0.265 ***
m 406 0.197 *** m 662 0.230 ***
w 308 -0.418 *** w 483 0.025 ns
m 406 -0.382 *** m 662 -0.106 **
w 369 -0.038 ns w 304 0.198 ***
m 452 -0.081 ns m 569 0.111 **
w 369 -0.463 *** w 304 -0.306 ***
m 452 -0.462 *** m 569 -0.379 ***
w
m
264
259
-0.253
-0.019
***
ns
w
m
638
643
0.115
0.235
**
***
w 264 0.036 ns w 638 0.084 *
m 259 0.254 *** m 643 0.128 **
w 301 -0.244 *** w 452 0.103 *
m 305 0.214 *** m 450 0.300 ***
w 301 0.237 *** w 452 0.005 ns
m 305 0.287 *** m 450 0.246 ***
w 318 -0.048 ns w 610 0.140 ***
m 316 0.203 *** m 611 0.383 ***
w 318 -0.256 *** w 610 -0.153 ***
m 316 -0.050 ns m 611 0.052 ns
w 178 -0.045 ns w 132 0.103 ns
m 179 0.177 * m 132 0.422 ***
w 178 -0.465 *** w 132 -0.189 *
m 179 -0.585 *** m 132 -0.336 ***
w 188 0.040 ns w 177 0.113 ns
m 182 0.097 ns m 183 0.315 ***
w 188 -0.671 *** w 177 -0.264 ***
m 182 -0.719 *** m 183 -0.370 ***

82 Deutsche Vokale - spontan und gelesen
900
800
gih (j )
700
F1 [Hz]
600
500
kih (l )
400
300
0 100 200 300 400 500
Dauer [ms]
2500
2300
(a)
2100
m (n )
F2 [Hz]
1900
1700
1500
1300
1100
oip (q )
900
700
500
0 50 100 150 200 250 300 350
Dauer [ms]
(b)
Abbildung 3.12: Gleitende Mediane (siehe Text) der Formantwerte geplottet
als Funktion der Dauer für (a) F1 von weiblichem ­B± und männlichem
ä± und (b) F2 von weiblichem á und männlichem ± . Die negativen Korrelationen
von Dauer und F1 in ä± sowie Dauer und F2 bei ± zeigen sich
in fallenden Formantwerten bei steigender Dauer, die positiven Korrelationen
von Dauer und F1 bei ­B± sowie Dauer und F2 bei á sind in den
steigenden Formantwerten bei steigender Dauer zu erkennen. Die Werte in
beiden Diagrammen stammen aus der Spontansprache.

3.9 Vokalqualität und Dauer 83
r
In den Fällen, in denen einen negativen Wert aufweist, besteht eine negative
Korrelation, d.h. bei zunehmender Dauer der Vokalabschnitte nehmen
die Formantwerte ab. Bei einer positiven Korrelation (positives )
J
steigen die Formantwerte bei ebenfalls steigender Dauer. Dies läßt sich
in Abb. 3.12 graphisch nachvollziehen. Dargestellt werden gleitende J Mittelwerte
24 von F1 ­B± für weibliches ä± und männliches (3.12a) sowie von
F2 á für weibliches und ± männliches (3.12b) als Funktion der Dauer.
Die negativen Korrelationen für F1 von ä± männlichem sowie für F2 von
± männlichem lassen sich am sinkenden Formantwert bei zunehmender
Abschnittsdauer erkennen. Die positiven Korrelationen von Dauer und F1
bzw. F2 bei weiblichem á und sind in den steigenden Formantwerten ­B± bei
zunehmender Dauer zu sehen.
Trotz der hohen Signifikanz der Korrelationen sind die Koeffizientenwerte
dennoch meist klein. Dies weist darauf hin, daß neben der Dauer
noch andere Faktoren eine Beziehung mit der Vokalqualität haben (Son
und Pols 1990). In der Mehrheit der Fälle läßt sich sowohl die Richtung
(positiv oder negativ) als auch das Fehlen einer signifikanten Korrelation
erklären. Wie schon aus der obigen Diskussion klar wurde, erwarten
wir für die verschiedenen Vokalkategorien auf Grund der unterschiedlichen
Ziele, die angepeilt werden, unterschiedliche Auswirkungen auf die
akustischen Parameter F1 und F2.
Eine allgemeine Tendenz ist die Verlagerung der Vokalqualität auf eine
zentralere Position im akustischen Raum bei abnehmender Dauer. Bei
den I6± geschlossenen Vokalen ± und drückt sich diese Tendenz lediglich
in F2 aus. F1 bleibt unberührt, denn als geschlossene Vokale haben beide
F1-Werte (siehe Abb. 3.6), die nur unwesentlich höher liegen als die der
benachbarten Konsonanten. Die am Rande des akustischen Raumes liegenden
F2-Werte werden bei den geschlossenen Vokalen nicht erreicht. Bei
abnehmender Dauer wird die vordere I6± Enge für nicht erreicht, F2 nimmt
ab. ± Bei wird F2 mit abnehmender Dauer größer. Hier wird die notwendige
Länge des Hohlraumes zwischen der dorso-velaren Enge und dem
Mundausgang nicht erreicht. Wie schon auf S. 61 besprochen, kann ein
höher liegender F2 bei gerundeten Vokalen zwei artikulatorische Gründe
haben: (i) vorgezogene dorso-velare Vokalenge; (ii) unterschiedliche oder
24 Die gleitenden Mittelwerte wurden wie folgt berechnet. Die Beobachtungen wurden nach
der Variable Dauer aufsteigend sortiert. Ab der 15. Beobachtung wurde aus den 15 vorhergehenden
und 15 nachfolgenden Formantwerten ein Median gebildet. Ein solcher Mittelwert
wurde alle 5 Beobachtungen berechnet.

84 Deutsche Vokale - spontan und gelesen
in
s
diesem Fall nicht erreichte Lippenrundung. Es kann hier nur vermutet
werden, daß die Rundung nicht für die hohen F2-Werte verantwortlich ist,
denn Rundung eines Vokalabschnitts erstreckt sich meist über prä- und
postvokalisches Material, hat somit genügend Zeit sich aufzubauen, und
die Lippen können unabhängig von der Zunge agieren 25 .
Bei den restlichen Vokalkategorien, deren Zielqualität nicht geschlossen
ist, besteht, außer ä± bei (siehe unten), eine positive Korrelation zwischen
Dauer und F1, d.h. bei zunehmender Dauer steigt F1, was artikulatorisch
auf eine immer offenere Zungenlage schließen läßt. Bei den nichtoffenen
Vokalen ist die gleiche Tendenz in F2 zu einer zentralen Lage zu
verzeichnen, wie bei den geschlossenen Vokalen, d.h. die hinteren Vokale
, ã und $ zeigen negative Korrelationen, die vorderen ä± , ¯ und á positive
æb±
Korrelationen zwischen Dauer und F2.
Bei dem offenen ­ /­B± Kurz-Lang-Paar gehen die Korrelationen in entgegengesetzten
Richtungen. ­ Bei sind Dauer und F2, zumindest in der
männlichen Gruppe, positiv korreliert, während ­B± für in beiden Gruppen
eine negative Korrelation herrscht. Diese Unterschiede sind insofern interessant,
als die Mediane der F1 und F2-Werte ­ für ­B± und zu einer nahezu
identischen qualitativen Plazierung im akustischen Raum der spontansprachlichen
Daten führen (siehe Abb. 3.6).
Problematisch bleibt die negative Korrelation von Dauer und F1 beim
ä± Vokal im Gegensatz zu den anderen halbgeschlossenen Vokalkategorien
, æ± und ã , bei denen Dauer und F1 positiv korreliert sind.
¯
Vokaldauer und -qualität in der Lesesprache
In der unteren Hälfte von Tabelle 3.4 finden sich die Korrelationsergebnisse
für die gelesenen Daten. Obwohl die gelesenen Vokale, im Gegensatz zu
den spontansprachlichen Vokalen, gleichmäßig über die Geschlechtergruppen
und Korpora verteilt sind, ist das Bild der eventuellen Beziehungen
zwischen Dauer und Vokalqualität unklarer. Bei bestimmten Kategorien
finden sich signifikante Korrelationen für die weiblichen und männlichen
Vokale, die den spontansprachlichen Daten ähnlich sind:
Die hinteren gerundeten Vokale ± , ã , æ± und $ weisen bei den weiblichen
und männlichen Daten alle eine negative Korrelation
8
zwischen
25 Stevens und House (1963) sind anderer Meinung und machen unerreichte Lippenrundung
für den höheren F2 verantwortlich.

3.9 Vokalqualität und Dauer 85
Dauer und F2 auf.
Die Korrelationen zwischen Dauer und F1 in der männlichen Gruppe
sind auch denen der spontansprachlichen Daten ähnlich. Bei den
8
und ± ist keine Korrelation vorhanden, bei den restlichen
nicht geschlossenen Kategorien ist die Dauer positiv mit F1
geschlossenenI6±
korreliert.
Bei einigen Vokalkategorien bestehen jedoch Unterschiede zwischen
den weiblichen und männlichen Daten, was das Vorhandsein einer signfikanten
Korrelation zwischen Dauer und F1 oder F2 betrifft. Bei F1 von I6± ,
­B± , æb± , $ und ã sowie bei F2 von I6± , ­B± , á und ­ ist in einer Geschlechtergruppe
eine signifikante Korrelation vorhanden, in der anderen nicht. So findet
sich z.B. beim weiblichen gelesenen ­B± eine signifikante positive Korrelation
von Dauer und F2, beim männlichen ­B± nicht.
Diese Unterschiede zwischen den Sprechergruppen und Korpora weisen
einerseits auf unterschiedliches Verhalten in den unterschiedlichen linguistischen
Aktivitäten, andererseits auf unterschiedliches Verhalten zwischen
den weiblichen und männlichen Sprechergruppen bei der Ausübung
der jeweiligen Aktivität. Ein Vergleich einiger Dauerparameter für die beiden
Korpora in Tabellen 3.5 und 3.6 unterstützt diese Vermutung.
Tabelle 3.5 enthält eine detaillierte Aufstellung der durchschnittlichen
Dauern der zehn untersuchten Vokalkategorien, getrennt nach Korpus und
Geschlecht. Es gibt systematische, hochsignifikante 26 Unterschiede zwischen
den Dauern der Sprechergruppen und den Korpora. Erstens liegen
die durchschnittlichen Dauern aller männlichen Vokalkategorien in
Spontan- und Lesesprache tiefer als die der Frauen: ca. 11% kürzer in
Spontan- und und Lesesprache. Zweitens, die Dauer-Mediane aller spontansprachlichen
Vokalkategorien liegen tiefer als die der Lesesprache: ca.
15% bei den weiblichen und 16% bei den männlichen Vokalen. Sämtliche
Unterschiede zwischen den einzelnen Vokalkategorien sind in einer Richtung,
d.h. die durchschnittlichen Dauern aller weiblichen Vokalkategorien
sind größer als die der Männer.
Tabelle 3.6 versucht, durch die Ermittlung anderer Dauerwerte, die
unterschiedlichen Vokaldauern in Inhaltswörtern in Relation zu anderen
zeitlichen Aspekten zu stellen. Dies hat interessante Folgen. Die Werte
in Tabelle 3.6 enthalten die durchschnittlichen Dauern der Silben (t ) so-
26 Alle Unterschiede wurden mit einem U-Test überprüft.

{
w
w
86 Deutsche Vokale - spontan und gelesen
Tabelle 3.5: Mediane (u v
) in Millisekunden der Dauer der zehn Vokalkategorien
aus Spontansprache (links) und Lesesprache (rechts). Alle Werte
sind aus Inhaltswörtern. Die Anzahl der Beobachtungen pro Median sind
in Klammern. Der U-Test ergibt hohe Signifikanz für alle Dauerunterschiede
zwischen männlichen und weiblichen Vokalen der gleichen Kategorie.
Spontansprache
Lesesprache
weiblich männlich weiblich männlich
z|{
}
70 (504) 60 (813) 81 (264) 73 (259)
50 (958) 46 (1492) 62 (638) 57 (643)
u v
xw
u v
xw
u v
xw
u v
yw
{ ~
87 (746) 75 (959) 109 (301) 92 (305)
78 (860) 67 (1107) 85 (452) 78 (450)
{ €
€
105 (1256) 96 (1733) 148 (318) 133 (316)
79 (1124) 70 (1844) 86 (610) 79 (611)
‚
91 (308) 82 (406) 127 (178) 113 (179)
75 (483) 68 (662) 83 (132) 70 (132)
{ ƒ
„
83 (369) 77 (452) 85 (188) 80 (182)
60 (304) 50 (569) 69 (177) 63 (183)
Tabelle 3.6: Durchschnittliche Dauern in Millisekunden von Silben (t ),
vokalischen (… ) und nichtvokalischen ( w … ) Elementen in Funktions- († )
und Inhaltswörtern (‡ ) für Spontan- und Lesesprache.
Gruppe tˆ tŠ‰
spontan w 163 208 59 63 74 96
spontan m 154 190 57 61 70 85
gelesen w 158 227 52 63 71 102
gelesen m 144 207 49 60 65 91
…‹ˆ
…‹‰ …‹ˆ …‹‰
wie der vokalischen (… ) und nichtvokalischen ( w … ) Elemente getrennt nach
Funktions- († ) und Inhaltswörtern (‡ ) sowie nach Geschlecht (w/m) und
Korpus (spontan/gelesen). Alle Werte sind in Millisekunden. Die Dauern
wurden lediglich aus Analysen der Wörter berechnet, andere Äußerungselemente,
wie etwa Pausen, Atmung, usw., wurden nicht berücksichtigt.
Die Silbenzahl eines Wortes wurde nach der Anzahl der Vokale in der ka-

3.9 Vokalqualität und Dauer 87
nonischen 4 Transkription ermittelt, d.h. auch solche Silben wurden gezählt,
in denen der Vokal während der Etikettierung als getilgt markiert wurde.
Aus der Gesamtdauer der untersuchten Wörter geteilt durch die Gesamtzahl
der Silben ergibt sich eine durchschnittliche Silbendauer. Um durchschnittliche
Lautdauern zu erhalten, wurden die Gesamtdauern aller vokalischen
und nichtvokalischen Elemente, die eine von Null verschiedene
Dauer haben, aufsummiert und durch ihre jeweilige Gesamtzahl geteilt.
Für eine detaillierte Untersuchung von Tempo sind die ermittelten Zahlen
in Tabelle 3.6 viel zu grob, aber im Hinblick auf die Vokaldauer sind sie
sehr aufschlußreich.
Obwohl im Gegensatz zu Tabelle 3.5 sämtliche Vokalkategorien in
die Durchschnittsbildung von Tabelle 3.6 eingingen, sind die Unterschiede,
was die Inhaltswörter betrifft, zwischen den weiblichen und männlichen
Dauern gleich geblieben, d.h. die männlichen Vokaldauern sind etwa
11% kürzer als die weiblichen. Die Unterschiede zwischen den Korpora
sind zwar kleiner geworden, aber die Verhältnisse sind gleich geblieben:
die weiblichen und männlichen spontansprachlichen Vokale sind etwa 6%
kürzer als die der Lesesprache. Interessant ist jedoch, daß die Verhältnisse
sich nicht auf die restlichen Dauern projizieren lassen. Sämtliche weiblichen
Dauern im jeweiligen Korpus sind größer als die entsprechenden
männlichen Dauern, aber die Unterschiede sind teilweise sehr klein und die
interkorporalen Unterschiede gehen manchmal in entgegengesetzte Richtung.
Die männlichen Vokale der spontansprachlichen Funktionswörter sind
etwa 5%, die der Lesesprache etwa 8% kürzer als die weiblichen, aber für
beide Gruppen sind die Vokale der Funktionswörter jeweils länger als die
der Lesesprache. Dies gilt ebenfalls für die durchschnittlichen Dauern der
nichtvokalischen Elemente in den Funktionswörtern, die spontansprachlich
länger sind als die der Lesesprache. Die Dauern der nichtvokalischen
Elemente der Inhaltswörter bleiben für die jeweilige Sprechergruppe über
beide Korpora etwa gleich, die männlichen Dauern etwas kürzer als die
weiblichen. Die Verhältnisse finden sich in den durchschnittlichen Silbendauern
wieder. Sämtliche männlichen Dauern sind kürzer als die weiblichen,
die Funktionswortsilben der Spontansprache sind im Schnitt länger
als die der Lesesprache, während sich für die Inhaltswörter das Verhaltnis
umkehrt. Die Unterschiede zwischen männlichen und weiblichen Silbendauern
von Inhaltswörtern liegen bei etwa 8,5% für beide Korpora, was aus
den kleineren Unterschieden zwischen den Dauern der nichtvokalischen

88 Deutsche Vokale - spontan und gelesen
Elemente zu erwarten ist.
Die längeren durchschnittlichen Dauern der Funktionswörter in Spontansprache
lassen sich relativ leicht erklären. Im gelesenen Material sind
die Funktionswörter in der großen Mehrheit der Fälle nicht akzentuiert
und somit rhythmisch und zeitlich unterdrückt. In den spontansprachlichen
Daten werden gerade die Funktionswörter oft als “Häsitationsstellen” verwendet,
eine Funktion, die u.a. durch Längung der konsonantischen und
vokalischen Abschnitte erfüllt wird, und Funktionswörter treten nicht selten
an akzentuierten Stellen auf, die auch mit längeren Dauern verbunden
sind.
Die Unterschiede zwischen den beiden Sprechergruppen und den beiden
Korpora in Tabelle 3.5 zeigen einerseits, daß die Dauerunterschiede
in Tabelle 3.6 ein Teil einer Reihe systematischer Dauerunterschiede sind.
Andererseits ist es klar, daß die Unterschiede zwischen den weiblichen
und männlichen Vokaldauern nicht auf eine allgemeine Veränderung der
Sprechgeschwindigkeit zurückzuführen sind, denn die Dauer des nichtvokalischen
Materials in Inhaltswörtern bleibt über beide Gruppen und Korpora
etwa gleich. Wenn die erhöhten Dauern der weiblichen Vokale in Inhaltswörtern
auf ein phonetisch explizites Verhalten hindeutet, so scheint
dieses selektiv vorzugehen. Es wird allgemein mehr Zeit aufgewendet, jedoch
wird dieser Mehraufwand unverhältnismäßig auf die Artikulation von
Inhaltswörtern, insbesonders auf den Silbenkern und nicht den Silbenrandbereich
konzentriert. Die zusätzliche Dauer mag zweifaches leisten, was
beides zu den phonetischen Korrelaten einer deutlicheren Artikulationsweise
führen kann:
1. Die Zielenge einer vokalischen Artikulation wird ohne Undershoot
erreicht.
2. Die Zielengen der Vokale werden artikulatorisch und akustisch weiter
auseinander gelegt, wodurch eine größere vokalische Distinktivität
erreicht wird.
Fehlende Korrelationen zwischen Dauer und F1 oder F2 in den weiblichen
Lesedaten sprechen für 1. Um 2. nachzugehen, werden im nächsten
Abschnitt die akustischen Vokalräume der Frauen und Männer miteinander
verglichen.

3.9 Vokalräume, Geschlecht und Korpus 89
Œ
3.9.2
Vokalräume, Geschlecht und Korpus
Soziophonetische und soziophonologische Unterschiede im Sprachverhalten
von Frauen und Männern bei der Ausübung der gleichen linguistischen
Aktivität sind hinreichend dokumentiert, z.B. Trudgill (1974), Macaulay
(1978), Romaine (1978), Local (1982) und Milroy und Milroy (1985),
um nur ein paar Beispiele für verschiedene Arten des Britischen Englisch
zu nennen. Ob die Unterschiede in weiblichen und männlichen Vokalräumen,
die Henton (1995) in sieben Sprachen gefunden hat, allein
einen soziophonetischen Hintergrund haben, ist jedoch nicht so eindeutig,
wie Henton behauptet. Wie schon auf S. 76 beschrieben wurde, sind
Gründe für phonetische Unterschiede zwischen weiblichen und männlichen
Stimmen nicht immer im unterschiedlichen Sozialverhalten der Geschlechtergruppen
zu finden. Neben den aufgeführten Folgen eines höheren
F0 (Diehl et al. 1996) sind auch unterschiedliche Verhältnisse von
Rachen- zu Mundraumlänge zu nennen (Fant 1966), die zu nicht einheitlichen
Beziehungen zwischen den verschiedenen männlichen und weiblichen
Vokalkategorien führen können.
In diesem Abschnitt werden die weiblichen und männlichen Vokalräume
verglichen und ein weiterer, biomechanischer, Grund für
Vokalraum-Unterschiede vorgestellt, die sowohl im gelesenen als auch im
spontansprachlichen Teil des Kiel Corpus zu finden sind.
In Abb. 3.13 werden weibliche (Normalschrift) und männliche (umrissen)
Vokalräume aus Spontan- (Abb. 3.13a) und Lesesprache (Abb 3.13b)
miteinander verglichen. Der jeweilige Vokalraum wird durch die F1- und
F2-Mediane der Randvokale Í ± , ä± , á , ­B± , $ , æ± und ± definiert. Um die Vokalräume
von Männern und Frauen optisch besser vergleichen zu können,
wurde eine einfache Normalisierung durchgeführt. Mit Beibehaltung seiner
Dimensionen wird der männliche Vokalraum verschoben, so daß ± die
Position des weiblichen ± einnimmt. Somit bildet ± einen Ankerpunkt
für beide Vokalräume. Der Vokal ± wurde genommen, weil die Entfernung
zwischen den absoluten Positionen des weiblichen und männlichen
± von allen Vokalen am kürzesten ist, was in anderen Sprachen ebenfalls
gefunden wurde (z.B. Fant 1975). Eine Verschiebung eines Vokalsystems,
so daß das ± dieselbe Position im Vokalraum einnimmt, bietet eine einfache
Normalisierung, die einen Vergleich sowohl der Vokalraumgrößen
als auch der Unterschiede in den absoluten Entfernungen zwischen den
restlichen Vokalkategorien erlaubt.

éééééééééééééééééééééééééééééé
éééééééééééééééééééééééééééééé
éééééééééééééééééééééééééééééé
éééééééééééééééééééééééééééééé
û
û
ò
éééééééééééééééééééééééééééééé
éééééééééééééééééééééééééééééé
ò
¢
¢
éééééééééééééééééééééééééééééé
éééééééééééééééééééééééééééééé
éééééééééééééééééééééééééééééé
éééééééééééééééééééééééééééééé
éééééééééééééééééééééééééééééé
éééééééééééééééééééééééééééééé
ï
ï
¡
¡
éééééééééééééééééééééééééééééé
éééééééééééééééééééééééééééééé
éééééééééééééééééééééééééééééé
éééééééééééééééééééééééééééééé
éééééééééééééééééééééééééééééé
éééééééééééééééééééééééééééééé
éééééééééééééééééééééééééééééé
éééééééééééééééééééééééééééééé
90 Deutsche Vokale - spontan und gelesen
250
300
350
400
450
F1 500
[Hz] 550
600
650
700
750
800
850
900
250
300
350
400
450
F1 500
[Hz] 550
600
650
700
750
800
850
900
15
14
13
12
F2 [Bark]
11 10
éké8énékénékékénékénékékénékénéké8énékékénékénékékénékénékékékékékénékénékékénékénékékéné8ékénékéné
ð í
ìÉí
¨ û
ú û
éké8énékénékékénékénékékénékénéké8énékékénékénékékénékénékékékékékénékénékékénékénékékéné8ékénékéné
ø í
ó í¥ û
éké8énékénékékénékénékékénékénéké8énékékénékénékékénékénékékékékékénékénékékénékénékékéné8ékénékéné
ý û
éké8énékénékékénékénékékénékénéké8énékékénékénékékénékénékékékékékénékénékékénékénékékéné8ékénékéné
ê í
éké8énékénékékénékénékékénékénéké8énékékénékénékékénékénékékékékékénékénékékénékénékékéné8ékénékéné
éké8énékénékékénékénékékénékénéké8énékékénékénékékénékénékékékékékénékénékékénékénékékéné8ékénékéné
2500 2000 1750 1500 1250 1000 750 600
15
14
13
12
F2 [Hz]
(a)
F2 [Bark]
11 10
ð í éké8énékénékékénékénékékénékénéké8énékékénékénékékénékénékékékékékénékénékékénékénékékéné8ékénékéné
ìÉí
í
ú û
û ¨ ø éké8énékénékékénékénékékénékénéké8énékékénékénékékénékénékékékékékénékénékékénékénékékéné8ékénékéné
ó í ¥ û
éké8énékénékékénékénékékénékénéké8énékékénékénékékénékénékékékékékénékénékékénékénékékéné8ékénékéné
éké8énékénékékénékénékékénékénéké8énékékénékénékékénékénékékékékékénékénékékénékénékékéné8ékénékéné
ý û
í ê éké8énékénékékénékénékékénékénéké8énékékénékénékékénékénékékékékékénékénékékénékénékékéné8ékénékéné
éké8énékénékékénékénékékénékénéké8énékékénékénékékénékénékékékékékénékénékékénékénékékéné8ékénékéné
2500 2000 1750 1500 1250 1000 750 600
F2 [Hz]
(b)
9
9
8
8
7
7
6
6
5
2
3
4
5 F1
[Bark]
6
7
8
5
2
3
4
5 F1
[Bark]
Abbildung 3.13: Vergleich der weiblichen (normal) und männlichen (umrissen)
Vokalräume in (a) Spontan- und (b) Lesesprache. Der Vergleich
der Vokalräume wird durch eine einfache Normalisierung erleichtert: das
männliche System wird so verschoben, daß männliches und weibliches ±
die gleichen Koordinaten haben. Alle Vokale sind aus Inhaltswörtern.
6
7
8

éééééééééééééééééééééééééééééé
éééééééééééééééééééééééééééééé
éééééééééééééééééééééééééééééé
éééééééééééééééééééééééééééééé
û
ò¢
û
éééééééééééééééééééééééééééééé
éééééééééééééééééééééééééééééé
éééééééééééééééééééééééééééééé
éééééééééééééééééééééééééééééé
¢
ò
éééééééééééééééééééééééééééééé
éééééééééééééééééééééééééééééé
éééééééééééééééééééééééééééééé
éééééééééééééééééééééééééééééé
ï
¡
¡
éééééééééééééééééééééééééééééé
éééééééééééééééééééééééééééééé
ï
éééééééééééééééééééééééééééééé
éééééééééééééééééééééééééééééé
éééééééééééééééééééééééééééééé
éééééééééééééééééééééééééééééé
éééééééééééééééééééééééééééééé
éééééééééééééééééééééééééééééé
3.9 Vokalräume, Geschlecht und Korpus 91
250
300
350
400
450
F1 500
[Hz] 550
600
650
700
750
800
850
900
250
300
350
400
450
F1 500
[Hz] 550
600
650
700
750
800
850
900
15
14
13
12
F2 [Bark]
11 10
é8énékénékékénékénékékénékéné8ékénékékénékénékékénékénéké8énékékénékénékékénékénékékéné8ékénékénéké
ð í
û ú
é8énékénékékénékénékékénékéné8ékénékékénékénékékénékénéké8énékékénékénékékénékénékékéné8ékénékénéké
¨ û
¥ û
ø í
ó í
é8énékénékékénékénékékénékéné8ékénékékénékénékékénékénéké8énékékénékénékékénékénékékéné8ékénékénéké
é8énékénékékénékénékékénékéné8ékénékékénékénékékénékénéké8énékékénékénékékénékénékékéné8ékénékénéké
ý û ê í
é8énékénékékénékénékékénékéné8ékénékékénékénékékénékénéké8énékékénékénékékénékénékékéné8ékénékénéké
é8énékénékékénékénékékénékéné8ékénékékénékénékékénékénéké8énékékénékénékékénékénékékéné8ékénékénéké
2500 2000 1750 1500 1250 1000 750 600
15
14
13
12
F2 [Hz]
(a)
F2 [Bark]
11 10
é8énékénékékénékénékékénékéné8ékénékékénékénékékénékénéké8énékékénékénékékénékénékékéné8ékénékénéké
úüû
ð í
ø í
ìüí
û ¨
é8énékénékékénékénékékénékéné8ékénékékénékénékékénékénéké8énékékénékénékékénékénékékéné8ékénékénéké ¥ û
ó í
é8énékénékékénékénékékénékéné8ékénékékénékénékékénékénéké8énékékénékénékékénékénékékéné8ékénékénéké
ê í
û ý é8énékénékékénékénékékénékéné8ékénékékénékénékékénékénéké8énékékénékénékékénékénékékéné8ékénékénéké
é8énékénékékénékénékékénékéné8ékénékékénékénékékénékénéké8énékékénékénékékénékénékékéné8ékénékénéké
é8énékénékékénékénékékénékéné8ékénékékénékénékékénékénéké8énékékénékénékékénékénékékéné8ékénékénéké
2500 2000 1750 1500 1250 1000 750 600
F2 [Hz]
(b)
9
ìüí
9
8
8
7
7
6
6
5
2
3
4
5 F1
[Bark]
6
7
8
5
2
3
4
5 F1
[Bark]
Abbildung 3.14: Vergleich der spontan- (Normalschrift) und lesesprachlichen
(umrissen) Vokalräume für (a) Frauen und (b) Männer. Alle Vokale
sind aus Inhaltswörtern. Es wurde keine Normalisierung vorgenommen.
6
7
8

92 Deutsche Vokale - spontan und gelesen
Aus der einfachen Normalisierung des männlichen Vokalraumes werden
deutliche Unterschiede in der räumlichen Ausbreitung der weiblichen
und männlichen Systeme sowie Abweichungen in den Unterschieden zwischen
den Vokalräumen für Spontan- und Lesesprache klar. Die Position
des hinteren Vokals æ± steht in etwa im gleichen Vehältnis zum ± für
die männlichen und weiblichen Räume. Bei allen anderen Vokalen breiten
sich in beiden Korpora die weiblichen Systeme sowohl in der F1- als
auch in der F2-Dimension weiter im akustischen Raum aus als die männlichen
Systeme. Im gelesenen Korpus laufen die Linien von I6± nach ­B± über
ä± und á fast parallel zueinander. Im spontansprachlichen Korpus ist der
Unterschied jedoch komplizierter, denn der Abstand zwischen den weiblichen
und männlichen Vokalen wächst mit zunehmendem Öffnungsgrad,
d.h. während Í ± und ä± in Abb. 3.13a jeweils gleich weit auseinander liegen,
wachsen die Abstände für á und ­B± . Dies bestätigt nicht nur Unterschiede
zwischen dem weiblichen und männlichen Verhalten, sondern auch unterschiedliches
Verhalten der Sprechergruppen in verschiedenen linguistischen
Aktivitäten.
Der Unterschied zwischen den Korpora wird in Abb. 3.14 deutlich gemacht.
Hier werden die Vokalräume der Frauen (a) und Männer (b) aus den
spontanen (normal) und gelesenen Korpora miteinander verglichen. Die
verwendeten Werte sind die gleichen wie aus Abb. 3.13, es wurde aber in
beiden Fällen keine Normalisierung vorgenommen. Ähnlich sind sich die
weiblichen und männlichen Räume, was die Position der geschlossenen
und halbgeschlossen Vokale I6± , ä± , æ± und ± betrifft: die spontansprachlichen
Vokale sind bei beiden Sprechergruppen geringfügig offener, und
die hinteren Vokale æ± und ± sind weiter vorn. Während die weiblichen
Räume sonst etwa die gleiche Ausbreitung aufweisen, ist der männlichen
Vokalraum des spontanen Korpus durch die Position des Vokals ­B± 27 in der
F1-Dimension kleiner als der des gelesenen Korpus.
Der zweite auf S. 88 gegebene Grund für die längeren Dauern der
weiblichen Vokalabschnitte in Inhaltswörtern scheint sich durch den Vergleich
der Vokalräume zu bestätigen: der durchschnittliche weibliche Vokalraum
weist durch die größeren Abstände zwischen den einzelnen Vokalkategorien
größere Distinktivität auf als ein durchschnittliches männliches
System. Die höhere Vokaldauer ermöglicht das Erreichen der entfernteren
Zielpositionen. Allerdings könnten durchschnittliche Dimensionsun-
27 Wie aus Abb. 3.6b auf S. 60 ersichtlich ist, trifft dieses auch auf den Kurzvokal c zu.

z
3.9 Vokalräume, Geschlecht und Korpus 93
terschiede zwischen weiblichen und männlichen Ansatzrohren das Erreichen
von entfernteren akustischen Vokalzielen noch weiter unterstützen.
Aus der Tatsache, daß Frauen im Schnitt ein kleineres Ansatzrohr haben
als Männer, folgt, daß gewisse artikulatorische Wege, die zu bestimmten
auditiven Produkten führen, auch im Schnitt kürzer sind. Wenn man annimmt
– und hier bleibt eine Verifikation u.a. durch artikulatorische Daten
noch aus – daß die durchschnittlichen artikulatorischen Geschwindigkeiten
für Männer und Frauen gleich sind, so kann eine Frau den Weg vom
Ž
geschlossenen zum Ž ‘ offenen in einer kürzeren Zeit überwinden als ein
Mann, bzw. eine Frau kann bei gleicher oder gar größerer Vokaldauer ein
entfernteres artikulatorisches Ziel erreichen.
Die biomechanische Erklärung allein reicht jedoch nicht aus, um die
beobachteten Unterschiede zwischen weiblichen und männlichen Vokalen
zu bewältigen. Nach diesen Überlegungen müßten Frauen bei gleicher
Vokaldauer einen größeren Vokalraum abstecken können, sie wenden
aber mehr Zeit auf, und das gerade bei den Vokalen in Inhaltswörtern.
Dies spricht wieder für unterschiedliches soziophonetisches Verhalten, d.h.
Frauen sind in Ausübung der gleichen linguistischen Aktivität bemüht,
deutlicher zu artikulieren, was sich u.a. in der erhöhten Distinktivität eines
breiter abgesteckten Vokalraums sowie in längeren Vokaldauern niederschlägt.
Konsequenzen haben die biomechanischen Überlegungen auch für
Versuche, Transformationen zwischen weiblichen und männlichen Vokalen
aufzustellen. Sowohl Fant (1966, 1975) als auch Bladon, Henton und
Pickering (1983) und Henton (1995) müssen den nicht-uniformen Charakter
der Transformationen zwischen den unterschiedlichen Vokalkategorien
bewältigen, denn der akustische Abstand zwischen weiblichen und
männlichen Vokalkategorien ist nicht mit einem konstanten Faktor für jeden
Formanten zu erschlagen. Aus Abb. 3.15, in der die weiblichen (normal)
und männlichen (umrissen) Lesedaten ohne Normalisierung verglichen
werden, variieren die notwendigen Transformationen von männlichen
zu weiblichen F1-Werten von etwa 10% I6± für bis 16% ä± für und
von männlichen zu weiblichen F2-Werten von etwa 3% æ± für und ±
bis 10% für ä± . Transformationen für schwedische und englische Vokale
weisen ähnliche Unterschiede auf. Fant errechnet daher für jeden Vokal
und Formanten einen Transformationsfaktor. Bladon, Henton und Pickering
(1983) nehmen einen Unterschied von Frau zu Mann von einem Bark
an und führen sämtliche Unterschiede, die ober- oder unterhalb von ei-

éééééééééééééééééééééééééééééé
éééééééééééééééééééééééééééééé
û
ò
éééééééééééééééééééééééééééééé
éééééééééééééééééééééééééééééé
¢
éééééééééééééééééééééééééééééé
éééééééééééééééééééééééééééééé
ï
¡
éééééééééééééééééééééééééééééé
éééééééééééééééééééééééééééééé
éééééééééééééééééééééééééééééé
éééééééééééééééééééééééééééééé
94 Deutsche Vokale - spontan und gelesen
250
300
350
400
450
F1 500
[Hz] 550
600
650
700
750
800
850
900
15
14
13
12
F2 [Bark]
11 10
ð énékénéké8énékékénékénékékénékénékékékékékénékénékékénékénékékéné8ékénékénékékénékénékékénékéné8éké
¨
ú í
û
û
ìÉí
énékénéké8énékékénékénékékénékénékékékékékénékénékékénékénékékéné8ékénékénékékénékénékékénékéné8éké
ø í
ó í
¥ û
énékénéké8énékékénékénékékénékénékékékékékénékénékékénékénékékéné8ékénékénékékénékénékékénékéné8éké
ý û
énékénéké8énékékénékénékékénékénékékékékékénékénékékénékénékékéné8ékénékénékékénékénékékénékéné8éké
ê í
énékénéké8énékékénékénékékénékénékékékékékénékénékékénékénékékéné8ékénékénékékénékénékékénékéné8éké
énékénéké8énékékénékénékékénékénékékékékékénékénékékénékénékékéné8ékénékénékékénékénékékénékéné8éké
2500 2000 1750 1500 1250 1000 750 600
F2 [Hz]
9
8
7
6
5
2
3
4
5 F1
[Bark]
6
7
8
Abbildung 3.15: Vergleich der weiblichen (normal) und männlichen (umrissen)
Vokalräume in Lesesprache. Um die nicht-uniformen Unterschiede
zwischen den Vokalen zu illustrieren, ist keine Normalisierung vorgenommen
worden. Alle Vokale sind aus Inhaltswörtern.
nem Bark liegen, auf soziophonetische Unterschiede zurück. Nimmt man
jedoch von vornherein an, daß weibliche und männliche Vokale wegen unterschiedlicher
artikulatorischer Entfernung unterschiedlich weit auseinander
liegen müssen, sind gerade nicht-uniforme Beziehungen zwischen den
akustischen Größen der einzelnen Vokalkategorien zu erwarten.
3.9.3 Vokalqualität und konsonantische Umgebung
Um Beziehungen zwischen Vokalqualität und der unmittelbaren konsonantischen
Umgebung zu untersuchen, wurden Formantwerte getrennt nach
bestimmten konsonantischen Kontexten betrachtet. Es wurden dieselben
zehn Vokalkategorien wie im vorigen Abschnitt untersucht und weiterhin
nur Vokale aus Inhaltswörtern analysiert. Die untersuchten Formantwerte
der einzelnen Vokale sind ebenfalls dieselben, d.h. Formantwerte aus der
Mitte des jeweiligen Vokals. Statt jeden Konsonanten einzeln zu behandeln
wurde eine grobe Klassifizierung nach dem Artikulationsort vorgenommen
(Stevens und House 1963). Drei Klassen wurden gebildet, LABIAL, CORO-
NAL und DORSAL, die folgende Elemente enthalten:

3.9 Vokalqualität und konsonantische Umgebung 95
2500
2000
PRÄ (spontan- )
coronal
dorsal
labial
Formantwert [Hz]
1500
1000
500
0
2500
2000
” •–“ — ˜–“ ˜ Z“ š ›–“ œ
’“
Vokal
(a)
PRÄ (spontan-¨¨ )
coronal
dorsal
labial
Formantwert [Hz]
1500
1000
500
0
¡–Ÿ ¢ £–Ÿ £ ¤ZŸ ¥ ¦–Ÿ §
žŸ
Vokal
(b)
Abbildung 3.16: Mediane von F1 (untere Punkte) und F2 (obere Punkte)
geplottet als Funktion der Vokalkategorie gruppiert nach dem vorangehenden
konsonantischen Kontext für (a) weibliche, (b) männliche Sprecher.
Fehlende Punkte sind auf w ª© zurückzuführen. Die Werte stammen aus
Spontansprache.

96 Deutsche Vokale - spontan und gelesen
2500
2000
POST (spontan-¸¸ )
coronal
dorsal
labial
Formantwert [Hz]
1500
1000
500
0
2500
2000
­ ®¯¬ ° ±²¬ ± ³´¬ µ –¬ ·
«¬
Vokal
(a)
POST (spontan-ÃÃ )
coronal
dorsal
labial
Formantwert [Hz]
1500
1000
500
0
» ¼¯º ½ ¾²º ¾ ¿´º À Á–º Â
¹º
Vokal
(b)
Abbildung 3.17: Mediane von F1 (untere Punkte) und F2 (obere Punkte)
geplottet als Funktion der Vokalkategorie gruppiert nach dem nachfolgenden
konsonantischen Kontext für (a) weibliche, (b) männliche Sprecher.
Fehlende Punkte sind auf w ª© zurückzuführen. Die Werte stammen aus
Spontansprache.

3.9 Vokalqualität und konsonantische Umgebung 97
2500
2000
PRÄ (lese-ÎÎ )
coronal
dorsal
labial
Formantwert [Hz]
1500
1000
500
0
2500
2000
Æ Ç–Å È É–Å É ÊZÅ Ë Ì–Å Í
ÄÅ
Vokal
(a)
PRÄ (lese-ÙÙ )
coronal
dorsal
labial
Formantwert [Hz]
1500
1000
500
0
Ñ Ò¯Ð Ó Ô–Ð Ô Õ´Ð Ö ×–Ð Ø
ÏÐ
Vokal
(b)
Abbildung 3.18: Mediane von F1 (untere Punkte) und F2 (obere Punkte)
geplottet als Funktion der Vokalkategorie gruppiert nach dem vorangehenden
konsonantischen Kontext für (a) weibliche, (b) männliche Sprecher.
Fehlende Punkte sind auf w ÛÚ zurückzuführen. Die Werte stammen aus
Lesesprache.

98 Deutsche Vokale - spontan und gelesen
2500
2000
POST (lese-ææ )
coronal
dorsal
labial
Formantwert [Hz]
1500
1000
500
0
Þ ß–Ý à á–Ý á â´Ý ã ä–Ý å
ÜÝ
Vokal
(a)
2500
2000
POST (lese-ññ )
coronal
dorsal
labial
Formantwert [Hz]
1500
1000
500
0
é ê–è ë ì–è ì í´è î ï–è ð
çè
Vokal
(b)
Abbildung 3.19: Mediane von F1 (untere Punkte) und F2 (obere Punkte)
geplottet als Funktion der Vokalkategorie gruppiert nach dem nachfolgenden
konsonantischen Kontext für (a) weibliche, (b) männliche Sprecher.
Fehlende Punkte sind auf w ÛÚ zurückzuführen. Die Werte stammen aus
Lesesprache.

3.9 Vokalqualität und konsonantische Umgebung 99
LABIAL: ò , ó , ô , õ , ö ;
CORONAL: ÷ , ø , ù , ú , û , ü , ù²û , ú#ü , ý ;
DORSAL: þ , ÿ , , ¡ , ¢ .
Nur solche Vokale wurden in diese Untersuchung aufgenommen, deren
vorhergehende und nachfolgende Konsonanten auf eine der drei konsonantischen
Kategorien paßten. Aus allen Kombinationen der drei präund
postvokalischen konsonantischen Gruppierungen (LABIAL, CORO-
NAL, DORSAL) ergeben sich für jede der zehn untersuchten Vokalkategorien
neun mögliche Kontexte. Jedoch erlauben Lücken bei bestimmten
Vokal-Kontext-Kombinationen keine systematische Untersuchung der Vokale
getrennt nach prä- und postvokalischem Kontext. Systematisch sind
die Lücken insofern, als sie in den weiblichen und männlichen Daten etwa
gleich sind. So sind, z.B. in den spontansprachlichen Daten, beim prävokalischen
Kontext CORONAL nahezu alle Vokalkategorien mit den drei postvokalischen
Kontexten in ausreichendem Maße vertreten. Bei den restlichen
Kombinationen sind zwischen drei und sechs der Vokalkategorien
mit ausreichenden Tokens vorhanden. Von den ortssymmetrischen Kontexten
LABIAL-LABIAL, CORONAL-CORONAL, DORSAL-DORSAL, die in
anderen Studien verwendet wurden (Lindblom 1963; Stevens und House
1963), ist lediglich CORONAL mit allen Vokalkategorien vertreten. In
den verbleibenden beiden Kontexten sind nur in drei oder vier Vokalen
hinreichend Tokens vertreten, aber auch wiederum von unterschiedlichen
Vokalen in unterschiedlichen Kontexten.
Auf Grund der beschriebenen Lücken wird eine umfassendere Gruppierung
vorgenommen, in der Vokaltokens lediglich nach ihrem prä- oder
postvokalischen Kontext klassifiziert werden. So werden z.B. alle £¥¤ -
Tokens im postvokalischen DORSAL-Kontext zusammen behandelt sowie
alle ¦§¤ -Tokens im prävokalischen CORONAL-Kontext. Auch bei dieser
gröberen Klassifizierung sind bestimmte Vokale entweder gar nicht
oder so schwach vertreten, daß eine Mittelwertbildung wenig sinnvoll gewesen
wäre. Eine untere Grenze von sieben für Spontansprache wurde
gewählt, um noch möglichst viele Kategorien aufnehmen zu können. Bei
den gelesenen Daten ergibt sich sechs Tokens als Minimum, denn wenn
ein Marburger oder Berliner Satz einen Vokal in einem bestimmten Kontext
enthält, wurde dieses Beispiel von jeweils sechs Frauen und sechs

100 Deutsche Vokale - spontan und gelesen
¨ Männern gesprochen. Ist jedoch bei der Lesung der kanonisch vorgesehene
Vokal weggefallen oder durch eine andere Vokalkategorie vertreten,
so können weniger als sechs Tokens vorhanden sein. Gleiches gilt für die
konsonantischen Kontexte selbst, die ebenfalls unterschiedlichen Modifikationen
unterliegen können.
Vokalqualität und konsonantische Umgebung in der Spontansprache
Abbildungen 3.16 und 3.17 enthalten Mediane von F1 und F2 geplottet
als Funktion der Vokalkategorie gruppiert nach den drei prävokalischen
(Abb. 3.16) und postvokalischen (Abb. 3.17) Kontexten. Die oberen Diagramme
(a) enthalten die weiblichen Vokalwerte, die unteren (b) die männlichen.
In allen vier Plots fällt die Engebündelung der Mediane für F1 in verschiedenen
Kontexten über sämtliche Vokalkategorien auf, d.h. der erreichte
Öffnungsgrad als wichtigstes artikulatorisches Korrelat von F1
hängt nicht mit dem Artikulationsort des vorhergehenden oder des nachfolgenden
Konsonanten zusammen. Die fehlende Beziehung zwischen vokalischem
F1 und dem unmittelbaren konsonantischen Kontext folgt den
Ergebnissen für die schwedischen Daten von Lindblom (1963) sowie für
die englischen Daten von Stevens und House (1963).
Bei F2 sieht die Situation anders aus. Im Gegensatz zu den F1-Werten
liegen die F2-Mediane für eine bestimmte Vokalkategorie in den meisten
Fällen über einen Bereich von 200 bis 300 Hz verteilt. Die F2-Mediane
scheinen jedoch nicht beliebig zu streuen, denn die Reihenfolge für einen
bestimmten Vokal für die beiden Sprechergruppen bleibt in allen Fällen
gleich, es sei denn, es besteht ein solch geringfügiger Abstand zwischen
zwei Medianen, daß sie als gleich behandelt werden können (z.B. F2-
Mediane von ©¤ in Abb. 3.17). Bei beiden Sprechergruppen in beiden Kontextgruppen
ist die Reihenfolge von CORONAL und DORSAL gleich. Die
F2-Werte im CORONAL-Kontext bei den vorderen Vokalpaaren ¦§¤ , , ¤ ,
liegen stets tiefer als die von DORSAL, während bei den hinteren Vokalen
, ¤ und 28 F2 im DORSAL-Kontext immer tiefer liegt. Diese akustischen
Gegensätze lassen sich artikulatorisch erklären. Konsonanten vom
Typ CORONAL erfordern die Zungenspitze oder Zungenblatt im alveolaren
28 Der Vokal ist im DORSAL-Kontext ist im gesamten spontansprachlichen Korpus mit
lediglich fünf Fällen vertreten.

3.9 Vokalqualität und konsonantische Umgebung 101
oder postalveolaren Bereich, was zur Folge hat, daß F2 nach oben verlaufen
muß, um das F2-Ziel eines vorderen Vokals zu erreichen, bzw. nach
unten für den F2 eines hinteren gerundeten Vokals. Bei den Konsonanten
vom Typ DORSAL wird der Artikulationsort des Konsonanten dem des Vokals
angepaßt, am extremsten bei den dorso-palatalen bis dorso-uvularen
Korrelaten von . Das hohe oder tiefe F2-Ziel eines Vokals wird von einem
ähnlich hoch- oder tiefliegenden konsonantischen F2 begleitet.
Während die F2-Mediane sich in prä- und postvokalischen CORONALund
DORSAL-Kontexten sehr ähnlich verhalten, sind die F2-Mediane im
prävokalischen LABIAL-Kontext anders als im postvokalischen Kontext
eingeordnet. Dennoch sind die Unterschiede auch über beide Sprechergruppen
die gleichen. Für LABIAL im prävokalischen Kontext liegen die
F2-Werte im allgemeinen tiefer ¤ (cf. und ) als für CORONAL oder DOR-
SAL. Im postvokalischen Kontext ist jedoch die Rangordnung von LABIAL
zu CORONAL und DORSAL von Vokal zu Vokal verschieden. Diese Unterschiede
können jedoch auf den gleichen artikulatorischen Grund zurückgeführt
werden. Ein tiefliegender F2 ist typisch für labiale Artikulationen.
Durch die Trägheit der Lippen im Vergleich zur Zungenspitze werden die
akustischen Folgen eines prävokalischen labialen Konsonanten verhältnismäßig
spät aufgehoben. Im postvokalischen Kontext hingegen macht
sich die Lippenaktivität inmitten des Vokalabschnitts akustisch noch nicht
bemerkbar.
Vokalqualität und konsonantische Umgebung in Lesesprache
Abbildungen 3.18 und 3.19 enthalten die kontextuellen Mediane von F1
und F2 für Lesesprache. Wie bei den spontansprachlichen Daten sind
die Aufzeichnungen aufgeteilt nach prä- (Abb. 3.18) und postvokalischen
(Abb. 3.19) Kontexten sowie weiblichen (a) und männlichen (b) Werten.
Die F1- und F2-Mediane haben bestimmte Gemeinsamkeiten mit ihren
spontansprachlichen Gegenstücken. Bei F1 ist die enge Bündelung sämtlicher
Mediane für eine Vokalkategorie zu sehen, was wieder auf eine geringe
Beteiligung des Artikulationsortes am Erreichen des F1-Ziels des
Vokals schließen läßt. Es gibt jedoch in den Mustern für die F2-Mediane
bestimmte Unterschiede zu den spontansprachlichen Daten. Im prävokalischen
Kontext (Abb. 3.18) weisen die Mediane für die einzelnen Vokale
eine engere Bündelung gegenüber ihren spontansprachlichen Äquivalenten
(Abb. 3.16) auf. Auch die Regelmäßigkeit in der Rangordnung der

102 Deutsche Vokale - spontan und gelesen
F2-Mediane im DORSAL- und CORONAL-Kontext ist nur bedingt in den
lesesprachlichen Daten zu finden. Lediglich bei den weiblichen vorderen
Vokalen ¤ , und im prä- und postvokalischen Kontext (Abb. 3.18 &
3.18a) sowie für die weiblichen hinteren Vokale ¤ , und im postvokalischen
Kontext ist eine ähnliche Beziehung zu sehen, wie sie systematisch
für beide Sprechergruppen in beiden Kontexten der spontansprachlichen
Daten zu finden war.
Die engere Bündelung der F2-Werte in den gelesenen Daten gegenüber
den spontansprachlichen Daten hängt sicherlich mit begleitenden
Dauerunterschieden zusammen. Steht einem Vokal genügend Zeit zur
Verfügung, wird die Zielqualität erreicht, eine Qualität, die weitestgehend
frei von konsonantischer Beteiligung ist.
3.10 Ausblick
Dieses Kapitel hat den deutschen Vokalismus von verschiedenen Seiten
her untersucht. Die große Datenmenge, aufgeteilt in die beiden Geschlechtergruppen
und zwei Stilebenen, konnte ein repräsentatives Gesamtbild
liefern. Mit der Datenaufbereitung des Kiel Corpus und den
Werkzeugen aus KielDat konnten umfangreiche Analysen und Aufstellungen
der Ergebnisse weitestgehend automatisch ablaufen. Die Inhalte
des Kiel Corpus haben besondere Anforderungen an die Messung gestellt.
Vor allem die akustische Charakterisierung der Diphthonge erforderte eine
Meßstrategie, die große Variation in der Dauer berücksichtigen konnte.
Die Ergebnisse haben Anstöße zu weiteren Untersuchungen gegeben.
Die Vermutung, daß Frauen, bei durchschnittlich kleineren Ansatzrohrdimensionen,
akustische Ziele schneller erreichen können als Männer,
ist noch mit weiteren Untersuchungen sowohl im akustischen als auch
im artikulatorischen Bereich zu verfolgen. Die Vermutungen, die in der
Diskussion zu den Diphthongen angestellt wurden, benötigen zu ihrer
Unterstützung Hörexperimente, die bei der Manipulation der Stimuli
sorgfältig auf Dauerfaktoren achten müssen.
Im nächsten Kapitel wird eine Gruppe von Vokalabschnitten untersucht,
die außer dem hier nicht berücksichtigt wurden: die -Vokale. In
(Pätzold und Simpson 1997) wurden solche Vokalabschnitte als Tokens
der entsprechenden Monophthonge behandelt. Hier wurden sie als stärkstes
Beispiel einer zeitlichen Kombination der phonetischen Korrelate des

3.10 Ausblick 103
V
okals mit denen eines anderen Objektes, dem betrachtet. Diese Behandlung
wird sich in der Beschreibung und im Versuch, die Lautmuster der
-Vokale zu erklären, rechtfertigen.

104 Deutsche Vokale - spontan und gelesen

Kapitel 4
Phonetik und Phonologie
des deutschen
4.1 Einleitung
Im vorigen Kapitel wurden sowohl der Datenumfang als auch die Datenaufbereitung
voll ausgenutzt, um automatische Formant- und Daueranalysen
zu liefern. In diesem Kapitel wird einer der kompliziertesten Bereiche
der deutschen Phonetik und Phonologie mit impressionistisch beschreibenden
Methoden untersucht. Wegen des erheblich höheren menschlichen
Aufwandes, den diese Methoden erfordern, wird im Vergleich zum vorigen
Kapitel ein verhältnismäßig kleiner Teil des Kiel Corpus of Read Speech
untersucht. Das Kiel Corpus dient als Datenquelle, und die Datenaufbereitung
sowie KielDat werden lediglich verwendet, um relevante Äußerungsabschnitte
zu orten und zusammenzuschneiden.
Die Lautmuster, die mit dem deutschen verbunden werden, können
in der Produktion eines Sprechstils eines einzelnen Sprechers von einem
stimmlosen uvularen Frikativ in einem Wort wie trat ( !#" %$'& ) bis hin zum
scheinbar vollständigen Schwund nach einem langen Vokal in einem Wort
wie Bart ( ( )*!+", $& ) reichen. Wenn weitere Sprechstile des gleichen Sprechers
sowie andere Arten des Deutschen hinzugenommen werden, steigt
die Anzahl der konsonantischen und vokalischen Möglichkeiten steil an.
So finden wir in Arten wie dem Sächsischen und Schwäbischen pharyn-
105

106 Phonetik und Phonologie des deutschen
- gale Realisierungen des , während in Varianten des Bairischen und Norddeutschen
ein heller, apikaler Schlaglaut oder Approximant gefunden werden
kann. Unterschiedliche Aussprachen des Wortes ( .#/¥0¥12& / 3#/¥0415& raus )
vom selben Sprecher lassen sich wiederum auf stilistische Unterschiede
zurückführen. Eine weitere Komplexität sind unterschiedliche Aussprachen
eines Wortes wie spazieren, das sowohl eine ‘vokalische’ Aussprache
657#/8'159§",:8;+& – – als auch eine ‘konsonantische’ Aussprache 657#/

4.2 Andere Studien zum 107
A
Abschnitt 4.3 eine Beschreibung der konsonantischen und vokalischen
Korrelate des aus einem Teil des Kiel Corpus of Read Speech. In 4.4 wird
dann versucht, die beschriebenen Lautmuster zu erklären. Hierzu werden
Mechanismen aus verschiedenen phonetischen und phonologischen Analysen
eingesetzt sowie bekannte Zusammenhänge zwischen dem akustischen
Produkt des Ansatzrohrs und dem schallproduzierenden Artikulationsapparat
verwendet. Als letzter Schritt wird in Abschnitt 4.5 der Versuch
unternommen, gewisse Aspekte der Lautmuster zu reproduzieren, indem
Teile aus 4.4 in einer Regelsynthese implementiert werden, um ein hörbares
Produkt zu erzeugen.
4.2 Andere Studien zum B
Es ist nützlich, phonetische und phonologische Beschreibungen des in
zwei Kategorien einzuteilen:
1. qualitative Beschreibungen und
2. quantitative Beschreibungen.
4.2.1 Qualitative Beschreibungen
Qualitative Beschreibungen des finden sich in Texten zur deutschen Phonetik
sowie in deutschsprachigen Texten zur allgemeinen Phonetik. Die
Beschreibungen der Lautmuster basieren auf impressionistischen, ohrenphonetischen
Beobachtungen der eigenen Produktion sowie auf Beobachtungen
von anderen Sprechern und Sprechergruppen.
Beschreibungen des Deutschen seit dem Ende des 19. Jahrhunderts liefern
ein sehr einheitliches Bild über die konsonantischen und vokalischen
Korrelate des . Ein stimmhafter alveolarer oder uvularer Vibrant (auch als
Schwing- oder Zitterlaut bezeichnet) wird in den meisten Studien (Bremer
1893, 1918; Viëtor 1894, 1925; Sütterlin 1908; Forchhammer 1928; Essen
1953; Wängler 1963; Zacher 1969; Meinhold 1973; MacCarthy 1975)
als Kernkorrelat des betrachtet. Meinhold und Stock (1982) sowie Kohler
(1995a) andererseits betrachten den uvularen Frikativ .+& als wichtigste Variante
des hochdeutschen , die Vibranten werden nur noch als dialektale
oder stilistische Varianten behandelt. In der generativen phonologischen

108 Phonetik und Phonologie des deutschen
C Analyse des von Hall (1993) wird der stimmhafte uvulare Vibrant zugrundegelegt.
Von den zwei Vibranten ist der alveolare im Deutschen länger vertreten
als sein uvulares Gegenstück. Laut Viëtor (1925) wird der uvulare Vibrant
gegen Ende des 18. Jahrhunderts aus dem Französischen eingeführt und
nach anfänglicher Eroberung in den Städten zur häufigeren Variante des
. Über die Zeit der Einführung herrscht jedoch Uneinigkeit, denn Sütterlin
(1908) setzt 50 bis 100 Jahre früher an als Viëtor und de Boor, Moser
und Winkler (1969) verzeichnen eine Verbreitung der uvularen Variante
seit dem 17. Jahrhundert. Obwohl der alveolare Vibrant in der Siebs’schen
Deutschen Bühnenaussprache noch präskriptiv bis zur 15. Auflage im Jahre
1927 (Siebs 1927) aufrechterhalten wird, ist schon aus Bremers (1893)
Beobachtungen die Übernahme einer uvularen Lautpalette im Standardgebrauch
zu entnehmen.
Die restlichen konsonantischen und vokalischen Korrelate des werden
als Reduktionen Zungenspitzen- D & des Zäpfchen- 3+& oder behandelt,
die entweder auf artikulatorische Energieeinsparung oder artikulatorische
Vernachlässigung zurückzuführen ist:
(EGFIH E FKJ¥L4M J
FON FQP
Aus dieser Kraftersparnis erklärt sich der so häufige Übergang
eines Zitter- in ein reduziertes Reibegeräusch ; ;
; ) (Bremer 1893: 82)
Artikulatorische Vernachlässigung führt oft zum Schwinden
der Flatterbewegung, die “Vibrans” wird zum Enge bzw. Reibelaut
und schließlich zum Öffnungslaut . . .
Besonders häufig unterliegt die uvulare Bildung, das sog.
Zäpfchen-E , der Verkümmerung. Vielfach, wenn nicht schon
meistens, wird es zum velar-postdorsalen Engelaut N . . .
(Essen 1953: 76–77)
Einerseits bewegt sich der hintere r-Laut auf die Klassenmerkmale
der Reibelaute 2 zu. . .
Geht man von der Bestimmung des sogenannten Zäpfchenr
(“hinteres” r) als einem postdorsal-velaren stimmhaften
Schwinglaut wie von einer Norm aus, so kann
2 Emphase Wängler

4.2 Qualitative Beschreibungen 109
man diese Gegebenheiten Reduktionserscheinungen 3 nennen.
(Wängler 1963: 157–158)
Den detaillierten Beobachtungen von Bremer (1893) zufolge im Vergleich
mit neueren Studien (Wängler 1963; Kohler 1995a), scheint sich
in mehr als einem Jahrhundert an den komplizierten Lautmustern des in
verschiedenen Kontexten erstaunlich wenig geändert zu haben. In prävokalischer,
silbeneinleitender Position werden lediglich konsonantische Vibranten
bzw. Frikative gefunden. Postvokalisch werden die größeren Abschwächungen
beobachtet. Postvokalisch ist jedoch zu unterscheiden zwischen
Lang- und Kurzvokalen. Nach letzteren wird häufig noch ein Frikativ
gefunden, der vor allem vor stimmlosen tautosilbischen Konsonanten
selber stimmlos wird (Meyer-Eppler 1959).
Die letzte Phase in der Reduktion ist die Vokalisierung des . Während
die verschiedenen konsonantischen Korrelate eine relativ detaillierte Klassifikation
erhalten, bereitet die Beschreibung der vokalischen Korrelate
größere Probleme, nicht zuletzt weil die vokalischen Lautmuster des sich
nur schwer in einem linearen phonetisch-phonologischen Rahmen unterbringen
lassen. Bremer (1893, 1918) verwendet ä und a zur Symbolisierung
vokalischer Varianten des alveolaren r, die er in Niedersachsen bzw.
in der Mark Brandenburg beobachtet hat. MacCarthy (1975) verwendet die
Symbolisierung R für den Gleitlaut der Vokalisierung und Viëtor (1925)
warnt davor, r zum /8& - oder ?@& -ähnlichen schwachen Vokallaut herabsinken
zu lassen. Essen (1953) beschreibt drei verschiedene Ausprägungen
der -Vokalisierung:
. . . der sich als a-ähnlich oder als Dehnung oder Verdumpfung
des vorhergehenden Vokals noch zu erkennen gibt. (hört
SUT
V8WYX
& , hart S[Z\
X
& , engl. here ]^ S_a`@\ & ). (Essen 1953: 76)
Diese drei Möglichkeiten sind auch in Kohlers (1995a) Beschreibung
des wiederzufinden. Aus seiner graphischen Darstellung der -
Diphthonge (siehe Abb. 4.8 auf S. 129) (Kohler 1977) ist die Vokalisierung
des nicht als bestimmte Vokalqualität zu sehen, sondern als eine
qualitative Richtung auf einen zentralen, halboffenen Vokal :8& .
3 Emphase Wängler

110 Phonetik und Phonologie des deutschen
4.2.2 b
Quantitative Beschreibungen
Zu trennen von den qualitativen Studien sind die quantitativen Beschreibungen
des . Diese Arbeiten sind nicht unbedingt weniger impressionistisch.
Ulbrichs (1972) Kategorien sind allgemein phonetisch und seine
Klassifikation erfolgt auf Grund von auditiven Urteilen. Aber auch Meyer-
Epplers (1959) akustische Messungen an Sonagrammen sind impressionistische
Interpretationen von instrumentellen Aufzeichnungen. Ausschlaggebend
ist der Versuch, eine Quantifizierung der Lautmuster des zu unternehmen.
Meyer-Eppler (1959) ist die erste spektrale Untersuchung der konsonantischen
und vokalischen Allophone des deutschen . Eine nicht genannte
Anzahl von Versuchspersonen wurde gebeten, eine Wortliste zu
lesen, die an verschiedenen strukturellen Positionen enthielt. Spektrale
Gemeinsamkeiten in den vibrantischen Allophonen D & und 3+& werden
im schwach ausgeprägten dritten Formanten gefunden sowie in einem um
400 Hz liegenden ersten Formanten. Das vokalische Allophon c& im Gegensatz
zum vibrantischen Allophon besitzt einen starken dritten Formanten.
Unterschiede in den konsonantischen und vokalischen Allophonen
von werden in schematischen Darstellungen der Bewegungen der ersten
zwei Formanten in Vokal- -Verbindungen verdeutlicht.
Die bislang umfangreichste Studie des ist Ulbrich (1972). Besonders
im Hinblick auf die in diesem Kapitel präsentierte Untersuchung werden
Ulbrichs Vorgehensweise sowie die Probleme seiner Analyse eingehender
diskutiert. Ulbrichs Ziel ist es, das breite Spektrum der artikulatorischen
und akustischen Varianten des deutschen , wie sie von Sprechern
des Standarddeutschen realisiert werden, darzustellen.
Ulbrichs Datenbestand umfaßte ca. 11 000 deD*d -Allophone 4 , produziert
von 40 Sprechern (25 Rundfunksprechern und 15 Schauspielern). Das gesprochene
Material besteht ausschließlich aus vorgelesenen Texten: Nachrichten,
Programmansagen, Wetterberichten und literarischen Texten.
Die einzelnen Allophone werden nach auditiven und strukturellen Kriterien
kategorisiert. Neun Kategorien werden zur Klassifikation der unterschiedlichen
Kontexte zur Verfügung gestellt sowie fünf Oberkatgorien
zur lautlichen Klassifikation “r-Vibrationslaute”, “r-Frikativlaute” “r-
Vokallaute”, “r elidiert” und “r indifferent”. Die ersten drei lautlichen
4 Die genaue Zahl ist nicht klar, denn eine Summierung der tabellierten Allophone im
Anhang und die im Text angegebene Summe stimmen nicht überein.

l
l
4.2 Quantitative Beschreibungen 111
f
Oberkategorien werden wiederum in Subkategorien gegliedert, die die einzelnen
konsonantischen und vokalischen Möglichkeiten näher erfassen. So
wird die Oberkategorie “r-Frikativlaute” in die .hgji& Allophone k & , [g und
weiter untergliedert.
&
Ulbrichs quantitative Ergebnisse im Hinblick auf die oben vorgestellte
Stellung der alveolaren und uvularen Vibranten sind interessant, weil
sie aufzeigen, daß bei Sprechern, die die Standardsprache verkörpern, der
stimmhafte uvulare Frikativ die häufigste Variante ist, eine Tatsache, die
Meinhold und Stock (1982) zur Definition deD*d ihres -Phonems .+& als führten.
Problematisch in Ulbrichs Analyse ist seine Kategorisierung der vokalischen
Korrelate des . Wie bei den qualitativen Beschreibungen werden
die konsonantischen Korrelate in mehrere Kategorien aufgeteilt und akribisch
klassifiziert. Die vokalischen Korrelate hingegen werden mit lediglich
vier Kategorien abgefertigt, wovon eine (“indifferent”) eine negative
Kategorie darstellt für Fälle, in denen keine Entscheidung über Vokalisierung
bzw. Elidierung getroffen werden konnte. Die Kategorisierung der
vokalischen Kategorien ist nicht allein wegen ihres kleinen Umfangs zu
kritisieren. Die Kategoriendefinitionen erweisen sich als viel unschärfer als
ihre konsonantischen Gegenstücke, und je näher man die Kategorie “elidiert”
unter die Lupe nimmt, desto undeutlicher wird eine Beschreibung
der Lauttypen, die sie umfassen soll.
Ulbrichs konsonantische und vokalische Kategorien sind phonetisch
zu verstehen, 4& d.h. ist für stimmmlose uvulare Frikative verwendet, unterscheidet
sich in der Stellung der Stimmritze .+& von und in der Artikulationsstelle
& von . Bei seiner Verwendung m & von :8& bzw. schließt Ulbrich
jedoch eine große vokalische Qualitätspalette ein und beschreibt nicht nur
einen Vokal von halboffener zentraler Qualität. Dies wird an ein paar Stellen
im Text klar, wie z.B.:
. . . durch zwischen no0:p*& und no0¥.op*& .
( :

112 Phonetik und Phonologie des deutschen
s Definition zu gelten: weder konsonantische Variante noch zeitlich trennbare
vokalische Substituierung des /r/ ist vorhanden, aber sowohl qualitative
als auch quantitative Unterschiede zu den einfachen, -losen Vokalen
können vorhanden sein 5 . Diese Definition umschließt sowohl Essens
(1953) Dehnung und Verdumpfung als auch solche Fälle, in denen keine
erkennbaren phonetischen -Spuren vorhanden sind, wie z.B. im eingangs
erwähnten Bart, das wie die Aussprache von bat sein mag.
In den Tabellen 4.1 und 4.2 werden die Probleme der vokalischen Kategorisierung
an Beispielen illustriert. Tabelle 4.1 enthält Beispiele der verschiedenen
Kategorien aus Ulbrichs eigenem Datenmaterial. Die Kategorie
“elidiert” ist in vier Subkategorien aufzuteilen, “andere Länge”, “andere
Qualität”, “andere Qualität und Länge” und “elidiert”. Diese Kategorien
beziehen sich jeweils auf die quantitativen und qualitativen Verhältnisse
des -losen Vokals:
“andere Länge” Die phonetischen Korrelate des schlagen sich lediglich
in der Länge des Vokals nieder.
“andere Qualität” Der Vokal enthält seine ursprüngliche Länge, aber sie
erleidet qualitative Veränderungen
“andere Länge und Qualität” Der Vokal ist sowohl in seiner Länge als
auch in seiner Qualität vom geprägt.
“elidiert” ist weder qualitativ noch in der Länge des Vokals vertreten.
Tabelle 4.1 enthält Beispiele aus drei von diesen Kategorien. Um diese
feine Kategorisierung hörbar zu machen, wurden die vokalischen -
Realisierungen eines Sprechers (k03) aus dem Kiel Corpus of Read Speech
auditiv untersucht. Tabelle 4.2 enthält Beispiele zu jedem der vokalischen
Kategorien. Die feinere Kategorisierung kommt im vokalischen Bereich
dem nahe, was Ulbrich für die konsonantischen Realisierungen ansetzt.
Dennoch bleiben auch bei dieser Aufstellung Kategorisierungsprobleme:
5 Bei Betrachtung des folgenden Auszuges ist aber auch diese Definition problematisch:
Umgangsprachlich ist häufig zu beobachten, daß t uvt seine Quantität auf den
vorangehenden Vokal überträgt, wenn es nicht elidiert wird. Langer offener
Vokal für Kurzvokal und t uvt ist besonders in Norddeutschland festzustellen,
z.B. in stark w xzy|{*} ~ '€ , lernen w ,‚2} ~ ƒ„2ƒY€ , Stirn w xzy§…,} ~ ƒY€ , dort w †Y‡5} ~ y§€ , kurz w eˆ*} ~ y|‰=€ .
(Ulbrich, 1972: 96)

›
›
‹
4.2 Quantitative Beschreibungen 113
Tabelle 4.1: Beispiele aus Ulbrichs Daten, die die verschiedenen vokalischen
Kategorien illustrieren.
m'&
:8&
elidiert
(#Š8" m8‹ Œa9=" ;+& Berlin
qr;¥*Š

114 Phonetik und Phonologie des deutschen
Tabelle 4.2: Eine Auswahl an Sätzen aus dem Berliner Satzkorpus gesprochen
von Sprecher k03. Die Einteilung der Beispiele in die verschiedenen
Kategorien basiert auf Ulbrichs (1972) Kategorisierung mit einer feineren
Aufteilung der Kategorie “elidiert” (siehe Text).
œ
Heute ist schönes Frühlingswetter. (k03be001)
Über die Felder weht ein Wind. (k03be004)
Gestern stürmte es noch. (k03be005)
œ
Vž%
Gleich hier sind die Nahrungsmittel. (k03be027)
Gestern stürmte es noch. (k03be005)
Die Fahrt war ja mächtig kurz. (k03be096)
andere Qualität, Länge gleich
Durch Wald und Feld führt unser Weg. (k03be057)
Sonst wirst du leicht überfahren. (k03be024)
Es gehört zu einer Feldscheune. (k03be094)
Qualität gleich, andere Länge
Ob ich Süßigkeiten kaufen darf? (k03be030)
Dahinter liegt der Rosengarten. (k03be062)
Löst doch die Fahrkarten am Schalter! (k03be078)
andere Qualität, andere Länge
Es ist acht Uhr morgens. (k03be010)
In der Mitte steht der Brötchenkorb. (k03be015)
Zum Schnitzel gibt es Erbsen. (k03be050)
elidiert - Qualität und Länge gleich
Dahinter liegt der Rosengarten. (k03be062)
Muß der Zucker nicht dort drüben stehen? (k03be028)
Die Kartoffeln gehören zum Mittagessen. (k03be049)

4.3 Phonetische Lautmuster des B
4.3 Phonetische Lautmuster des 115
Ÿ
anderer. Im Gegensatz zu Ulbrich wird hier die feste Annahme gemacht,
daß sowohl phonologisch als auch phonetisch in den Wörtern vorhanden
ist, deren kanonische Transkriptionen ein r enthalten. Ob diese Annahme
vertretbar ist, wird sich im Versuch zeigen, die Lautmuster phonetisch und
phonologisch zu erklären.
4.3.1 Daten und Methode
In diesem Abschnitt werden die Lautmuster, die in Verbindung mit auftreten,
anhand von impressionistischen und akustischen Aufzeichnungen
von drei weiblichen und drei männlichen Sprechern des Kiel Corpus of
Read Speech beschrieben. Es werden solche Wörter untersucht, die kanonisch
entweder die konsonantische (r) oder die vokalische (6) Variante
enthalten.
Aus dem Kiel Corpus of Read Speech werden drei weibliche (k08, k10,
k12) und drei männliche (k07, k09, k11) Sprecher 6 untersucht, die jeweils
100 Marburger Sätze (siehe Anhang A.2, S. 187) gelesen haben. Diese
Sprecherauswahl soll Aussagen über sowohl intra- als auch interindividuelle
Unterschiede erlauben. Die Marburger Sätze sind auch für eine solche
Untersuchung geeignet, denn eine kleine Menge von -Wörtern treten in
den Sätzen mehr als einmal auf. Diese werden von derselben Person mehrmals
produziert und geben somit Aufschluß über Variationen in wiederholter
Produktion des gleichen Wortes.
Es wurde KielDat eingesetzt, um -haltige Wörter in der Datenbank
zu orten, Äußerungen desselben Wortes in einer Datei zusammenzuschneiden
und so das Abhören der einzelnen -Tokens zu erleichtern. Zur leichten
Orientierung in den neuen Signaldateien wurden auch Etikettierdateien
erstellt, die den Anfang eines Signalabschnitts mit der entsprechenden
Sprecher-Satz-Kennung annotierten. Ein Auszug aus einer solchen Signaldatei
samt dieser Annotation ist in Abb. 4.1 dargestellt. Die Aufbereitung
vereinfacht den Vergleich von mehrfachen Äußerungen des gleichen Wortes
derselben Person sowie den Vergleich zwischen Äußerungen desselben
Wortes von mehreren Sprechern. Die neue Etikettierung der Signale hält
6 Persönliche Daten über Alter, sprachliche Herkunft der Sprecher sind in Anhang B.1 auf
S. 195 zu finden.

116 Phonetik und Phonologie des deutschen
Abbildung 4.1: Oszillogramm, Sonagramm und Annotation eines Auszugs
aus den zusammengeschnittenen Äußerungen des Wortes fährt der
Sprecherinnen k08 und k10 sowie des Sprechers k09. (Ref.: k08mr026,
k08mr071, k09mr026, k09mr071, k10mr026, k10mr071)
die Verbindung des Wortes zu seinem Herkunftssatz aufrecht, wenn das
Wort in seinem ursprünglichen Kontext gebraucht wird.
4.3.2 Konsonantische Korrelate des
Die phonetischen Korrelate des lassen sich in einer ersten Grobklassifizierung
in vokalische und konsonantische Korrelate aufteilen. Zuerst werden
die konsonantischen Möglichkeiten und ihre Verteilung bei den Sprechern
untersucht.
Als Ausgangspunkt wurden alle Fälle erfaßt, in denen r in der kanonischen
Transkription vorkommt. An diesen Stellen würde man bei einer
idealisierten Aussprache des Einzelwortes eine konsonantische Artikula-

Stimmlose uvulare Friktion œ §
›
›
4.3 Stimmlose uvulare Friktion ¡ ¢8£ 117
¤
tion als Korrelat des erwarten. In den 100 Marburger Sätzen gibt es 61
verschiedene Wörter, deren kanonische Transkription r enthält. Von diesen
Wörtern kommen 5 mehr als einmal vor (Doris: 4, unsere: 3, brauchen:
4, drei: 3, ihre: 2). Dies ergibt eine Gesamtzahl von 72 Wörtern. Für
die 6 untersuchten Sprecher kommen somit 432 potentielle konsonantische
-Fälle in Frage. Aus einer Untersuchung der Etikettierungen dieser 432
Wörter gibt es 17 Fälle, in denen ein vokalisches Korrelat des produziert
wurde und nicht die kanonisch vorgesehene konsonantische Variante. Die
17 vokalischen Fälle waren alle im ¥vYRj¦ Kontext zu finden (Erdbeeren: 3,
Herren: 3, Motoren: 3, Türen: 4, fahren: 2, waren: 2). Die Etikettierungen
wurden weiter auf das Einfügen des Etiketts r durchsucht, was auf eine
konsonantische Artikulation in einem Kontext hinweist, der kanonisch als
vokalisch vorgesehen war. Im untersuchten Subkorpus wurden keine solchen
Fälle gefunden 7 .
Bei den untersuchten Sprechern sind die konsonantischen Varianten des
ausschließlich uvulare Artikulationen. Sie reichen von einem stimmhaften
uvularen friktionslosen Approximanten bis hin zu einem stimmlosen uvularen
Frikativ. In der akustischen Ausprägung werden diese Artikulationen
durch einen tiefen F2 und einen hohen F3 charakterisiert. Dies stimmt weitestgehend
mit der Beschreibung von Meyer-Eppler (1959) überein.
In ihrer Verteilung läßt sich am einfachsten stimmlose uvulare Friktion von
den restlichen Artikulationsmöglichkeiten abgrenzen. Sie tritt ausschließlich
in silbeninitialen stimmlosen Konsonantengruppen auf:
nach silbeninitialen stimmlosen Plosiven: vertragen/verträgt, Eintracht,
Treffpunkt, kräftig, trinken, trockenes, Prinzip, Dietrich.
nach silbeninitialen stimmlosen Frikativen: Frau, frei, freilich, Freitag,
Freund, frisch(en), Anschrift, Schreiben, schreibt.
Zusätzlich zur dorso-uvularen Friktion werden oft auch Bewegungen
der Uvula beobachtet. Diese Bewegungen sind aber nicht mit denen eines
gezielten stimmlosen Vibranten 3 ) & zu verwechseln, sondern scheinen
7 Hierunter fallen vor allem postvokalische konsonantische Varianten in Wörtern wie dort,
in denen kanonisch eine vokalische Realisierung des ¨ vorgesehen, aber bei manchen Sprechern
mit bestimmten regionalen Eigenschaften als w †Y‡v©*y§€ zu finden ist.

Entstimmte und stimmhafte uvulare Strikturen œ ® ¯ , œ ® , œ ®°
118 Phonetik und Phonologie des deutschen
durch eine gehobene Vorderzunge verursacht zu werden. Bei uvularer
Artikulation wird die Striktur zwischen der Hinterseite einer nach vorn
eherª
gezogenen Uvula und der Zungenfurche gebildet. Wird die Vorderzunge
in die Vokalposition eines Schwas gebracht, wird die Engebildung zwischen
Uvula und Zunge gespannter, was unter anderem ein aperiodisches
Mitschwingen des Zäpfchens zur Folge haben kann.
Die Konfiguration der Vorderzunge während der uvularen Friktion
scheint der Hauptgrund für Unterschiede zwischen stimmloser uvularer
Friktion als Korrelat von und uvularer Friktion als Korrelat « von zu sein.
Die uvulare Friktion sowohl prä- als auch postvokalisch in der zweiten
Silbe des Wortes Eintracht illustrieren diesen Unterschied. Abb. 4.2 zeigt
Sonagramme der zweiten Silbe des Wortes Eintracht, produziert von einer
Sprecherin (k08) und einem Sprecher (k07). Bei der Sprecherin k08 ist der
Unterschied zwischen initialer und finaler Friktion am größten. Die prävokalische
Friktion wird von Zäpfchenschwingungen begleitet. Das akustische
Produkt dieser Schwingungen sind kurzlebige Energieanstiege in bestimmten
Frequenzbereichen, die sich als Schwärzungen im Sonagramm
(mit Pfeilen markiert) sichtbar machen. Bei Sprecher k07 hingegen wird
die Friktion nicht von uvularer Schwingung begleitet.
Bei allen Sprechern ist ein Unterschied in der vokalischen Qualität der
prä- und postvokalischen Friktion zu finden, d.h. in der Konfiguration der
Zunge vor der dorso-uvularen Enge. Die prävokalische Friktion hat eine
Schwaqualität, die postvokalische eher !4& eine -Qualität, ein Unterschied,
der a¬ ¥& mit =­ ¥& bzw. symbolisch zum Ausdruck gebracht werden kann 8 . Die
zentralere Qualität der prävokalischen Friktion ist bei der Sprecherin k08
in Abb. 4.2 deutlich zu sehen. Das Zentrum des zweiten Formanten liegt
bei etwa 1450 Hz, und das des schwächeren F1 bei etwa 1050 Hz. Beim
­ ¥& postvokalischen kommen F1 und F2 immer näher zusammen, so daß
nur eine Resonanz mit einem Zentrum um 1300 Hz bleibt.
Die restlichen konsonantischen Varianten des , die von entstimmter uvularer
Friktion . )2& bis hin zu einem stimmhaften friktionslosen Approximanten
.±& reichen, sind zusammen zu behandeln. Es gibt drei Dinge, die
für diese gemeinsame Behandlung sprechen:
8 Vgl. Boas (1911), S. 23: “The vocalic tinge of consonants is expressed by superior vowels
following them: ²´³oµj· ”

›
›
›
4.3 Stimmlose uvulare Friktion ¡ ¢8£ 119
Abbildung 4.2: Oszillogramme und Sonagramme der zweiten Silbe des
Wortes Eintracht für die Sprecher k08 (weiblich) und k07 (männlich). Die
Pfeile zeigen auf die Schwärzungen, die vom aperiodischen Schwingen
der Uvula stammen. (Ref: k08mr056, k07mr056)
In der Produktion des gleichen Wortes von verschiedenen Sprechern
kann mal . ) & , mal .+& , mal .± & auftreten.
In mehrfachen Äußerungen des gleichen Wortes kann derselbe Sprecher
mal . ) & , mal .+& , mal .± & produzieren.
In der Produktion eines einzelnen Auftretens des werden komplexe
artikulatorische Abfolgen gefunden, z.B. . )%.#. ) & .
In Abschnitt 4.4 wird argumentiert, daß der wichtigste Unterschied
zwischen diesen Varianten im komplexen Zusammenspiel zwischen der
herrschenden Luftströmung und den beteiligten Artikulatoren ist.
Variation bei verschiedenen Sprechern in der Produktion des gleichen
Sprachmaterials läßt sich am besten an den Sprechern k07 und k08 illustrieren.
Unter insgesamt 72 Wörtern pro Sprecher, in denen potentiell ein

120 Phonetik und Phonologie des deutschen
¸ konsonantisches Korrelat von auftreten kann, werden etwa 20 mit den im
vorigen Abschnitt beschriebenen stimmlosen Varianten gefunden. In den
restlichen 52 tritt bei Sprecher . ) & k07 nur einmal im Wort Briketts auf,
alle anderen haben stimmhafte dorso-uvulare Frikative oder Approximanten.
Bei der Sprecherin k08 hingegen wird in den restlichen 52 Fällen 46
. ) & Mal produziert. Die anderen Sprecher liegen zwischen diesen beiden
Extremen.
In mehrfachen Äußerungen des gleichen Wortes in verschiedenen Satzkontexten
werden bei demselben Sprecher unterschiedliche Engen festgestellt.
Der Vorname Doris tritt viermal in den Marburger Sätzen auf. Bei
fünf der Sprecher wird in allen vier Fällen eine stimmhafte uvulare Enge
vorgefunden, die entweder als Frikativ oder als friktionsloser Approximant
zu kategorisieren ist, wobei auch innerhalb dieser Kategorisierung keine
klare Abgrenzung zwischen den Kategorien Frikativ und Approximant zu
definieren ist.
Abb. 4.3 enthält Sonagramme von vier Äußerungen des Wortes Doris
für die Sprecher k07 und k08, die sowohl die Variation zwischen Sprechern
als auch innerhalb der Produktion eines einzelnen Sprechers illustrieren.
An der akustischen Ausprägung der zwischenvokalischen Enge
bei Sprecher k07 in Abb. 4.3a-d sind klare Unterschiede in der Größe
der Enge zu sehen. Bei k07 wird dem Gehörseindruck und der akustischen
Ausprägung nach die kleinste uvulare Enge in der zweiten Äußerung
(Abb. 4.3b) erreicht. Im Oszillogramm ist die geringe Amplitude der
einzelnen Schwingungen zu sehen. Im Sonagramm werden die Formanten
schwächer, der dritte Formant ist kaum noch zu sehen und Unregelmäßigkeit
in den darüberliegenden Resonanzen weisen auf Friktion hin. Im Gegensatz
hierzu steht die Äußerung in Abb. 4.3c. Vom Gehörseindruck her
sowie aus den Formantbewegungen (fallender F2, steigender F3) wird nur
eine offene uvulare Enge erreicht. Die Formantverläufe schwächen nicht
ab, und es ist keine Einbuchtung im Oszillogramm zu erkennen, wie sie
in den restlichen Äußerungen des Wortes zu sehen sind. Bei der Sprecherin
k08 sehen die intervokalischen Artikulationen deutlich anders aus. Bei
drei der vier Äußerungen (Abb. 4.3f-h) setzt die Stimmhaftigkeit aus. Eine
starke Resonanz um 1000 Hz sowie Energie oberhalb von 3 kHz charakterisieren
die akustische Ausprägung des entstimmten Frikativs. In Abb. 4.3f
weist eine Schwärzung bei 2250 ms über einen Frequenzbereich zwischen
400 Hz und 1400 Hz auf einen einmaligen Schlag der Uvula hin. Lediglich
in der ersten Äußerung des Wortes Doris (Abb. 4.3e) wird die uvulare

4.3 Vokalische Korrelate des 121
¹
Enge vollständig von Stimmhaftigkeit begleitet.
Aus der mehrmaligen Produktion des gleichen Wortes von zwei Sprechern
sind sowohl intra- als auch intersprecherische Variation demonstriert
worden. In Plosiv- mehreren -Verbindungen des õo Typs º , »¥ und werden
statt . )%& “einfachem” .+& , .± & oder komplexe Abfolgen dieser Artikulationen
gefunden. In den schon beschriebenen Beispielen von Doris
sind solche Abfolgen auch vorhanden. Bei der Sprecherin k08 sind kurze
stimmhafte uvulare Engen sowohl vor als auch nach den entstimmten
uvularen Engen (Abb. 4.3f-h) zu sehen, aber die Bewegung aus der vokalischen
Striktur heraus in die entstimmte Enge hinein kann als Kontinuum
betrachtet werden. An anderen Stellen läßt sich der konsonantische
Komplex nicht so leicht erklären. In silbenanlautenden õo@¥
Kombinationen
º@¥ und werden einige Fälle beobachtet, in denen kräftige Glottisschwingung
unmittelbar nach der Plosivlösung einsetzt, nach kurzer Zeit aber
wieder schwächer wird und z.T. vollkommen aussetzt. Es entstehen also
phonetische Abfolgen der ( )%.#. )%& Art n)'.#. )%& oder . Beispiele der akustischen
Ausprägung einer bilabialen und apikalen Abfolge sind in Abb. 4.4 zu sehen.
Vor allem bei brennen ist der auditive Eindruck der eines uvularen
Schlaglautes, der auch als ein Schlag eines uvularen Vibranten gedeutet
werden kann.
In der silbenanlautenden ȴ Kombination (siehe Abb. 4.5) tritt eine
weitere komplexe Abfolge auf, die sich von der õo@¥ für º+@¥ und unterscheidet.
Abb. 4.5 zeigt Produktionen des Wortes begreifen der Sprecherinnen
k08 und k12. Nach der Lösung des dorsalen Plosivs ist für etwa 30 ms
keine Stimmhaftigkeit vorhanden. Die Frikativenge während dieser entstimmten
Phase erstreckt sich von dorso-uvular bis dorso-velar. Danach
setzt Stimmbandschwingung kurze Zeit ein, und die Enge wird lediglich
dorso-uvular gebildet. Nach weiteren 20 bis 30 ms setzt die Stimmbandschwingung
wieder aus, bevor sich Stimmhaftigkeit endgültig durchsetzen
kann.
4.3.3 Vokalische Korrelate des
Wie bei den konsonantischen Korrelaten gilt die kanonische Transkription
sowie die Etikettierungen der einzelnen Äußerungen als Ausgangspunkt
der Untersuchung. Alle Fälle wurden herausgesucht, in denen das Symbol
(] 6 IPA ) in der kanonischen Transkription vorkommt. An diesen
Stellen wird für das Standarddeutsch, das als Modell für die kanonische

122 Phonetik und Phonologie des deutschen
(a) (b) (c) (d)
(e) (f) (g) (h)
Abbildung 4.3: Sonagramme und Oszillogramme der vier Produktionen
des Wortes Doris für die Sprecher k07 (a-d) und k08 (e-h). Pfeile zeigen etwa
auf die Mitte der jeweligen uvularen Artikulation. (Refs. (a) k07mr026,
(b) k07mr056, (c) k07mr074, (d) k07mr085, (e) k08mr026, (f) k08mr056,
(g) k08mr074, (h) k08mr085)

4.3 Vokalische Korrelate des 123
(a) (b) (c)
Abbildung 4.4: Sonagramme und Oszillogramme des Wortes (a) brennen
sowie zwei (b-c) Produktionen des Wortes drei, gesprochen von Sprecher
k09. Die uvulare Strecke in jedem Wort ist im Sonagramm jeweils mit
gekennzeichnet. In den ersten beiden Wörtern setzt Stimmhaftigkeit aus,
während in der zweiten Produktion des Wortes drei Stimmhaftigkeit nur
schwächer wird. (Ref.: (a) k09mr023, (b) k09mr076, (c) k09mr030)
Transkription verwendet wird, eine vokalische Realisierung des erwartet.
In den 100 Marburger Sätzen gibt es 125 solche Fälle. Wie schon in
4.3.2 erwähnt wurde, ergab die Untersuchung der Etikettierungen 17 vokalische
Fälle, in denen die Kanonik ein konsonantisches Korrelat vorsieht
(Erdbeeren: 3, Herren: 3, Motoren: 3, Türen: 4, fahren: 2, waren: 2). Dies
ergibt für die sechs untersuchten Sprecher eine Gesamtsumme von 767
vokalische Realisierungen (¼ Sprecher ½O¾j¿¥ÀÂÁÃ¾Ä ). Hierbei wurden aus
theoretischen Überlegungen heraus vier Fälle pro Sprecher aus der Untersuchung
ausgeschlossen, in denen die kanonische Transkription 6 enthält.
Alle Fälle kommen in den Personalpronomina unsere und unserer vor. Es
ist für beide 6 in der zweiten Silbe postuliert worden. Es wird aus späteren
Überlegungen deutlich, daß diese Analyse phonologisch inkonsistent ist.
Die vokalischen Korrelate des sind komplizierter zu beschreiben als

124 Phonetik und Phonologie des deutschen
›
›
(a)
(b)
Abbildung 4.5: Sonagramme und Oszillogramme des Wortes begreifen,
gesprochen von zwei Sprecherinnen (a) k08 und (b) k12. Die uvulare
Strecke in jedem Wort ist im Sonagramm jeweils mit gekennzeichnet.
(Ref.: (a) k08mr027, (b) k12mr027)
die konsonantischen. Hierfür sind zwei Gründe zu nennen:
Im Gegensatz zu den konsonantischen Korrelaten ist in vielen Fällen
kein zeitlicher Abschnitt vorhanden, den man ausschließlich der
Phonetik des zuschreiben kann.
Eine genaue Abgrenzung der zu beschreibenden Daten ist problematisch,
denn in einigen Fällen ist es nicht klar, ob phonetisch oder
phonologisch vorhanden ist.
Die vokalischen Korrelate des manifestieren sich als eine Reihe von
monophthongalen und diphthongalen Vokalqualitäten, die aus einer Verbindung
der phonetischen Korrelate eines Vokals und des entstehen.

4.3 Vokalische Korrelate des 125
Å
Unbetonte
Silbe Rj
Das häufigste Vorkommen des vokalischen ist in unbetonten Silben, die
kanonisch mit 6 transkribiert wurden und als der phonologische Komplex
Rj zu behandeln sind. Im untersuchten Subkorpus gibt es 300 Rj Fälle, also
39% der insgesamt 767 vokalischen Fälle. Hiervon ist wortfinale Position
mit 78% der Rj -Fälle am meisten vertreten. In der Vorsilbe ver- befinden
sich 16%, und die restlichen 6% der Fälle sind in den nichtfinalen Kontexten
der Wörter Mitternacht, Selterswasser und Eltern zu finden. Die
kanonische Kategorisierung der Vorsilbe ver- als 6 und somit als Rj wird
weiter unten in Frage gestellt.
Bei allen Sprechern werden für Rj ausschließlich Monophthonge beobachtet,
deren Qualitäten eine große Fläche im Vokalraum eines Sprechers
abdecken. Eine Vorstellung dieser Variationsbreite liefert die graphische
Aufbereitung des ersten und zweiten Formanten der Einzelvokale für den
Sprecher k11 in Abb. 4.6. Ausgenommen von der graphischen Aufbereitung
sind hier aus dem genannten Grund Werte für Vokale in der Vorsilbe
ver-. Diese finden sich in Abb. 4.7. Die Vokalformanten in den Abbildungen
4.6 und 4.7 wurden mit der in Abschnitt 3.6.1 beschriebenen Methode
gemessen. Aus der Darstellung in Abb. 4.6 sieht man, daß die Qualitäten
von Rj einen zentralen Bereich des Vokalraums einnehmen und von halbgeschlossen
bis offen reichen. Jedoch sind die weit auseinanderliegenden
Qualitäten nicht willkürlich im Vokalraum verteilt, sondern werden vom
Äußerungskontext sowie von der unmittelbaren Lautumgebung geprägt.
In äußerungsfinaler Position wird eine offenere Vokalqualität im Rj -
Vokalraum des Sprechers verwendet als in nichtfinaler Position. In nichtfinaler
Position trägt die unmittelbare Lautumgebung entscheidend zur Vokalqualität
bei. Dies hat zur Folge, daß das Vorfinden der phonetisch gleichen
Vokalqualität in äußerungsfinaler und nichtfinaler Position nicht die
gleiche Herkunft haben muß. Bei allen Sprechern wird in der finalen Silbe
des Wortes unser in der Nominalphrase unser Haar eine ähnlich offene Vokalqualität
produziert wie in der äußerungsfinalen Silbe des Wortes später.
Der finale Vokal von unser in anderen Nominalphrasen (unser Doktor, unser
Treffpunkt) ist jedoch geschlossener, was vermuten läßt, daß die offene
Qualität der finalen Silbe von unser aus einer Harmonie mit der offenen
Vokalqualität in Haar entsteht. Ähnliche harmonische Anpassung ist in
den Produktionen des Wortes Kinder zu beobachten, das in den Kontexten
Kinder machen und Kinder essen vorkommt. In der zweiten Silbe von

126 Phonetik und Phonologie des deutschen
F2 [Hz]
2100
1900
1700
1500
1300
1100
900
700
500
200
ÆaÇ
É Ç
300
400
500
600
F1 [Hz]
700
800
È Ç
900
Abbildung 4.6: Werte für die ersten zwei Formanten des Vokals Rj
(schwarze Vierecke), gemessen in der Mitte des Vokals. Formantwerte der
Vokale aus den Wörtern Prinzip (¦§¤ ), Zug (¤ ) und Schlaf (£¥¤ ) sollen einen
Eindruck über die relative Lage der R8 -Werte im Vokalraum des Sprechers
vermitteln.
Kinder in Kinder essen wird ein vorderer halboffener Vokal produziert, vor
machen hingegen ein zentraler Vokal mittlerer bis halboffener Qualität.
Vorsilbe ver-
Obwohl die Vorsilbe ver- auch kanonisch 6 vorsieht, wird sie hier getrennt
behandelt, denn in zwei anderen kanonischen Referenzen (DUDEN 1990;
Krech et al. 1964) wird nicht Rj sondern ein Vollvokal angesetzt: eÊ bzw.
r. Die phonetischen Beobachtungen, die an den sechs Sprechern hier gemacht
werden, zeigen ein komplizierteres Bild, das womöglich beide Kategorisierungen
für unterschiedliche Wörter rechtfertigt. Genauso wie bei
den Fällen, die als Rj -Silben kategorisiert werden, wird eine große Variationsbreite
in der Qualität festgestellt, und die Verteilung der Vokalqua-

4.3 Vokalische Korrelate des 127
2000
F2 [Hz]
1500
1000
k07
500
200
2000
F2 [Hz]
1500
1000
k08
500
200
300
300
400
400
500
600
700
F1 [Hz]
500
600
700
F1 [Hz]
800
800
900
900
2000
F2 [Hz]
1500
1000
k09
500
200
2000
F2 [Hz]
1500
1000
k10
500
200
300
300
400
400
500
600
700
F1 [Hz]
500
600
700
F1 [Hz]
800
800
900
900
2000
F2 [Hz]
1500
1000
k11
500
200
2000
F2 [Hz]
1500
1000
k12
500
200
300
300
verdammtes
verdienen
verlassen
verletzt
verträgt
vertragen
Verkehrsampeln
vergessen
400
500
600
700
800
900
F1 [Hz]
400
500
600
700
800
900
F1 [Hz]
Abbildung 4.7: Formantwerte der ersten zwei Formanten für die Vorsilbe
ver-. Sprecher k07, k09 und k11 links, Sprecherinnen k08, k10, k12 rechts.
litäten im Vokalraum der Sprecher ist ebenfalls nicht willkürlich. Die Lage
der Vokalqualitäten der ver-Silbe in den Wörtern verdammtes, verdienen,
verlassen, verletzt, verträgt, vertragen, vergessen und Verkehrsampeln für
die einzelnen Sprecher sind in Abb. 4.7 dargestellt. Bei allen Sprechern
ist die Qualität des Vokals in verletzt weiter vorn als in verlassen. Bei
fünf Sprechern (nicht k11) liegen die Qualitäten der Vokale im dorsalen
Plosiv-Kontext im vorderen geschlossenen Bereich. Dies stimmt mit dem
Gehörseindruck eines vorderen halbgeschlossenen Vokals überein.

128 Phonetik und Phonologie des deutschen
Ë Ander e -Vokale
Die restlichen 61% der vokalischen -Fälle sind in den Marburger Sätzen
so verteilt, daß sich Aussagen über mehrfache Äußerungen des gleichen
Wortes in unterschiedlichen Äußerungskontexten machen lassen sowie Beschreibungen
der Ausprägung von vokalischem im Kontext unterschiedlicher
Vokalkategorien. Die kanonische Kategorisierung der -Diphthonge
sieht für jeden Vokal von kurzer oder langer Quantität auch einen solchen
Vokal mit vokalischem vor. Aus anderen Beschreibungen des würde
man bei nichtoffenen Vokalen eine Reihe von Diphthongen erwarten, die
qualitativ ihren Anfang im Bereich des -losen Vokals und ihr Ende in
Richtung auf den halboffenen ungerundeten zentralen Vokal :8& nehmen.
Bei offenen Vokalen, wie etwa in Mark bzw. Korb würde man einen Monophthong
offener Qualität bzw. einen Diphthong mit geringer Zungenbewegung
in Richtung :8& erwarten. Abb. 4.8 zeigt eine graphische Darstellung
dieser Beschreibung aus Kohler (1977). Die Punkte orten die Anfangsqualität
des betreffenden -Vokals und die vom Punkt abgehende Linie die
Richtung der diphthongalen Bewegung. Im Vergleich des quantitativ langen
Vokals in mehr und des kurzen Vokals herrlich sollte der -Vokal von
mehr im vorderen halbgeschlossenen Bereich beginnen und der von herrlich
in der Nähe von ŠY& .
Die Qualitäten der -Vokale im untersuchten Subkorpus stimmen in
vielen Punkten mit Kohlers Beschreibung überein. Die Diphthonge in
Wörtern wie Bier, Gewähr, Uhr und vor fangen bei allen Sprechern am
Rande des Vokalraums an und sind nach ihrer Zungenhöhe geschlossen
(Bier und Uhr) bzw. halbgeschlossen (Gewähr 9 und vor). Die Endposition
des Diphthongs ist in der Zungenhöhe unterschiedlich, aber stets zentral
und ungerundet, so daß das Ende des Diphthongs zwischen ÌY& und :

Ñ
4.3 Vokalische Korrelate des 129
Abbildung 4.8: Die Qualitäten der -Diphthonge im Deutschen (aus Kohler
1977: 177).
achtet, lediglich eine kleine Bewegung zum Zentrum und bei Morgen eine
Entrundung zum Vokalende hin.
Jedoch weichen die Qualitäten der -Vokale im untersuchten Subkorpus
von Kohlers (1977, 1995a) Darstellung in einigen Punkten ab. Viele
der nichtoffenen Vokale sind ebenfalls monophthongal. Im Wort wirklich
wird lediglich bei den Sprechern k07 und k11 ein Diphthong des Ía?@& Typs
beobachtet. Bei den restlichen Sprechern wird ein Monophthong produziert:
bei k09 Î ‘& als , bei k08 und k12 ?@& als und bei der Sprecherin k10
als zentrale halboffene gerundete Ï8& Qualität . Auch beim Wort natürlich
wird nur bei der Sprecherin k08 ein Diphthong gefunden, bei den restlichen
Sprechern ein Monopthong der zÐ & Qualität . In unbetonten Silben der
Wörter nervös(e), erwartet sowie in nichtakzentuierten grammatikalischen
Einheiten wie wer, er und gern überwiegen Monophthonge einer zentralisierten
halboffenen ,Î ŠY& Qualität .
Die große Anzahl von Monophthongen in diesem Subkorpus steht
jedoch nicht im Widerspruch zu Kohlers Beschreibung, denn die Daten
stammen aus unterschiedlichen linguistischen Aktivitäten. Kohlers Be-

130 Phonetik und Phonologie des deutschen
ª schreibung basiert lediglich auf der Beobachtung von isoliert gesprochenen
Wörtern. Die Vokalqualitäten aus diesem Korpus sind zum Teil das
Produkt unterschiedlicher Äußerungskontexte. Ein Vergleich des Wortes
vor in betonter äußerungsfinaler Position als Partikel (Deine Uhr geht vor.)
und als unbetonte Präposition in nichtfinaler Position (Schlaf vor Mitternacht
ist gesund.) machen diese Unterschiede klar. Die durchschnittliche
Dauer der Vokale liegt bei 233 ms für äußerungsfinales vor gegenüber nur
62 ms für die nichtfinale Präposition. Im ersten Fall ist die vollständige
Entfaltung eines Diphthonges möglich, während im letzteren Fall diese
Zeit nicht zur Verfügung steht und man eher einen Monophthong findet
von zentralerer Qualität als der Anfang des äußerungsfinalen Vokals oder
einen Diphthong mit nur geringer Bewegung.
Solche Variationen in der Vokalqualität in der Aussprache eines Wortes
treten jedoch nicht nur an Stellen auf, die mit Dauerunterschieden zusammengebracht
werden können. Die Wörter vor, werden und fährt kommen
mehrmals in den Marburger Sätzen vor. Die ersten beiden treten sowohl
äußerungsfinal als auch äußerungsintern auf, fährt nur äußerungsintern.
Zusätzlich zu den oben genannten Kontexten steht vor im Präposition-Artikel-Gefüge
vor’m. Das Wort werden tritt zweimal satzfinal als Vollverb
und einmal nichtfinal in der Funktion eines Hilfsverbs auf. In den Sätzen
Doris fährt zu weit links. und Vorsicht, Zug fährt ab! haben die Vokale
des Wortes fährt für alle Sprecher unterschiedliche Qualität, obwohl keine
signifikanten Dauerunterschiede festgestellt wurden. Die zwei fährt-
Tokens von den Sprecherinnen k08 und k10 sowie von Sprecher k09 sind
in Abb. 4.1 dargestellt. Der Vokal des zweiten fährt wird von fünf der sechs
Sprecher als halboffener Monophthong der ŠÒ@& Qualität , der gleiche Vokal
im ersten Satz hingegen erscheint in fünf Fällen als Diphthong, dessen Anfang
halbgeschlossen ist. Die offenere ŠÒY& Qualität kommt der Qualität des
Wortes erst nahe, während der halbgeschlossene Diphthong dem Vokal des
finalen Gewähr ähnelt.
Bei nichtfinalem vor besteht ein ähnliches Qualitätsverhältnis zur finalen
Position. Die Qualität des Vokals im nichtfinalen Kontext ist offener, in
vielen Fällen monophthongal und könnte der gleichen Kategorie zugeordnet
werden wie der vokalische Abschnitt der Wörter Morgen, Wort oder
dort.
Bei mehrfachen Produktionen des Wortes werden wird das Bild noch
komplizierter. Bei Sprecher k09 sind die vokalischen Abschnitte der drei
Äußerungen des Wortes hörbar unterschiedlich. Im ersten äußerungsfina-

4.3 Alternation zwischen vokalischen und konsonantischen Korrelaten131
(a)
(b)
Abbildung 4.9: Sonagramme und Etikettierungen von (a) konsonantischen
und (b) vokalischen Realisierungen des Wortes fahren von den Sprechern
(a) k07 und (b) k11. (Ref.: (a) k07mr088, (b) k11mr088)
len Beispiel wird ein Diphthong der ,Ð ‘?@& Qualität produziert. Im zweiten
äußerungsfinalen Beispiel ist der Vokalabschnitt länger jedoch monophthongal
mit der ŠÒ± & Qualität . Dieser Vokal ist offener und deutlich zentraler
als der ebenfalls monophthongale Abschnitt des nichtfinalen werden
des gleichen Sprechers.
4.3.4 Alternation zwischen vokalischen und konsonantischen
Korrelaten
Neben vokalischen und konsonantischen Korrelaten des sind Alternationen
zwischen den Korrelaten zu verzeichnen, die in ¥|YR¦
wortfinalem gefunden
wurden. Die Marburger Sätze enthalten Pluralformen von Substantiven
(Erdbeeren, Herren, Motoren, Türen) sowie zwei Verbformen (fahren,
waren), die diese Struktur aufweisen. Wie schon in 4.3.2 erwähnt wurde,
entfielen von den insgesamt 36 (¼ Tokens ½Ó¼ Wörter Sprecher) etwa
die Hälfte (17) auf eine vokalische Aussprache.
Abb. 4.9 enthält Beispiele für die konsonantische (a) und vokalische
(b) Realisierung des Wortes fahren gesprochen von den Sprechern (a) k07
und (b) k11. Die beiden Realisierungen sind etwa gleich lang. In (a) ist
der zwischenvokalische uvulare Frikativ deutlich an der Abschwächung in

132 Phonetik und Phonologie des deutschen
¸ den Formanten zu erkennen. In (b) ist die gesamte Strecke zwischen dem
labiodentalen Frikativ und dem Nasal vokalisch und monophthongal. Jedoch
sind auch in der vokalischen Realisierung zwei Silben zu vernehmen,
was dem Nasal zu verdanken ist. Er hat mit etwa 80 ms die gleiche Dauer
wie die Gesamtstrecke für Vokal und Nasal ?e;& des -Abschnitts in (a).
Die Wahl für die konsonantische oder vokalische Variante scheint jedoch
nicht mit dem lautlichem oder rhythmischen Kontext zusammenzuhängen,
sondern sprecherspezifisch zu sein. Zwei Sprecher (k07 und
k09) sowie die Sprecherin k08 produzierten in den Wörtern fast ausschließlich
das konsonantische Korrelate. Nur in der Aussprache von
Türen produzierte k07 das vokalische Korrelat. Der Sprecher k11 und die
Sprecher k12 prduzierten ausschließlich das vokalische Korrelat. Lediglich
die Sprecherin k10 schwankte zwischen vokalischem und konsonantischem
Korrelat. Interessanterweise kam das vokalische Korrelat in den
Substantiven, das konsonantische in den Verben vor. Ob ihre Alternation
mit den morphologischen Unterschieden, mit den offenen Vokalen in den
Verben und den nichtoffenen Vokalen der Substantive oder mit etwas anderem
zu tun hat, bleibt noch unklar.
4.4 Phonetische und phonologische Erklärung
der Lautmuster
Der vorige Abschnitt liefert ein kompliziertes Bild über die Lautmuster
des , wie sie in der gelesenen Sprache von drei Sprecherinnen und drei
Sprechern beobachtet wurden. In diesem Abschnitt wird nun versucht, Erklärungen
zu liefern sowie die notwendigen phonetischen und phonologischen
Abstraktionen aufzustellen, die einen Teil dieser Muster erklären
können. Die einfachste Lösung wäre, sämtliche beschriebenen Lautkomplexe
des als unterschiedliche Allophone in verschiedenen strukturellen
Positionen zu deklarieren. Aber diese Lösung ist nicht zufriedenstellend,
weil die Unterschiede zwischen den Lautmustern nicht den gleichen Ursprung
haben. So ist beispielsweise der Unterschied zwischen 4& und .+&
anders zu erklären, als der zwischen konsonantischem ¥& und vokalischen
:8& .
Die phonetische und phonologische Linie, die hier verfolgt wird,
kombiniert Elemente aus mehreren phonetischen und phonologischen
Ansätzen, insbesondere der Firth’schen prosodischen Phonologie (Firth

4.4 Zeitliche Überlappung 133
1948), der artikulatorischen Phonologie (Browman und Goldstein 1989,
1992) sowie der deklarativen Phonologie (Coleman 1998).
Die phonetischen Beobachtungen werden in einem ersten Schritt drei
Bereichen zugeordnet, was aber nicht heißt, daß die Phonetik eines -
Tokens mit einem einzigen Bereich zu erklären ist:
Zeitliche Organisation Die phonetischen Korrelate von phonologischen
Objekten sind zeitlich organisiert. Gewisse Unterschiede im beobachtbaren
Produkt einer Äußerung können auf Unterschiede in
der zeitlichen Organisation der phonetischen Zutaten zurückgeführt
werden.
Artikulatorisch-aerodynamisch Das feine Zusammenspiel zwischen
dem Luftstrom und bestimmten artikulatorischen Konfigurationen,
kann zu komplexen phonetischen Mustern führen.
Phonologisch Elemente der beobachteten Phonetik, die nicht vorhersagbar
sind, müssen aufgelistet werden.
Diese Faktoren werden zuerst getrennt erläutert, jeweils anhand der
lautlichen Aspekte, die sie erklären und in 4.4.4 werden solche Fälle besprochen,
bei denen keine klare Entscheidung zu fällen ist.
4.4.1 Zeitliche Überlappung
Zeitliche Überlappung in der Form, wie sie hier verwendet wird, ist lediglich
eine weitgefaßte Definition der Koartikulation (Menzerath und Lacerda
1933), wie sie in vielen phonetischen und phonologischen Ansätzen
und verschiedenen Termini zu finden ist. Sie ist gleichzusetzen mit dem
“gestural overlap” der artikulatorischen Phonologie oder dem “temporal
overlay” in deklarativen Ansätzen (Local 1992).
Die große Mehrheit an phonetischer Variation in den Lautmustern des
können Unterschieden in der zeitlichen Organisation zugeschrieben werden.
Sämtliche vokalischen Muster, die beschrieben wurden, sowie die erweiterte
Vokalkategorisierung von Ulbrichs Daten in 4.3 können auf diesem
Wege einheitlich erklärt werden. Abb. 4.10 illustriert die beobachtbaren
Folgen von Unterschieden in der zeitlichen Überlappung der Phonetik
von mit der Phonetik von anderen vokalischen Elementen. Die phonetischen
Korrelate des und der anderen Elemente werden durch verschiede-

134 Phonetik und Phonologie des deutschen
Û
Û
Û
(
ÜÖÜÕÜÕÜÕÜÕÜÕÜÕÜÕÜÕÜÕÜÕÜÕÜÖÜ
ÚÕÚÕÚÕÚÕÚÕÚÕÚÕÚÕÚÕÚÕÚÕÚÖÚÕÚÕÚÕÚÕÚÕÚÕÚÕÚ
ÚÕÚÕÚÕÚÕÚÕÚÕÚÕÚÕÚÕÚÕÚÕÚÖÚÕÚÕÚÕÚÕÚÕÚÕÚÕÚ ÜÖÜÕÜÕÜÕÜÕÜÕÜÕÜÕÜÕÜÕÜÕÜÕÜÖÜ
ÜÖÜÕÜÕÜÕÜÕÜÕÜÕÜÕÜÕÜÕÜÕÜÕÜÖÜ
ÚÕÚÕÚÕÚÕÚÕÚÕÚÕÚÕÚÕÚÕÚÕÚÖÚÕÚÕÚÕÚÕÚÕÚÕÚÕÚ
(a)
r
y
ε
ÜÖÜÕÜÕÜÕÜÕÜÕÜÕÜÕÜÕÜÕÜÕÜÕÜÖÜ
ÚÕÚÕÚÕÚÕÚÕÚÕÚÕÚÕÚÕÚÕÚÕÚÖÚÕÚÕÚÕÚÕÚÕÚÕÚÕÚ
ÜÖÜÕÜÕÜÕÜÕÜÕÜÕÜÕÜÕÜÕÜÕÜÕÜÖÜ
ÚÕÚÕÚÕÚÕÚÕÚÕÚÕÚÕÚÕÚÕÚÕÚÖÚÕÚÕÚÕÚÕÚÕÚÕÚÕÚ
ÜÖÜÕÜÕÜÕÜÕÜÕÜÕÜÕÜÕÜÕÜÕÜÕÜÖÜ
ÚÕÚÕÚÕÚÕÚÕÚÕÚÕÚÕÚÕÚÕÚÕÚÖÚÕÚÕÚÕÚÕÚÕÚÕÚÕÚ
ÜÖÜÕÜÕÜÕÜÕÜÕÜÕÜÕÜÕÜÕÜÕÜÕÜÖÜ
ÚÕÚÕÚÕÚÕÚÕÚÕÚÕÚÕÚÕÚÕÚÕÚÖÚÕÚÕÚÕÚÕÚÕÚÕÚÕÚ
ÝÕÝÕÝÕÝÕÝÕÝÕÝÕÝÕÝÕÝÕÝÕÝÖÝÕÝÕÝÕÝÕÝÕÝÕÝÕÝ
ÞÕÞÕÞÖÞÕÞÕÞÕÞÕÞÕÞÕÞÕÞÕÞÕÞÕÞ
(b)
r
y
ε
ÞÕÞÕÞÖÞÕÞÕÞÕÞÕÞÕÞÕÞÕÞÕÞÕÞÕÞ
ÝÕÝÕÝÕÝÕÝÕÝÕÝÕÝÕÝÕÝÕÝÕÝÖÝÕÝÕÝÕÝÕÝÕÝÕÝÕÝ
ÞÕÞÕÞÖÞÕÞÕÞÕÞÕÞÕÞÕÞÕÞÕÞÕÞÕÞ
ÝÕÝÕÝÕÝÕÝÕÝÕÝÕÝÕÝÕÝÕÝÕÝÖÝÕÝÕÝÕÝÕÝÕÝÕÝÕÝ
ÞÕÞÕÞÖÞÕÞÕÞÕÞÕÞÕÞÕÞÕÞÕÞÕÞÕÞ
ÝÕÝÕÝÕÝÕÝÕÝÕÝÕÝÕÝÕÝÕÝÕÝÖÝÕÝÕÝÕÝÕÝÕÝÕÝÕÝ
ÞÕÞÕÞÖÞÕÞÕÞÕÞÕÞÕÞÕÞÕÞÕÞÕÞÕÞ
ÝÕÝÕÝÕÝÕÝÕÝÕÝÕÝÕÝÕÝÕÝÕÝÖÝÕÝÕÝÕÝÕÝÕÝÕÝÕÝ
ÞÕÞÕÞÖÞÕÞÕÞÕÞÕÞÕÞÕÞÕÞÕÞÕÞÕÞ
ÝÕÝÕÝÕÝÕÝÕÝÕÝÕÝÕÝÕÝÕÝÕÝÖÝÕÝÕÝÕÝÕÝÕÝÕÝÕÝ
y
ε
×Õ×Õ×Õ×Õ×Õ×Õ×Õ×Õ×Õ×Õ×Õ×Ö×Õ×
ØÕØÕØÕØÕØÕØÕØÕØÕØÕØÕØÕØÖØÕØ
×Õ×Õ×Õ×Õ×Õ×Õ×Õ×Õ×Õ×Õ×Õ×Ö×Õ×
ØÕØÕØÕØÕØÕØÕØÕØÕØÕØÕØÕØÖØÕØ
(c)
ØÕØÕØÕØÕØÕØÕØÕØÕØÕØÕØÕØÖØÕØ
×Õ×Õ×Õ×Õ×Õ×Õ×Õ×Õ×Õ×Õ×Õ×Ö×Õ×
r(
ØÕØÕØÕØÕØÕØÕØÕØÕØÕØÕØÕØÖØÕØ
×Õ×Õ×Õ×Õ×Õ×Õ×Õ×Õ×Õ×Õ×Õ×Ö×Õ×
ØÕØÕØÕØÕØÕØÕØÕØÕØÕØÕØÕØÖØÕØ
×Õ×Õ×Õ×Õ×Õ×Õ×Õ×Õ×Õ×Õ×Õ×Ö×Õ×
ØÕØÕØÕØÕØÕØÕØÕØÕØÕØÕØÕØÖØÕØ
×Õ×Õ×Õ×Õ×Õ×Õ×Õ×Õ×Õ×Õ×Õ×Ö×Õ×
ØÕØÕØÕØÕØÕØÕØÕØÕØÕØÕØÕØÖØÕØ
×Õ×Õ×Õ×Õ×Õ×Õ×Õ×Õ×Õ×Õ×Õ×Ö×Õ×
ÙÕÙÕÙÕÙÕÙÕÙÕÙÕÙÕÙÕÙÕÙÕÙÖÙÕÙ
ÔÕÔÕÔÕÔÕÔÕÔÕÔÕÔÕÔÕÔÕÔÕÔÖÔÕÔ
w
ε
ÔÕÔÕÔÕÔÕÔÕÔÕÔÕÔÕÔÕÔÕÔÕÔÖÔÕÔ
ÙÕÙÕÙÕÙÕÙÕÙÕÙÕÙÕÙÕÙÕÙÕÙÖÙÕÙ
ÙÕÙÕÙÕÙÕÙÕÙÕÙÕÙÕÙÕÙÕÙÕÙÖÙÕÙ
ÔÕÔÕÔÕÔÕÔÕÔÕÔÕÔÕÔÕÔÕÔÕÔÖÔÕÔ
ÙÕÙÕÙÕÙÕÙÕÙÕÙÕÙÕÙÕÙÕÙÕÙÖÙÕÙ
(d)
ÔÕÔÕÔÕÔÕÔÕÔÕÔÕÔÕÔÕÔÕÔÕÔÖÔÕÔ
ÔÕÔÕÔÕÔÕÔÕÔÕÔÕÔÕÔÕÔÕÔÕÔÖÔÕÔ
ÙÕÙÕÙÕÙÕÙÕÙÕÙÕÙÕÙÕÙÕÙÕÙÖÙÕÙ
r
ÙÕÙÕÙÕÙÕÙÕÙÕÙÕÙÕÙÕÙÕÙÕÙÖÙÕÙ
ÔÕÔÕÔÕÔÕÔÕÔÕÔÕÔÕÔÕÔÕÔÕÔÖÔÕÔ
ÙÕÙÕÙÕÙÕÙÕÙÕÙÕÙÕÙÕÙÕÙÕÙÖÙÕÙ
ÔÕÔÕÔÕÔÕÔÕÔÕÔÕÔÕÔÕÔÕÔÕÔÖÔÕÔ
ßÕßÕßÕßÕßÕßÕßÕßÕßÕßÕßÕßÖßÕßÕßÕßÕßÕßÕßÕß àÕàÕàÕàÕàÕàÕàÖàÕàÕàÕàÕàÕàÕà
ßÕßÕßÕßÕßÕßÕßÕßÕßÕßÕßÕßÖßÕßÕßÕßÕßÕßÕßÕß àÕàÕàÕàÕàÕàÕàÖàÕàÕàÕàÕàÕàÕà
(e)
α
r
àÕàÕàÕàÕàÕàÕàÖàÕàÕàÕàÕàÕàÕà
ßÕßÕßÕßÕßÕßÕßÕßÕßÕßÕßÕßÖßÕßÕßÕßÕßÕßÕßÕß
àÕàÕàÕàÕàÕàÕàÖàÕàÕàÕàÕàÕàÕà
ßÕßÕßÕßÕßÕßÕßÕßÕßÕßÕßÕßÖßÕßÕßÕßÕßÕßÕßÕß
àÕàÕàÕàÕàÕàÕàÖàÕàÕàÕàÕàÕàÕà
ßÕßÕßÕßÕßÕßÕßÕßÕßÕßÕßÕßÖßÕßÕßÕßÕßÕßÕßÕß
àÕàÕàÕàÕàÕàÕàÖàÕàÕàÕàÕàÕàÕà
ßÕßÕßÕßÕßÕßÕßÕßÕßÕßÕßÕßÖßÕßÕßÕßÕßÕßÕßÕß
àÕàÕàÕàÕàÕàÕàÖàÕàÕàÕàÕàÕàÕà
ßÕßÕßÕßÕßÕßÕßÕßÕßÕßÕßÕßÖßÕßÕßÕßÕßÕßÕßÕß
áÕáÕáÕáÕáÕáÕáÕáÕáÕáÕáÕáÖáÕáÕáÕáÕáÕáÕáÕá
âÕâÕâÖâÕâÕâÕâÕâÕâÕâÕâÕâÕâÕâ
âÕâÕâÖâÕâÕâÕâÕâÕâÕâÕâÕâÕâÕâ
áÕáÕáÕáÕáÕáÕáÕáÕáÕáÕáÕáÖáÕáÕáÕáÕáÕáÕáÕá
(f) α
r
âÕâÕâÖâÕâÕâÕâÕâÕâÕâÕâÕâÕâÕâ
áÕáÕáÕáÕáÕáÕáÕáÕáÕáÕáÕáÖáÕáÕáÕáÕáÕáÕáÕá
âÕâÕâÖâÕâÕâÕâÕâÕâÕâÕâÕâÕâÕâ
áÕáÕáÕáÕáÕáÕáÕáÕáÕáÕáÕáÖáÕáÕáÕáÕáÕáÕáÕá
âÕâÕâÖâÕâÕâÕâÕâÕâÕâÕâÕâÕâÕâ
áÕáÕáÕáÕáÕáÕáÕáÕáÕáÕáÕáÖáÕáÕáÕáÕáÕáÕáÕá
âÕâÕâÖâÕâÕâÕâÕâÕâÕâÕâÕâÕâÕâ
áÕáÕáÕáÕáÕáÕáÕáÕáÕáÕáÕáÖáÕáÕáÕáÕáÕáÕáÕá
âÕâÕâÖâÕâÕâÕâÕâÕâÕâÕâÕâÕâÕâ
áÕáÕáÕáÕáÕáÕáÕáÕáÕáÕáÕáÖáÕáÕáÕáÕáÕáÕáÕá
Abbildung 4.10: Eine schematische Darstellung der Vermischung der phonetischen
Korrelate verschiedener Vokale mit den Korrelaten des . Die
Zeit läuft von links nach rechts. (a) und (b) sowie (e) und (f) zeigen die
Folgen von unterschiedlicher zeitlicher Überlappung der Korrelate derselben
Objekte. In Verbindung mit Vokalen von kurzer Quantität (c-d) wird
die Phonetik von voll überlappend gezeigt, es enstehen Monophthongen.

4.4 Zeitliche Überlappung 135
¸ne
Schraffierungen dargestellt, die graphischen Muster repräsentieren die
beobachtbare Phonetik. Die Zeit läuft von links nach rechts.
In den Beispielen (a) und (b) wird die Phonetik des mit der Phonetik
des quantitativ langen ã ä Vokals 10 kombiniert, wie er z.B. im Wort
werden vorkommen kann (siehe S. 130). Aus der Vermischung der Schraffuren,
die die zeitliche Überlappung der Phonetik der beiden Elementen
darstellt, entsteht eines neues Muster, das Elemente aus beiden enthält. Je
größer die zeitliche Überlappung wird, bzw. die räumliche Überlappung in
der Abbildung, desto mehr überwiegt die qualitative Kombination. Phonetisch
gesehen hat dies zwei Folgen. In Abb. 4.10a sind die Qualitäten des
und die ã ä des noch weitestgehend zeitlich voneinander getrennt, und aus
ihren unterschiedlichen Qualitäten ergibt sich graphisch ein Diphthong.
Nimmt der Überlappungsgrad immer weiter zu, bis die Synchronisierung
von 4.10b erreicht ist, sind gegenüber 4.10a zwei Änderungen eingetreten.
Erstens, die Phonetik ¤ des und des sind zeitlich kaum voneinander zu
trennen, d.h. ihre Phonetik tritt nur in qualitativer Kombination zu Tage.
Zweitens, das Ergebnis einer fast vollständigen Überlappung ist ein Monophthong
und kein Diphthong mehr.
In Abb. 4.10c und d sind zwei -Vokale von kurzer Quantität dargestellt,
wie in den Wörtern (ã#å ä Herr ) und (æçå ä Korb ). Die Phonetik der
Vokale ist kürzer als bei den Langvokalen in (a-b) und (e-f), und die
Ausdehnung des wird gleich gehalten, was in der Überlappung zu einer
monophthongalen Qualität führt. In 4.10e und f sind zwei Überlappungsmöglichkeiten
für die Phonetik des è Vokals mit dargestellt. Durch
große Ähnlichkeit in der Qualität beider Elemente sind die qualitativen
Folgen für die beobachtbaren Produkte verschiedener zeitlicher Überlappungen
kaum voneinander zu unterscheiden.
Die Darstellung in Abb. 4.10 ist an verschiedenen Punkten eine Vereinfachung.
Die zeitliche Ausdehnung der Phonetik des wird nicht
verändert, und die Dauer der kurzen -Vokale unterscheidet sich nicht vom
einfachen Kurzvokal. Dennoch ist es möglich mit dieser einfachen Darstellung
eine breite Qualitätspalette an -Vokalen zu erzeugen, von Diphthongen
(a), in denen die Qualitäten des und des Vokals noch klar zu trennen
sind, über Monophthonge (b-d), die einen qualitativen Mittelwert aus dem
und dem Vokal darstellen, bis hin zu den Fällen, in denen abwesend zu
sein scheint (e-f).
10 Hier und an anderen Stellen wird die prosodische Vokalnotation von 3.2 verwendet.

136 Phonetik und Phonologie des deutschen
(a)
(c)
Asp
Asp
(b)
(d)
Abbildung 4.11: Sonagramme und Etikettierungen der Frikative bzw. Frikativ-
-Verbindungen aus den Wörtern (a) Bescheid, (b) Schreiben, (c) fahren
und (d) Freitag der Sprecherin k10. Pfeile annotiert mit Asp markieren
die Frikativaspiration. (Ref.: (a) k10mr007, (b) k10mr095, (c) k10mr088,
(d) k10mr063.)
Der stimmlose uvulare Frikativ 4& , der im Silbenanlaut nach stimmlosen
Plosiven und Frikativen auftritt ist teilweise auch als Produkt der zeitlichen
Überlappung zu behandeln. In der Überlagerung der Aspirationsphase
nach der Lösung des silbeneinleitenden Plosivs mit der dorso-uvularen
Enge entsteht § . Bei den Frikativ- -Gruppen greift jedoch diese einfache
Erklärung nicht. Obwohl kurze Aspirationsphasen nach der Lösung von initialen
stimmlosen Frikativengen beobachtet werden, ist die Dauer solcher
Aspirationsphasen nicht so lang wie die Dauer der stimmlosen uvularen
Friktion, die auf solche Frikativartikulationen folgen kann. Die Stimmlosigkeit
scheint aber trotzdem zumindest teilweise ein Korrelat des Frikativs
zu sein.

ê
ê
ê
4.4 Artikulatorisch-aerodynamische Abläufe 137
Abb. 4.11 enthält Sonagramme und Etikettierungen der Frikative bzw.
Frikativ- -Verbindungen aus den Wörtern (a) Bescheid, (b) Schreiben, (c)
fahren und (d) Freitag der Sprecherin k10. In der Annotation werden eventuelle
Aspirationsphasen von Frikativen nicht getrennt markiert, sondern
werden als Teil des Frikativs behandelt. In der Abbildung sind diese Aspirationsphasen
angezeigt. Die zeitliche Auflösung der vier Sonagramme ist
etwa gleich. Obwohl Äußerungsabschnitte von nur einer Sprecherin abgebildet
sind, weisen analoge Äußerungen der restlichen Sprecher ähnliche
Muster auf. In den beiden einfachen Frikativanlauten (4.11a und c) ist eine
deutliche, wenn auch kurze Aspirationsphase von etwa 20 ms zu erkennen.
Die Abschnitte von postalveolarer bzw. labiodentaler Friktion in Bescheid
und fahren sind jeweils 95 und 70 ms lang. Die stimmlosen Strecken liegen
somit bei 115 ms für Frikativ plus Aspirationsphase in Bescheid und
bei 90 ms in fahren. In den Frikativ- -Verbindungen ist die Strecke der
Stimmlosigkeit jeweils länger als in den einfachen Frikativanlauten: für
Schreiben liegt sie bei etwa 180 ms, in Freitag bei 130 ms. Die anlautenden
postalveolaren und labiodentalen Frikativabschnitte in den komplexen
Anlauten sind jedoch kürzer. In Freitag ist š& 60 ms, für Schreiben ist 6e&
nur 55 ms lang, etwa die Hälfte der Dauer des 6@& (ohne Aspiration) von
Bescheid. Die Situation ist somit kompliziert, denn einerseits scheint 11 ein
Teil der Stimmlosigkeit in der dorso-uvularen Enge auf Kosten des anlautenden
Frikativs zu gehen, andererseits ist die gesamte stimmlose Strecke
zu lang, um allein auf dem anlautenden Frikativ zu beruhen. Weitere Erklärungen,
die in Kombination mit der zeitlichen Überlappung hier greifen
könnten, sind sowohl artikulatorisch-aerodynamischer als auch phonologischer
Natur.
4.4.2 Artikulatorisch-aerodynamische Abläufe
Die größte Komplexität in den Lautmustern des wurde in den anlautenden
Verbindungen õ— , º und »¥ beobachtet (vgl. S. 118f ). In den Verbindungen
õ— und º (siehe Abb. 4.4, S. 123) wird unmittelbar nach der
Plosivlösung Stimmhaftigkeit beobachtet, die aber kurzfristig aussetzt, bis
sie wieder für den Rest der dorso-uvularen Enge stimmhaft wird. Im »¥ -
Anlaut (siehe Abb. 4.5, S. 124) hingegen tritt nach der Lösung zuerst eine
11 Da das untersuchte Korpus nur eine kleine Anzahl von Wörtern mit
é,ê
silbenanlautenden
ë , in rhythmisch vergleichbaren Positionen enthält, wurde nicht versucht, die Dauerverhältnisse
statistisch zu untersuchen.
, é ¨
, ëz¨

138 Phonetik und Phonologie des deutschen
ì kurze Strecke Stimmlosigkeit 12 ein, dann eine ebenfalls kurze stimmhafte
Phase, wieder eine kurze Phase Stimmlosigkeit bis sich endgültig Stimmhaftigkeit
durchsetzt.
Diese Abläufe entstehen aus einer komplexen Interaktion zwischen
dem Luftstrom und den Artikulatoren. In der Produktion eines oralen Frikativs
strömt Luft durch eine supraglottale Konstriktion, und es kommt
zu Turbulenzen, deren akustisches Produkt Rauschen ist. Um während der
Produktion eines Frikativs Stimmbandschwingung zu erhalten, ist eine feine
Abstimmung der glottalen Konfiguration und der supraglottalen Enge
notwendig (Stevens 1987; Stevens 1989). Um Stimmhaftigkeit aufrechtzuerhalten,
muß der Luftdruck zwischen der Glottis und der supraglottalen
Enge stets niedriger liegen als der subglottale. Steigt der Luftdruck zwischen
der Glottis und der supraglottalen Enge an, so daß das Druckgefälle
über die Glottis zu klein wird, setzt die Stimmbandschwingung aus. Ist
andererseits die supraglottale Enge weit genug, kann Stimmhaftigkeit aufrechterhalten
werden, aber der Luftstrom reicht nicht mehr aus um Turbulenzen
in der Enge zu erzeugen. In der Produktion eines uvularen Frikativs
kommt eine weitere Komplikation hinzu. Während der Produktion von
uvularen Konsonanten artikuliert das Zäpfchen, nach vorn gerichtet, in der
Furche der Hinterzunge. Durch das leichte Gewicht und die große Flexibilität
des Zäpfchens sind uvulare Friktionsengen empfindlich gegenüber
kleinsten Veränderungen in den Luftströmungsverhältnisse. Vor allem der
Bernoulli-Effekt, der in der Produktion von Stimmbandschwingung und
Vibranten eine entscheidende Rolle spielt, scheint auch an der Größe der
dorso-uvularen Friktionsenge mitzuwirken.
Aus der komplexen Interaktion dieser verschiedenen Faktoren kommen
in der Phase unmittelbar nach der Lösung eines anlautenden Lenis-
Plosivs komplizierte Abläufe zustande. Im õo anlautenden º und , wie in
Abb. 4.4, kann folgendes passieren. Während des Plosivverschlusses sowie
unmittelbar nach der Lösung sind die Stimmbänder in einer stimmhaften
Konfiguration, d.h. sie sind zur Stimmhaftigkeit bereit. Erst unmittelbar
nach der Lösung fällt der supraglottale Druck ab, so daß kräftige Stimmbandschwingung
zustandekommt. Die Fließgeschwindigkeit der Luft, die
durch die dorso-uvulare Enge gezwängt wird, steigt, der Luftdruck senkrecht
zur Strömung fällt ab (Bernoulli-Effekt), und das Zäpfchen wird wei-
12 Stimmlosigkeit ist an dieser Stelle als Abwesenheit von Stimmbandschwingung und nicht
als offene Glottis zu verstehen.

4.4 Artikulatorisch-aerodynamische Abläufe 139
¤
ter in die Zungenfurche hineingezogen. Die nun kleiner gewordene Enge
bietet dem von unten kommenden Luftstrom mehr Widerstand, der Luftdruck
zwischen der Glottis und der Enge steigt an. Das Druckgefälle über
die Glottis wird immer kleiner, so daß die Amplitude der Stimmhaftigkeit
immer schwächer wird oder, wie in den Fällen in Abb. 4.4a-b, die Glottisschwingung
vollständig aussetzt. Kurz hiernach wird die dorso-uvulare
Enge aufgelöst, der supraglottale Druck sinkt, und die Stimmbandschwingung
wird wieder in Gang gesetzt.
Die Abfolge » in (siehe Abb. 4.5, S. 124) scheint den Komplexen,
die bei den anderen Plosiven beobachtet wurden, genau entgegengesetzt
zu sein, aber auch hier kann man in dem Zusammenspiel der artikulatorischen
und aerodynamischen Abläufe eine Erklärung finden. Während
des Plosivverschlusses sowie nach der Lösung wird angenommen, daß die
Stimmbänder zur Stimmhaftigkeit bereit sind. Im Gegensatz õo@¥ zu und
Anlauten wird ein Verschluß mit dem Zungendorsum auch für den Plosiv
benötigt. Die hohe Position des Zungenrückens hat zur Folge, daß das
º@¥
Zäpfchen fest in der Zungenfurche sitzt. Bei der für dorsale Plosive typischen
trägen Verschlußlösung besteht eine lange Engebildung, die uvular
anfängt und velar aufhört. Diese Enge bietet der Luftströmung einen
solchen Widerstand, daß es nach der Lösung nicht zum notwendigen supraglottalen
Luftdruckabfall kommt und die Stimmhaftigkeit ausbleibt, ein
Phänomen, das auch bei »4¥ einfachen Anlauten mit anschließendem Vokal
zu beobachten ist. Nachdem die dorso-velare Öffnung hinreichend groß
geworden ist, fällt der Luftdruck zwischen Glottis und dorso-uvularer Enge
soweit ab, daß Stimmbandschwingung zustandekommen kann. Bald nach
dem Einsetzen der Stimmhaftigkeit wird die dorso-uvulare Enge durch den
Bernoulli-Effekt kleiner, dem Luftstrom wird höherer Widerstand geboten,
der supraglottale Druck steigt und die Stimmbandschwingung wird
schwächer oder setzt vollkommen aus.
Diese Erklärungen sind teilweise im Bereich von informierter Spekulation
über das mögliche Verhalten des Zäpfchens und seine Interaktion
mit einem Luftstrom, und es wird die Annahme gemacht, daß õ— in º , »¥ ,
die glottale Konfiguration zur Phonation bereit ist.
Die Größe der dorso-uvularen Enge und die Wirkung auf den supraglottalen
Luftdruck mit anschließender Abschwächung oder völligem Aussetzen
der Stimmbandschwingung ist in den mehrfachen Äußerungen des
Wortes Doris in Abb. 4.3 illustriert. In allen Fällen wird wieder die Annahme
gemacht, daß die Stimmbänder schwingen würden, wenn die Luft-

140 Phonetik und Phonologie des deutschen
›
í druckverhältnisse die richtigen sind, d.h. es wird nicht davon ausgegangen,
daß die Stimmbänder vom Sprecher zur Entstimmung angesteuert werden.
Eine weitere Erklärung für den stimmhaften Abschnitt unmittelbar
nach der Plosivlösung könnte sein, daß Sprecher in Plosiv- gewissen -
Verbindungen absichtlich einen Vokal zwischen Plosiv und uvularer Friktion
produzieren. Zwei Dinge sprechen aber dagegen. Erstens wird in mehrfachen
Äußerungen des gleichen Wortes ein vokalartiger Abschnitt nicht
produziert. In diesem Subkorpus wird das Wort drei dreimal pro Sprecher
gesprochen. In zwei Äußerungen des Wortes drei des Sprechers k09 ist die
gesamte Frikativstrecke nach der Lösung stimmhaft. Zweitens, aus dem
Vergleich der zwei Äußerungen des Wortes drei in Abb. 4.4b-c ist zu sehen,
n) .#. ) & daß n) .+& und sich sonst nicht wesentlich unterscheiden. Die erkennbaren
Formantverläufe sind nahezu gleich. Die Dauer des Abschnitts
von der Plosivlösung bis zum Aussetzen der Friktionsenge, die am besten
im Frequenzbereich oberhalb von 4,4 kHz zu erkennen ist, liegt in beiden
Fällen zwischen 60 und 70 ms bei einer Wortdauer in beiden Fällen von
etwa 200 ms.
4.4.3 Phonologische Unterschiede
In 4.4.1 und 4.4.2 wird deutlich, daß die eigentliche Phonetik des , d.h.
seine unvorhersagbaren phonetischen Aspekte, gar nicht so kompliziert
sind, wie die beobachtbare Vielfalt, die mit dem assoziert wird, auf den
ersten Blick vermuten läßt. Von den beschriebenen Mustern bleiben lediglich
zwei Bereiche unerklärt:
1. der grundlegende Unterschied zwischen den konsonantischen und
vokalischen Korrelaten und
2. die Alternationen zwischen vokalischen und konsonantischen Korrelaten
in bestimmten Wörtern, z.B. spazieren.
Diese Aspekte sind auf der phonologischen Abstraktionsebene zu erklären.
Der Unterschied zwischen den konsonantischen und vokalischen Korrelaten
des ist ein struktureller und kann in zwei Aussagen gefaßt werden:
im Silbenanlaut ist eine dorso-
Das phonetische Korrelat von
uvulare Enge.

›
›
›
4.4 Unentschiedene Fälle 141
Das phonetische Korrelat von im Silbenauslaut ist es eine halboffene
zentrale Vokalqualität.
Diese zwei Aussagen listen lediglich die phonetischen Elemente des auf,
die willkürlich sind, d.h. sie sind nicht mit Mechanismen zu erklären, wie
es in 4.4.1 und 4.4.2 gemacht wurde.
Wenn Unterschiede zwischen den konsonantischen und vokalischen
Korrelaten des strukturell sind, so sind die Alternationen zwischen konsonantischen
und vokalischen Korrelaten in Wörtern wie spazieren oder
waren in der Zuweisung von mal zum Silbenanlaut, mal zum Silbenauslaut
zu suchen. Diese Unterschiede sind in den drei Strukturbäumen für das
Wort fahren in Abb. 4.12 dargestellt. Für die konsonantische Aussprache
|!#",.+?e;& sind zwei Möglichkeiten vorgesehen. Im ersten wird lediglich
dem Silbenauslaut zugewiesen, im zweiten ist es sowohl dem Auslaut der
ersten, als auch dem Anlaut der zweiten Silbe angegliedert.
Aus der Verteilung dieser Alternation über die sechs Sprecher in 4.3.4
blieb unklar, aus welchen Gründen, die eine oder andere Variante gewählt
wird. Es könnte stilgebunden sein, d.h. die Sprecher, die die konsonantische
Variante in der Lesesprache produziert haben, würden auf anderen
Stilebenen die vokalische Variante verwenden. Es mag aber nur sprecherspezifisch
sein, d.h. gerade wegen der strukturellen Unentschiedenheit bevorzugen
Sprecher mal die eine, mal die andere Variante.
4.4.4 Unentschiedene Fälle
Die Erklärung der verschiedenen Lautmuster ist in drei Bereiche aufgeteilt
worden, und eine Reihe der unterschiedlichen Muster konnte in diesem
Rahmen untergebracht werden. Jedoch ist es möglich, zur selben Oberflächenphonetik
zu gelangen mit unterschiedlichen Beiträgen aus den drei
Bereichen. Dies trifft in mindestens zwei Fällen zu:
Die verschiedenen Vokalqualitäten der Vorsilbe ver-.
Die stimmlose Phase in anlautenden Frikativ- -Verbindungen.
Das Problem der Vokalqualitäten in der Vorsilbe ver- läßt sich wie folgt
umschreiben. Welcher Anteil der qualitativen Unterschiede ist der Phonologie
zuzuschreiben, welcher der zeitlichen Überlappung und Extension
der phonetischen Korrelate von anderen beteiligten phonologischen

142 Phonetik und Phonologie des deutschen
(a) î ï2ðòñ=óõô+öø÷
(b) î ï2ðùñ=óõôöõ÷
e
e
e
Silbe
Silbe
Anlaut
Reim
Anlaut
Reim
f
Nukleus
r
Nukleus
Auslaut
α
n
Silbe
Silbe
Anlaut
Reim
Reim
f
Nukleus Aus−/Anlaut Nukleus Auslaut
α
r
n
Silbe
Silbe
Anlaut
Reim
Reim
f
Nukleus
Auslaut
Nukleus
Auslaut
α
r
n
(c) î ï5ðùñzörú2÷
Abbildung 4.12: Silbenstrukturen für die (a-b) konsonantische und (c) vokalische
Aussprache des Wortes fahren. In der Aussprache mit konsonantischem
Korrelat gibt es zwei Möglichkeiten, je nachdem ob allein im
Anlaut der zweiten oder auch im Auslaut der ersten Silbe auftreten darf.

›
›
›
›
4.4 Unentschiedene Fälle 143
¹
Elementen? Dieses Aufteilungsproblem kann an den Unterschieden zwischen
den Vokalen in verletzt und verlassen bei den Sprecherinnen k08,
k10 und k12 erläutert werden. In Abb. 4.7 sieht man, daß die akustische
Qualität des Vokals in der ersten Silbe von verletzt offener und weiter vorn
liegt als die des ersten Vokals von verlassen. Der auditive Unterschied ist
zwischen einem vorderen halboffenen Vokal in verletzt gegenüber einer
Schwa-Qualität in verlassen. Diese Unterschiede können auf phonologische
oder zeitliche Faktoren zurückgeführt werden:
Der -Vokal von verletzt ist phonologisch ein anderer als der in verlassen,
in verletzt R8 gegenüber in verlassen. Qualitative Unter-
ã å ä
schiede beruhen daher auf phonetischen Korrelaten von unterschiedlichen
phonologischen Elementen.
Die Vokale sind phonologisch gleich, ã—å ä% d.h. Rj oder . Qualitative
Unterschiede sind in der zeitlichen Überlappung und Extension der
phonetischen Korrelate der betonten Silbe des Verbstammes mit denen
der ver-Silbe zu finden.
Eine der Konsequenzen der ersten Lösung ist, daß jede ver-Vorsilbe
einer getrennten phonologischen Klassifizierung bedarf, ã å ä% entweder oder
, und die Klassifizierung wird möglicherweise sprecherspezifisch anders
Rj
ausfallen.
In 4.4.1 wurde die zeitliche Überlappung der Aspirationsphase eines
Plosivs mit der uvularen Enge ¥& für verantwortlich gemacht. Für die
-Verbindungen konnte diese Lösung nur teilweise greifen, denn
Frikativ-
auch bei einer Verkürzung der anlautenden Frikativdauer unter Beibehaltung
der stimmlosen Phase, war die Stimmlosigkeit û=@¥ in ü5@¥ bzw. Anlauten
länger als in den û§¥ einfachen ü2¥ oder Anlauten. Hier bieten sich wieder zwei
Alternativen an:
Die längere stimmlose Strecke in û=@¥ und ü2@¥ Anlauten ist
artikulatorisch-aerodynamisch zu begründen. Zu dem Zeitpunkt, an
dem die Stimmbänder bereit zur Stimmhaftigkeit sind, ist der Luftdruck
zwischen Glottis und der dorso-uvularen Enge noch zu hoch,
um Stimmbandschwingung zu ermöglichen.
Stimmlosigkeit ist ein phonetisches Korrelat des Silbenanlauts, d.h.
Stimmlosigkeit legt sich über die Korrelate aller anderen Elemente
des Anlautes.

144 Phonetik und Phonologie des deutschen
ý Aus diesen zwei Möglichkeiten ist die erste am wahrscheinlichsten, denn
bei phonologisch parallelen û=þz¥ Anlauten ü5þa¥ und wird zwar eine Phase von
stimmloser Lateralität gefunden, die aber nicht die zeitliche Ausdehnung
erreicht, wie û=@¥ in ü2@¥ und .
4.4.5 Eigenschaften der phonetischen und phonologischen
Analyse
Die phonetische und phonologische Erklärung der Lautmuster, die in
4.4.1–4.4.4 präsentiert wurden, enthält Elemente aus einigen phonetischen
und phonologischen Ansätzen. Diese Vorgehensweise besitzt Eigenschaften,
die sie von Ulbrichs (1972) Untersuchung sowie von einer generativen
phonologischen Analyse (Hall 1993) distanzieren. In diesem Abschnitt
werden die Probleme der generativen Phonologie sowie die Lösungsansätze,
die in der deklarativen und artikulatorischen Phonologie zu finden
sind, diskutiert.
Sowohl in Ulbrichs beschreibendem Ansatz als auch in einer generativen
phonologischen Analyse werden die Lautmuster prozeßorientiert
erklärt. Die Kategorien von Ulbrich (“elidiert”, “vokalisiert”) sowie die
Prozesse von Hall (z.B. “vocalisation”) gehen von einer zugrundeliegenden
konsonantischen Variante des aus, die in verschiedenen strukturellen
Kontexten durch phonologische und phonetische Prozesse verändert wird.
In Ulbrichs Beschreibung sind die Prozesse lediglich in den Namen der
Kategorien zu finden, in Halls Analyse der Lautmuster eines rheinländischen
Dialekts werden die Prozesse expliziert. Jedes Wort im Lexikon,
daß enthält, hat am Anfang der Derivation für das die gleiche Phonetik,
die durch phonologische Merkmale ausgedrückt wird. Die Merkmale
durchlaufen eine Reihe von kontextabhängigen Regeln, die die Werte der
Merkmale verändern, neue hinzufügen, oder das gesamte Merkmalsbündel
tilgen können, wenn es auf den Kontext einer Regel paßt. Generative Regeln
haben die Form:
¢¤£¦¥¨§
oder
ÿ ¢§£©
(4.1)
ÿ¡ © § ©
Diese Regel ist zu lesen als wird zu , wenn sich im Kontext von
und befindet. Hierbei ÿ kann jedes Element auch die leere Menge sein.
ÿ §
Ist oder £ leer, ist nur der nachfolgende (leeres ) bzw. der vorangehende
(leeres ) Kontext © für die Anwendung der Regel notwendig. Ist leer
ÿ
§ © © §

4.4 Eigenschaften der phonetischen und phonologischen Analyse 145
Nucleus
Coda
X
X
X
ROOT
[+cont] [+son] [−cons]
Abbildung 4.13: Die -Vokalisierungsregel im Kontext eines Langvokals
aus Hall (1993: 88). Die Regel ist in der graphischen Darstellung enthalten.
Die Merkmale des sind unter dem ROOT-Knoten. Die gestrichelte Linie
zwischen dem ROOT-Knoten und dem Merkmal [-cons] deutet sein Hinzufügen
an. Die Änderung findet in der Coda nach einem langen Nukleus
statt.
so entsteht Material aus einem bestimmten Kontext; solche Regeln werden
verwendet, um epenthetische Vokale und Konsonanten zu erzeugen,
die z.B. zwischen Lateralen und Frikativen auftreten können (als: /

146 Phonetik und Phonologie des deutschen
große Unterschiede in ihrer Oberflächenstruktur (z.B. passiv-aktiv) aufweisen,
auf der syntaktischen Ebene erklären zu können. Aber das bekannteste
Werk der generativen Phonologie (Chomsky und Halle 1968)
zeigt, vor allem in der Herleitung synchroner Konsonanten- und Vokalmuster
aus früheren Stadien des Englischen, daß der Formalismus der Ersetzungsregeln
viel zu mächtig ist: es kann alles aus allem hergeleitet werden.
Verschiedene Weiterentwicklungen der generativen Phonologie, (z.B. lexikalische
Phonologie, Mohanan 1986; autosegmentelle Phonologie, Goldsmith
1990) haben versucht, diese Mächtigkeit durch die Aufstellung von
verschiedenen Restriktionen (“constraints”) zu bändigen. Coleman (1994,
1998) zeigt jedoch, daß diese Restriktionen die Mächtigkeit nur scheinbar
abschwächen.
Zwei phonologische Ansätze vermeiden auf unterschiedliche Art und
Weise diese Mächtigkeit. Die deklarative Phonologie (Coleman 1994,
1998; Local 1992; Local und Ogden 1997) ist ein restriktionsbasierter
Ansatz. Phonologische Strukturen sind in Form von Attribut-Wert-Paaren,
und die einzige Regel ist die Unifikation von Strukturen. Einer der wichtigsten
Unterschiede dieses Formalismus gegenüber dem generativen Ansatz
für unsere Untersuchung ist, daß es nur möglich ist, Strukturen monoton
zu verändern, d.h. die Unifikation von zwei Strukturen darf weder
Information wegnehmen noch die Werte von schon vorhandenen Attributen
verändern. Der Weg von den phonologischen Strukturen zur Phonetik
ist auch ein anderer: die phonologische Struktur wird durch phonetische
Aussagen, wie sie auf S. 140 zu finden sind, interpretiert. Diese klare Trennung
zwischen der Phonologie und Phonetik sowie die Interpretation der
phonologischen Struktur ist nicht neu und findet sich in der Firth’schen
prosodischen Phonologie (Firth 1948) wieder.
Es stellt sich sofort die Frage bei solchen Einschränkungen, wie scheinbar
offensichtliche Fälle von Tilgung im deklarativen Ansatz erklärt werden
können. Hier gibt es mehrere Möglichkeiten, von denen eine in dieser
Untersuchung verwendet wurde: phonetische Parameter fallen gar nicht
weg, sondern treten in einer Ausprägung auf, die in der beobachtbaren
phonetischen Substanz nicht zu unterscheiden ist vom Fall, in dem die phonetischen
Parameter von vornherein nicht vorhanden sind ] (Bart bat).
Die artikulatorische Phonologie (Browman und Goldstein 1989, 1992)
ist ein weiteres Beispiel für eine drastische Einschränkung in der Mächtigkeit
auf der phonologischen Ebene. Wörter bestehen aus artikulatorischen
Gesten. In der Produktion eines Wortes können keine Gesten weggenom-

›
›
4.5 Modellierung der Muster 147
men
und keine hinzugefügt werden; phonetische Variation in der Äußerung
von Wörtern ist auf Unterschiede in der zeitlichen Organisation der Gesten
und in ihren Amplituden zurückzuführen. Inhaltliche Modifikationen von
Gesten sowie ihre Tilgung ist somit im Modell der artikulatorischen Phonologie
auch untersagt. Die scheinbare Abwesenheit von phonetischem
Material kann auch hier auf mehrfache Weise erklärt werden:
Die Amplitude einer Geste geht gegen Null und ist somit nicht mehr
zu sehen.
Durch die zeitliche Überlappung zweier Gesten wird eine versteckt.
Die Drosselung der generativen Mächtigkeit in den deklarativen und
artikulatorischen Ansätzen hat interessante theoretische Folgen gehabt.
Ohne Tilgung und andere Strukturmanipulationen wird man gezwungen,
die phonetischen Daten anders zu interpretieren, sie nochmal anzuschauen
bzw. das Phänomen mit anderen Mitteln zu untersuchen. Die -Vokale
sind ein Beispiel für eine andere Interpretation der phonetischen Daten.
Elektropalatographische Untersuchungen zu vermeintlichen Fällen von
Assimilation haben aufgezeigt, daß alveolare Artikulationen in alveolarlabialen
Abfolgen noch vorhanden sind, auch wenn sie von labialen Artikulationen
verdeckt werden.
4.5 Modellierung der Muster
Nachdem die Lautmuster des für sechs Sprecher in 4.3 beschrieben wurden
und der Versuch in 4.4 unternommen wurde, die Muster zu erklären,
wird nun versucht gewisse Aspekte der Muster mit einer Regelsynthese
zu reproduzieren. Die Implementierung ist in Form einer Regelsteuerung
der Formantsynthese von Klatt (1980), die im nächsten Kapitel näher beschrieben
wird. In 4.4.3 wurden die phonetischen Korrelate von an verschiedenen
strukturellen Stellen im Wort formuliert, die allgemeinphonetische
Kategorisierungen verwendet haben. In der Syntheseimplementierung
werden die phonetischen Korrelate in Form von akustischen Parameterverläufe
über der Zeit niedergelegt.
Es werden zwei Aspekte aus 4.4 in der synthetischen Version implementiert.
Erstens, an verschiedenen Stellen in der Silbenstruktur hat verschiedene
phonetische Korrelate. Zweitens, die phonetischen Korrelate des
erfahren unterschiedliche zeitliche Überlappung.

148 Phonetik und Phonologie des deutschen
è å
è
å
è
å
Tabelle 4.3: Synthetische Beispiele von unterschiedlichen -Vokalen und
-losen Vokalen. In allen Fällen ist der phonetische Beitrag, den leistet,
derselbe. Unterschiede beruhen lediglich auf der zeitlichen Überlappung
der phonetischen Korrelate des mit denen der Vokale. Vokale sind in der
prosodischen Notation aus 3.2.
Stadt
Staat
Start
bat
Bart (kurz)
Bart (lang)
Tier
Kur
Kür
Dirk (kurz)
Dirk (lang)
durch
Storch
è r
r è
r è
r ã
r æ
r æhã
å r ã
r ã
å r æ
r ä
æ å
Die Implementierung dieser Aspekte läßt sich am besten an den verschiedenen
-Vokalen illustrieren. Tabelle 4.3 enthält einige Beispiele von
-Vokalen mit bestimmten -losen Vokalen zum Vergleich.
Die vokalischen Abschnitte der -haltigen Wörter in Tabelle 4.3 variieren
von monophthongaler oder leichter diphthongaler Qualität in Start,
Bart, Dirk (kurz), durch und Storch zu Diphthongen in Tier, Dirk (lang),
Kur und Kür. In allen Fällen überlappen die vokalischen Korrelate von
mit denen des Vokals, aber durch Unterschiede in der zeitlichen Ausbreitung
des Vokals fällt der Grad der Überlappung unterschiedlich aus,
so daß teils Monophthonge teils Diphthonge zustandekommen. In allen
Fällen ist, wie in Abb. 4.10 dargestellt, die Phonetik von die gleiche. Die
unterschiedlichen Vokalqualitäten, die zu hören sind, entstehen lediglich
in der Kombination mit der Phonetik von verschiedenen Vokalqualitäten.
Auch wenn die Korrelate von mit den Korrelaten des Vokals überlappen,
tragen die Korrelate des trotzdem zur längeren Dauer der Silbe,
vor allem zu einem längeren Vokalabschnitt bei. Dies hat interessante Folgen
vor allem für eine Worttriade mit offenen Vokalen wie Stadt, Staat

4.5 Modellierung der Muster 149
und
Start. Aus der Phonologie in der rechten Spalte von Tabelle 4.3 ist
zu entnehmen, daß Stadt von Staat durch Quantität und von Start durch
unterschieden wird. Auditiv ist zwischen Start und Staat jedoch lediglich
ein leichter qualitativer Unterschied in den Vokalabschnitten zu erkennen,
die Dauern der Vokalabschnitte in beiden Wörtern sind nahezu identisch.
Obwohl Start mit quantativ kurzem Vokal angegeben wird, sind die Folgen
der Anwesenheit des in der Dauer und Qualität des Vokalabschnitts zu
finden. Die Korrelate von überlappen mit denen å è des , tragen aber auch
zur Dauer des Abschnitts bei. Das Produkt ist ein synthetisches Start, das
sich hörbar kaum von Staat unterscheidet, trotz erheblicher Unterschiede
in den phonetischen Zutaten.
Die Wörter Dirk und Bart erhalten zwei synthetische Versionen, die
auf quantitative Unterschiede in ihren Vokalen zurückzuführen sind. Diese
Alternation soll eine Möglichkeit darstellen, wie Dialekte sich in ihren
-Realisierungen unterscheiden: es sind möglicherweise die gleichen Oppositionen
vorhanden, aber sie sind über die Wörter anders verteilt. In an-
deren Fällen können bestimmte Quantitätsoppositionen in den -Vokalen
aufgelöst sein, so è daß in bat einem èh quantitätslosen in Bart oder Start
gegenüber steht. Neben anderen phonetischen Korrelaten, die in der Einleitung
erwähnt wurden, kann die zeitliche Organisation unter Beibehaltung
der gleichen phonologischen Oppositionen und Verteilung für weitere dialektale
Unterschiede sorgen. Der lange Vokalabschnitt, der aus der Phonetik
eines kurzen Vokals und dem entsteht, wird auf den zeitlichen Beitrag
des zurückgeführt. Nimmt jedoch die Phonetik des keine Zeit für sich
in Anspruch, sondern tritt nur in Kombination mit der Phonetik der anderen
Elemente auf, so entstehen -Vokale, die sich in ihrer Dauer nicht
von -losen Kurzvokalen unterscheiden. Dies mag Unterschiede in Wortpaaren
wie Sport und Spott aus Arten des Schwäbischen erklären, deren
Vokalabschnitte auditiv 13 keine Längenunterschiede aufweisen; jedoch ist
eine pharyngale Konstriktion über die gesamte Wortproduktion in Sport zu
vernehmen.
In den synthetischen Formen der Wörter Bart (kurz) und bat finden
wir uns am Anfang des Kapitels (4.2.2) wieder, bei der Frage, ob ähnliche
Aussprachen von Wörtern wie Bart und bat auf ihre phonetische und phonologische
Identität hinweisen. Die phonetische und phonologische Analyse
sowie die synthetische Reproduktion, die in diesem Kapitel vorge-
13 Dieser Gehörseindruck wurde noch nicht instrumentell überprüft.

150 Phonetik und Phonologie des deutschen
stellt wurden, zeigen, daß eine Analyse, die bemüht ist, die einheitlichste
Lösung für beobachtbare Unterschiede zu suchen, diese Frage verneinen
muß.

Kapitel 5
Wissensbasierte
Gewinnung von
Steuerparametern für die
Formantsynthese
5.1 Einleitung
Im vorigen Kapitel bildeten 600 Satzäußerungen gesprochen von sechs
Sprechern die Datenbasis für eine phonetische und phonologische Analyse
des . Am Ende des Kapitels wurden auf Grund der Beschreibung
und der Ansätze zur Mustererklärung gewisse Aspekte der gefundenen vokalischen
Muster mit einer regelgesteuerten Formantsynthese nachmodelliert.
In diesem Kapitel wird nun die Form der Datenaufbereitung im Kiel
Corpus ausgenutzt, um eine Formantsynthese mit den Ergebnissen einer
gewöhnlichen akustischen Analyse zu steuern, d.h. um an Steuerparameter
zu gelangen, die als phonetische Korrelate in einer regelgesteuerten
Formantsynthese dienen können.
Wie das vorige Kapitel gezeigt hat, bietet die automatische Generierung
von Steuersignalen für eine Formantsynthese eine ausgezeichnete
Methode, phonologische Modelle zu validieren, indem man ihr phoneti-
151

152 Wissensbasierte Gewinnung von Steuerparametern
sches Produkt in Form einer akustischen Ausgabe beobachten kann. Umso
reizender wird diese Aufgabe durch die hohe Qualität der synthetischen
Sprache, die die Formantsynthese erzeugen kann, wenn sie mit den richtigen
Steuersignalen angetrieben wird.
Die Formantsynthese von Klatt (1980) bietet eine große Anzahl von
Steuerparametern, die eine adäquate Modellierung von vielen Aspekten
des akustischen Produkts des Artikulationsapparats erlauben. Jedoch bleibt
die Gewinnung der Steuerparameter, die als phonetische Korrelate der
phonologischen Abstraktionen dienen, eine mühsame und zeitaufwendige
Aufgabe. Forschungsergebnisse in Form von konkreten Zahlen, die zumindest
als Ausgangswerte dienen können, werden nur selten angetroffen.
Dies ist nicht verwunderlich, denn ein Großteil der Forschung in diesem
Bereich ist anwendungsgebunden, wird von der Industrie finanziert und erklärt
solche Werte somit zu Industriegeheimnissen. Ausnahmen sind Allen
et al. (1987) sowie Kent und Read (1992). Sie präsentieren Werte für vokalische
und konsonantische Allophone des amerikanischen Englischen. In
Allen et al. (1987) sind die konsonantischen Allophone aus einem vorderen
Vokalkontext, bei Kent und Read (1992) werden sie als mögliche Ausgangswerte
beschrieben. In beiden Fällen sind die konsonantischen Werte
für die Produktion eines Teils der entsprechenden akustischen Artikulation
geeignet. Die Dynamik, d.h. die Veränderung der verschiedenen Parameter
zueinander über die Zeit wird höchstens beispielhaft beschrieben, aber
nicht für die einzelnen Allophone.
Der benötigte Aufwand, dynamische Parametersätze zu gewinnen, läßt
sich am Beispiel eines prävokalischen stimmlosen aspirierten alveolaren
Plosivs illustrieren. Von den dynamischen Parametern (siehe 5.2), die in
der Klatt-Formantsynthese eingestellbar sind, müssen etwa 13 über die
Zeit kontrolliert und verändert werden. Der Abschnitt zwischen Plosivverschluß
und dem stimmhaften Vokaleinsatz ist akustisch in drei unterschiedliche
Phasen aufzuteilen. Die Verschlußlösung ist von kurzer Dauer
und besteht aus einem Impuls. Darauf folgt ein Abschnitt alveolarer Friktion,
der dann von Aspiration abgelöst wird. Eine Modellierung dieser Abfolge
in der Formantsynthese bedeutet ein feines Zusammenspiel zwischen
drei glottalen und supraglottalen Quellparametern sowie eine Kontrolle der
Formanten, ihrer Bandbreiten und Amplituden.
Eine interessante und aufschlußreiche Methode, dynamische Parametersätze
für eine Sprache zu gewinnen, bietet die Copy-Synthese, d.h. die
Steuersignale für die Formantsynthese werden aus den Ergebnissen ei-

5.1 Einleitung 153
¸ner
akustischen Analyse von natürlichen Äußerungen hergestellt. Es gibt
jedoch zwei große Schwierigkeiten, die Ergebnisse einer gewöhnlichen
akustischen Analyse in die Steuerparameter einer Formantsynthese zu
überführen:
1. Es besteht eine Diskrepanz zwischen der Information, die von einer
akustischen Analyse geliefert wird und der hohen Anzahl an Steuerparametern,
die die Formantsynthese für die Äußerungsmodellierung
zur Verfügung stellt. So liefern die meisten Grundfrequenzanalysen,
beispielsweise, nur eine Entscheidung ob ein Äußerungsabschnitt
stimmhaft (F0 gefunden) oder stimmlos (F0 nicht gefunden)
ist 1 . Für eine Formantsynthese kann diese Entscheidung nur zu einer
quasiperiodischen (stimmhaften) bzw. einer aperiodischen (stimmlosen)
Anregung der Resonatoren führen. Die Klatt-Synthese bietet
jedoch vier dynamische Parameter zur Modellierung von glottalen
und supraglottalen Quellen, zwei für aperiodische Quelle (glottal
und supraglottal) sowie zwei für die periodische Quelle an der Glottis
(Stimmhaftigkeit und ein Tiefpaßfilter für die Modellierung von
Stimmhaftigkeit in Frikativen und oralen Verschlußlauten).
2. Parametrische Information über komplexere Produkte des Ansatzrohres
ist den Analysenergebnissen nur schwer zu entziehen. Stimmhafte
Frikative bilden eine Gruppe solcher komplexerer Produkte.
Der Frikativ & , z.B., verläßt eine akustische Analyse entweder als
stimmloser Frikativ (F0 nicht gefunden) oder als stimmhafter Approximant
(F0 gefunden). Obwohl der erste Ausgang für eine anschließende
Synthese der günstigere wäre, erlauben beide Analyseausgänge
keine adäquate Nachbildung des ursprünglichen Frikativs.
Dieses Kapitel beschreibt eine wissensbasierte Methode, die beide Probleme
überwindet. LACS (Label Assisted Copy Synthesis, Scheffers und
Simpson 1995; Simpson und Scheffers 1996) kombiniert die symbolische
Etikettierung einer Äußerung mit den Ergebnissen einer gewöhnlichen
akustischen Analyse und erlaubt somit eine intelligente Überführung
der Analysedaten in die Steuerparameter einer Formantsynthese. Einige
phonetische Informationen können aus den Analysedaten allein gewonnen
1 Die Grundfrequenzanalyse von Indefrey, Hess und Seeser (1985) erkennt zusätzlich
Strecken von unregelmäßiger und tieffrequenter Stimmhaftigkeit als Knarrstimme

154 Wissensbasierte Gewinnung von Steuerparametern
ª werden. Die Grundfrequenzanalyse identifiziert stimmhafte und stimmlose
Äußerungsstrecken, die Energieverteilung im Kurzzeitspektrum läßt auf
bestimmte Lauttypen schließen, z.B. Frikative gegenüber Vokalen. Kommt
aber linguistische Information in Form einer symbolischen Etikettierung
hinzu, können die Analysedaten von Anfang an den phonetischen Korrelaten
bestimmter phonologischer Objekte zugewiesen und entsprechend behandelt
werden. Durch Arbeiten wie Klatt (1980) oder Allen et al. (1987)
sind die benötigten Parameter für die verschiedenen Lauttypen bekannt
und die Analysedaten können zur Steuerung dieser Parameter verwendet
werden.
Die erfolgreiche Überführung von Analyseergebnissen in Steuerparameter
wird am auditiven Vergleich zwischen der natürlichen und synthetischen
Äußerung gemessen. Ist die Überführung gelungen, hört sich
die synthetische Äußerung entsprechend natürlich an und die Synthesesteuersignale
können die Grundlage für die Erarbeitung der eigentlichen
akustisch-phonetischen Korrelate bilden. In phonologischen und phonetischen
Ansätzen, wie sie im vorigen Kapitel verwendet wurden, müssen die
phonetischen Korrelate so beschrieben sein, daß sie die zeitliche Kombination
mit den Korrelaten anderer Objekte erlauben. In Abschnitt 5.5 wird
gezeigt, wie die Korrelate für F2 eines prävokalischen Laterals in verschiedenen
Vokalumgebungen unter Verwendung der modifizierten Locusgleichung
(Allen et al. 1987) geschätzt werden können.
5.2 Akustische Analysedaten und die Klatt-
Formantsynthese
Die Formantsynthese von Klatt (1980) bietet etwa 40 Parameter, das akustische
Verhalten des Ansatzrohres zu modellieren (siehe Abb. 5.1). Etwa
die Hälfte der Steuerparameter modelliert die Dynamik einer Äußerung
und wird zeitlich verändert. Die andere Hälfte modelliert globale Aspekte
einer Äußerung, die den Eigenschaften der modellierten Stimme zuzuschreiben
sind. Die globalen Steuerparameter werden nicht mit der Zeit
verändert und da es unser Ziel ist, phonetische Aspekte von Äußerungen
und nicht von Sprechern zu modellieren, werden die globalen Parameter

5.2 Akustische Analysedaten und Formantsynthese 155
Abbildung 5.1: Der Aufbau der Klatt-Formantsynthese (Klatt 1980: 975).
nicht weiter diskutiert 2 .
In Tabelle 5.1 finden sich die Syntheseparameter, die in der hiesigen
Implementierung der Klatt-Synthese dynamisch gehalten werden 3 .
Die Parameter F0, F1–F4, B1–B4, A2–A6 sind selbsterklärend. AH und
AF setzen jeweils die Amplitude einer stochastischen glottalen bzw. supraglottalen
Anregung fest. AV legt die Amplitude der quasiperiodischen
stimmhaften Anregung fest. AVS steuert ein Tiefpaßfilter, das die Amplituden
der oberen Frequenzen der stimmhaften Anregung stark dämpft, um
den sinoidalen Charakter von Stimmhaftigkeit während supraglottaler Verschlüsse
und Engen nachzuahmen. AB kontrolliert ein Bandpaßfilter, das
eine adäquatere Modellierung der spektralen Eigenschaften von labialen
und dentalen flachen Frikativen ( õgg—2g[gg8& ) erlaubt. Mit FNZ wird
die Frequenz der nasalen Nullstelle festgelegt. Die Frequenz des nasalen
Pols wird als globaler Parameter auf einem festen Wert gehalten. Solange
Pol und Nullstelle die gleiche Frequenz haben, haben sie keine akustische
Folgen, erst wenn die Frequenz von einem (in diesem Fall FNZ) verscho-
2 Unten wird deutlich, daß Form und Verlauf der dynamischen Parameter einen erheblichen
Teil der Sprechereigenschaften ausmachen, so daß die Trennung in sprecher- und
sprachbezogenen Eigenschaften eine grobe Vereinfachung ist.
3 Fortan werden die Synthese-Parameter in ihrer abgekürzten Form dargestellt und durch
Fettdruck von gleichnamigen Analyse-Parametern unterschieden.

156 Wissensbasierte Gewinnung von Steuerparametern
Tabelle 5.1: Die dynamischen Parameter der Klatt-Formantsynthese mit
den Abkürzungen, die im Text verwendet werden.
AV Amplitude der stimmhaften Anregung
AVS Amplitude der sinoidalen Stimmhaftigkeit
AH Amplitude der Aspiration
AF Amplitude der Friktion
AB Amplitude des Bandpasses
F0 Grundfrequenz
F1–F4 Frequenzen der ersten vier Formanten
B1–B4 Bandbreiten der ersten vier Formanten
A2–A6 Amplituden der Formanten 2 bis 6
FNZ Frequenz des nasalen Zeros
AN Amplitude des nasalen Pols
ben wird, tritt ein zusätzlicher Pol und eine Nullstelle im Signal auf.
Die Analyseparamter und die dynamischen Syntheseparameter werden
in Abb. 5.2 nebeneinander dargestellt. Die Pfeile zeigen die Überführung
der Analyseparameter in Syntheseparameter, wenn nur die Information aus
der akustischen Analyse zur Verfügung steht. Aus dieser Darstellung werden
die ungenützten Syntheseparameter offengelegt. Liefert die Grundfrequenzanalyse
einen Wert größer als Null, so kann der Energieparameter
RMS zur Festsetzung der Amplitude der Stimmhaftigkeit in der Synthese
verwendet werden. Stellt die Grundfrequenzanalyse keine Stimmhaftigkeit
fest, kann RMS in die Amplitude der aperiodischen Quelle AF überführt
werden. Die anderen Quellparameter, die eine aperiodische Quelle an der
Glottis – AH – modellieren sowie ein Tiefpaßfilter für die Modellierung
der sinoidalen Stimmhaftigkeit – AVS – während supraglottaler Enge- und
Verschlußbildungen, bleiben in beiden Fällen ungenutzt.
Eine weitere Eigenschaft der Klattsynthese, die nur schwer ausgenutzt
werden kann, wenn lediglich die Analyseparameter zur Verfügung stehen,
ist die Möglichkeit, unterschiedliche Lauttypen durch eine unterschiedliche
Synthese zu erzeugen, entweder
kaskadisch: das Quellsignal wird durch die Filter, die die Resonanzen des
Ansatzrohres nachbilden, nacheinander geschleust, oder

5.2 Akustische Analysedaten und Formantsynthese 157
Abbildung 5.2: Gegenüberstellung der Parameter einer einfachen
akustischen Analyse und der dynamischen Parameter der Klatt-
Formantsynthese. Die Pfeile stellen die ungefähren Entsprechungen dar
und machen das unausgewogene Verhältnis zwischen Analyse und Synthese
deutlich.
parallel: das Quellsignal wird parallel durch die Filter gesendet, und die
Filterausgänge werden nachher summiert.
Die kaskadische Filteranordnung eignet sich besonders gut für orale
Lauttypen, bei denen die Anregungsquelle an der Glottis liegt, z.B. Vokale
und glottale Frikative. Die Filter müssen lediglich durch die Angabe ihrer
Zentralfrequenz und ihrer Bandbreite charakterisiert werden. Die parallele
Filteranordnung eignet sich zur Nachbildung von Lauttypen, deren Quelle
supraglottal erzeugt wird, z.B. sämtliche supraglottalen Frikative. Zusätzlich
zur Zentralfrequenz und Bandbreite muß die Amplitude festgesetzt
werden. Da eine gewöhnliche akustische Analyse die Information über die
unterschiedliche Quelle nicht liefert, kann die Wahl zwischen kaskadisch

›
›
›
›
158 Wissensbasierte Gewinnung von Steuerparametern
und parallel nur grob eingesetzt werden, d.h. bei Stimmhaftigkeit kann der
Kaskadezweig, bei Stimmlosigkeit der parallele Zweig verwendet werden.
5.3 Methode
5.3.1 Signalanalyse und Formantsortierung
Im ersten Schritt wird eine natürliche Äußerung einer LPC-Analyse und
einer Grundfrequenzanalyse unterzogen. Es wird dieselbe Analyse verwendet,
wie sie in Kapitel 3 beschrieben wurde. Alle fünf Millisekunden
werden folgende Werte aus dem Signal gewonnen:
zwei Schätzungen der Formantfrequenzen (s. 3.6.1);
Formantbandbreiten und -amplituden;
Grundfrequenz (F0);
Kurzzeitenergie (RMS).
Ungewöhnlich an diesen Analyseergebnisse ist allein die Berechnung
von Formantamplituden, die für Lauttypen notwendig sind, die mit einer
supraglottalen Anregung erzeugt und somit durch den Parallel-Zweig der
Synthese geschickt werden.
Die Schätzungen der Formantfrequenzen werden ebenfalls nach der in
Kapitel 3 beschriebenen Methode durchgeführt. Im Gegensatz zu meist
stimmhaften Vokalabschnitten, bei denen die Sortierung in den meisten
Fällen richtig verläuft, bieten bestimmte Lauttypen eine Reihe von Schwierigkeiten
für die Formantbestimmung. Eine solche Problemgruppe bilden
die Frikative, deren Behandlung in 5.3.5 eingehend besprochen wird.
5.3.2 Annotationsunterstützte Überführung der Analysedaten
in Steuersignale
Nach der Analyse einer Äußerung werden die einzelnen Analysesätze
zeitlich mit ihrer Etikettierung verknüpft. Im einfachsten Fall wird jeder
Analysesatz mit einem Label verbunden. Information über Glottalisierung
($-q) und Nasalierung ($-˜) wird ebenfalls an dieser Stelle mitgenommen,
so daß zu einem Zeitpunkt mehrere phonetische und phonologische

5.3 Glottale Aktivität 159
Informationen zur Verfügung stehen können. Zusätzliche kontextuelle Information
über benachbarte Abschnitte werden während des Überführungprozesses
selbst gewonnen. Tabelle 5.2 enthält einen Ausschnit aus der
Analyse des Wortes Mittagessen von Sprecher k03. Die Analysesätze sind
mit Teilen der Etikettierung verbunden und die Formanten sind sortiert.
Der Ausschnitt erstreckt sich vom Ende des velaren Plosivverschlusses (k)
über die kurze Lösungsphase (-h) bis in den glottalisierten Vokalabschnitt
("E-q) hinein.
Die sortierte und annotierte Analyse bildet die Grundlage für die
Überführung in synthetische Steuersignale. Als erster Schritt werden aus
den Formantlücken (mit -99 gekennzeichnet) kontinuierliche Verläufe gemacht.
Augenblicklich wird die Formantlücke durch die zweite Pisarenko-
Schätzung gefüllt, und die Bandbreite und Amplitude werden aus linearen
Interpolationen zwischen vorherigen und nachfolgenden Werten gebildet.
Dieser Schritt ist ein einfacher Automatismus und wird zur Zeit nicht von
Labelinformation gesteuert. Dies ist wünschenswert, denn die Formantsortierung,
die auch ohne Zusatzinformation abläuft, ist bei bestimmten
Äußerungsabschnitten besonders fehleranfällig. Nasalierte Abschnitte sowie
stimmlose Frikative (siehe 5.3.5) sind zwei Beispiele, die aus unterschiedlichen
Gründen Probleme bieten.
In weiteren globalen Anpassungen werden alle RMS-Werte relativ zu
einem Maximum von 60 dB korrigiert, um Übersteuerungen zu vermeiden.
Alle Formantbandbreiten, die größer als 500 Hz sind, werden auf 500 Hz
reduziert.
Als letzter Schritt passiert die eigentliche annotationsgesteuerte Manipulation
und Überführung in synthetische Steuersignale. Hauptsächlich
auf Grund der mit dem Datensatz verbundenen Etikettierung werden Entscheidungen
getroffen, welche synthetischen Quellparameter (AV, AH,
AVS, AF) mit RMS zu steuern sind, ob Formantamplituden benötigt werden
(bei Anregung mit AF) und ob Werte für bestimmte Parameter, z.B.
durch Interpolation o.ä. hergestellt werden müssen. In den nachfolgenden
Abschnitten werden einige Beispiele der Überführung beschrieben.
5.3.3 Glottale Aktivität
Die akustische Analyse eines Äußerungsabschnitts liefert lediglich Information
über das Vorhandensein oder Fehlen von Stimmhaftigkeit. Dies
steht in einem schlechten Verhältnis zur Anzahl der Glottisstellungen, die

160 Wissensbasierte Gewinnung von Steuerparametern
Tabelle 5.2: Ausschnitt aus den sortierten und annotierten Analysedaten aus der Mitte des Wortes Mittagessen. Der
Ausschnitt enthält einen Teil des velaren Plosivverschlusses (k), die Lösungsphase (-h) und einen Teil des nachfolgenden
glottalisierten Vokals ("E-q). Die erste Spalte enthält das Label, die zweite den Gain-Faktor, der nicht
weiter verwendet wird. Die dritte Spalte enthält Kurzzeitenergie (RMS) in Dezibel, die vierte die Grundfrequenz
in Hertz. Die weiteren Spalten enthalten zwei Schätzungen der Formantfrequenzen (siehe 3.6.1) getrennt durch
“/” sowie die Bandbreite und Amplitude. Aus Platzgründen sind nur die Schätzungen der ersten vier Formanten
abgebildet. Insgesamt acht Formanten werden für eine männliche Stimme geschätzt. Die Zahl -99 wird verwendet,
um leicht erkennbare Lücken zu füllen, die bei der Formantsortierung enstehen. Die Analysesätze werden in
Abständen von 5 Millisekunden gewonnen. (Ref.: k03be049)
Label G RMS F0 F1/P1 B1 A1 F2/P2 B2 A2 F3/P3 B3 A3 F4/P4 B4 A4
k 33 17 0 411/411 999 0 1824/1738 614 39 -99/2540 -99 -99 3685/3660 628 35
k 32 15 0 448/448 999 0 1236/1659 721 35 2259/2572 567 35 -99/3672 -99 -99
k 41 30 0 572/545 397 64 1583/1513 431 59 2012/2010 166 63 -99/3385 -99 -99
k 53 44 0 511/501 237 80 1585/1535 369 72 2022/2023 123 77 -99/3236 -99 -99
-h 57 47 0 493/486 225 83 1639/1603 455 73 2046/2060 99 82 3320/3290 641 55
-h 55 41 0 542/532 459 72 1852/1781 881 69 2067/2129 109 80 3314/3342 703 54
-h 57 42 0 613/586 504 73 1891/1752 519 73 2205/2237 328 74 3804/3509 790 62
"E-q 62 51 0 489/476 216 87 1862/1738 330 79 2224/2206 300 79 3797/3529 400 70
"E-q 59 54 0 433/426 94 94 1825/1720 221 81 2167/2128 268 78 3721/3542 213 70
"E-q 57 55 0 410/402 113 95 1767/1669 205 82 2124/2076 234 80 3721/3447 104 74
"E-q 56 52 0 426/423 67 92 1775/1713 178 80 2106/2085 215 77 3721/3608 99 73
"E-q 56 52 0 428/424 64 92 1857/1709 301 76 2107/2131 463 72 3675/3535 296 65
"E-q 58 55 0 467/456 91 95 1888/1600 582 77 2117/2158 457 77 3656/3445 159 77
"E-q 58 56 0 485/476 65 97 1848/1655 318 79 2212/2153 419 76 3664/3512 88 81

5.3 Glottale Aktivität 161
behauchte
Stimme
Knarrstimme Stimmlosigkeit Stimmhaftigkeit
Abbildung 5.3: Sonagramm und Etikettierung eines Teils der Äußerung
Wir haben ein Abteil extra für uns, gesprochen von k03. In diesem kurzen
Äußerungsabschnitt sind vier Glottisstellungen zu erkennen: Stimmhaftigkeit,
Stimmlosigkeit, Knarrstimme und behauchte Stimme. Ein Pfeil deutet
jeweils auf eine exemplarische Strecke. (Ref.: k03be085)
in einer kurzen Äußerung auftreten können.
Ein kurzer Ausschnitt aus dem Berliner Satz Wir haben ein Abteil extra
für uns von Sprecher k03 enthält vier häufige Glottisstellungen: Stimmhaftigkeit,
Stimmlosigkeit, Knarrstimme und behauchte Stimme. Knarrstimme
oder Glottalisierung treten als Korrelate einiger phonologischer Objekte
im Deutschen auf.
In Begleitung eines Glottalverschlusses oder allein hat Glottalisierung
eine abgrenzende Funktion in Silben mit initialen Vokalen (siehe Abb. 5.3).
Sie kann auch eine Einbruchfunktion in Sequenzen von Lateralen und Nasalen
erfüllen. In einer häufig auftretenden Aussprache des Wortes könnten
wird der alveolare Verschluß und die velopharyngale Öffnung nach dem
ersten Vokalabschnitt bis zum Ende des Wortes beibehalten. Während dieser
nasalen Strecke jedoch wird ein Einbruch durch einen Glottalverschluß
oder eine Glottalisierung hergestellt und somit ein Unterschied zu können
geschaffen (Kohler 1994, 1995c). Eine weitere Funktion der Glottalisierung
ist als Korrelat von Äußerungsfinalität, die sich über eine oder mehrere
Silben am Ende eine Äußerung erstrecken kann.
Behauchte Stimme ist das Hauptkorrelat von in zwischenvokali-

162 Wissensbasierte Gewinnung von Steuerparametern
schem Kontext. Im Gegensatz zur normalen Stimmhaftigkeit, wird bei
der behauchten Stimme während der Schwingungsphase kein Verschluß
an den Stimmlippen erreicht, Luft strömt kontinuierlich durch die Glottis
(Laver 1980; Buuren 1983). Behauchte Stimme ist auch als Korrelat von
Äußerungsfinalität zu finden und kann zusammen mit Glottalisierung eine
behauchte Knarrstimme bilden.
Aus einer Kombination von akustischer Analyse und Etikettierung ist
es möglich auf viele der verschiedenen Glottisstellungen zu schließen
und die Analysedaten in die relevanten Quellparameter der Synthese zu
überführen. Phonetische Zusätze in der Etikettierung des Kiel Corpus (siehe
2.3.3 auf S. 21) weisen auf zwei der beschriebenen Glottalisierungstypen
hin. Nur die äußerungsfinale Glottalisierung wird nicht markiert.
Wird eine als glottalisiert markierte Strecke von der akustischen Analyse
als niederfrequente Stimmhaftigkeit erkannt, so muß in der Parameterüberführung
nichts gemacht werden. Die Strecke wird wie jede andere
stimmhafte Strecke behandelt, RMS wird zur Festsetzung von AV verwendet.
Die typischen Eigenschaften von Glottalisierung sind schwache, tieffrequente,
unregelmäßige Schwingungen, die nicht selten als stimmlos von
einer F0-Analyse deklariert werden. In solchen Fällen kann die Information
über das Vorhandensein einer glottalisierten Strecke aus der Etikettierung
zu einem gezielten Eingreifen bei der Überführung der Analysedaten
in Syntheseparameter verwendet werden. Der glottalisierte Abschnitt wird
bei der Überführung stimmhaft gemacht, indem die Synthese-F0 auf beliebige
Werte zwischen 50 und 70 Hz über die betreffende Strecke gesetzt
wird und RMS wird zur Festsetzung der Stimmhaftigkeit verwendet. So
wird aus analytischer Stimmlosigkeit unregelmäßige, tieffrequente Stimmhaftigkeit.
Eine ähnliche Strategie wird für vokalisch etikettierte Strecken verwendet,
die ebenfalls von der F0-Analyse als stimmlos erklärt werden. In
der Mehrheit der Fälle geschieht dies durch den verwendeten Algorithmus
am Vokalrand oder in bestimmten, meist unbetonten Stellen, an denen
Stimmhaftigkeit nur zwei oder drei Perioden lang ist. Ein typisches
Beispiel ist die zweite Silbe des Wortes Süßigkeiten. Ein kurzer, nichtakzentuiert,
hoher Vokal zwischen zwei Frikativen mag sich nur an seiner
Stimmhaftigkeit zu erkennen geben. Eine Friktionsenge herrscht über
die ganze Strecke hinweg, die somit häufig die F0-Analyse als stimmlos
verläßt. Diese Stimmhaftigkeit wird ebenfalls bei der Überführung wieder
hergestellt, indem eine Interpolationslinie zwischen dem letzten und dem

5.3 Glottale Aktivität 163
Abbildung 5.4: Überführung der Analysedaten in die Syntheseparameter
für Knarrstimme (links) und die verschiedenen Korrelate von (rechts).
Tieffrequente, unregelmäßige Stimmhaftigkeit wird für Strecken hergestellt,
die in der F0-Analyse als stimmlos deklariert, aber als glottalisiert
etikettiert wurden. Die Synthese-F0 wird auf beliebige Werte zwischen 50
und 70 Hz gesetzt. Für h, wenn F0 0, wird !"# angenommen, und RMS
wird in die Syntheseparameter AV, AH and AVS übernommen. Bei F0 $
0 wird ! %# angenommen, RMS wird lediglich in AH überführt; in beiden
Fällen wird ausschließlich eine glottale Anregung angenommen, und nur
der Kaskade-Zweig wird aktiviert.
nächsten vorhandenen F0-Werten gespannt werden. Steht der analytisch
stimmlose Vokalabschnitt am Äußerungsanfang bzw. -ende, wird aus den
nachfolgenden bzw. vorhergehenden F0-Verlauf extrapoliert.
Behauchte Stimmhaftigkeit wird jedoch nicht in der Etikettierung markiert,
d.h. stimmlose und stimmhafte Korrelate von werden nicht in
der Etikettierung unterschieden. Die phonetische Interpretation eines bestimmten
Äußerungsabschnitts läßt sich aus einer Kombination der akustischen
Analyse und der Etikettierung gewinnen. Wird eine Strecke mit
etikettiert, ist eine glottale Anregung durch den Kaskade-Zweig der Synthese
hindurchzuschicken. Ist diese Strecke aus der akustischen Analyse

164 Wissensbasierte Gewinnung von Steuerparametern
als stimmhaft
&
(F0 0) erkannt, wird aus einer entsprechenden Mischung
der drei dynamischen Parameter (AV, AH, AVS), die eine glottale Anregung
bilden, behauchte Stimme modelliert. Wird die Strecke als stimmlos
deklariert, so wird ! %'# angenommen, und RMS wird lediglich zur Festsetzung
der glottalen aperiodischen Quelle AH verwendet.
Da hier eine akustische Modellierung angestrebt wird, haben bestimmte
artikulatorische Unterschiede die gleichen akustischen Folgen, z.B.
führen die artikulatorischen Unterschiede zwischen einer offenen, verengten
oder geschlossenen Glottis während eines Plosivverschlusses zum gleichen
akustischen Produkt: Ruhe.
5.3.4 Plosivlösungen
Die Lösungsphasen von prävokalischen Plosiven in akzentuierten Silben
weisen drei unterschiedliche Phasen auf. Die Lösung selbst wird durch
eine energiereiche pulsartige Explosion charakterisiert. Darauf folgt örtliche
Friktion, die je nach Artikulationsstelle unterschiedlich lang ist. Durch
eine Vergrößerung der oralen Enge geht die örtliche Friktion in glottale
Friktion über, deren Spektrum durch den supraglottalen Hohlraum geformt
wird, d.h. in Aspiration im engen Sinne. Um diese Abfolge in Syntheseparameter
umzusetzen, müssen die Analysedaten auf unterschiedliche
Syntheseparameter, abhängig von der Zeit, abgebildet werden. Für die
Plosivlösung sowie den Abschnitt unmittelbar danach wird RMS in AF
überführt, und da es sich um eine supraglottale Anregung handelt, werden
die Formantamplituden benötigt. Für die eigentliche Aspirationsphase
wird RMS verwendet, um AH zu steuern; das Anregungssignal wird durch
den Kaskade-Zweig der Synthese gesendet, der nur die Formantfrequenzen
und ihre Bandbreiten benötigt.
5.3.5 Frikative
Frikativ stellen besondere Probleme für die Analyse und anschließende
Überführung in Syntheseparameter dar. Stimmhafte Frikative, z.B. ! (¨# , ! )*# ,
! +# , sind artikulatorisch komplex und erzeugen akustische Produkte, aus
denen diese Komplexität wieder herzustellen ist. Im Gegensatz zu vielen
anderen Lauttypen sind zwei Quellen vorhanden, eine glottale Schwingung
und eine supraglottale Friktionsenge. In der Default-Überführung

5.3 Frikative 165
,
von Abb. 5.2 lassen die Ergebnisse einer F0-Analyse die Erzeugung eines
stimmhaften friktionlosen Approximanten zu bei F0 0 bzw. eines
stimmlosen Frikativs bei $ F0 0. In beiden Fällen geht ein Teil des akustischen
Produktes verloren. Die Verbindung der akustischen Analyse mit der
Etikettierung ermöglicht eine Identifizierung von stimmhaften Frikativen
und erlaubt somit die Überführung der Analyseparameter in die entsprechenden
Formantparameter.
Abb.5.5 illustriert die Behandlung der enstimmten und stimmhaften
Korrelate von - , d.h. ! )./# und ! )*# . Wird eine mit z etikettierten Strecke
analytisch als stimmhaft erkannt, wird RMS verwendet, um die Parameter
AV, AF und AVS zu steuern, die eine glottale und nichtglottale Anregung
erzeugen. Wie bei der Herstellung von behauchter Stimme wird
AVS verwendet, um hochfrequente Anteile der stimmhaften Anregung zu
unterdrücken. Wird analytisch keine Stimmhaftigkeit gefunden (F0 $ 0),
so wird ! ). # angenommen und RMS wird lediglich zur Steuerung von AF
verwendet. Im stimmhaften und stimmlosen Fall wird der Parallel-Zweig
angeregt, aber nur die Amplitude von F6 wird festgesetzt. Andere Formantamplituden
werden auf 0 gesetzt.
Eine fehlerhafte Verarbeitung des tatsächlich Produzierten kann diese
beiden Alternativen aber nicht ausschließen, z.B. wenn ein stimmhafter
Frikativ produziert, aber als stimmlos in der F0-Analyse deklariert worden
ist. Diese Information ist auch nicht aus der Etikettierung zu holen, denn
dort wird ein Unterschied zwischen ! ). # und ! )*# nicht annotiert.
Ein weiteres Problem bei der Überführung von Frikativen ist die Identifizierung
von geeigneten Formantwerten. Das Klatt’sche Synthesemodell
fordert kontinuierliche Formantverläufe, auch wenn Formanten in bestimmten
Äußerungsabschnitten nicht vorhanden sind. Vor allem in stimmlosen
Frikativen, bei denen der Resonanzraum hinter der Friktionsenge nur
eine untergeordnete Rolle spielt, werden die unteren Formanten nicht angeregt.
Ein typisches Beispiel hierfür ist das stimmlose dorso-palatale Korrelat
von 0 , ! 12# . Die vordere linguale Enge und die ungerundete Lippen
führen zu spektraler Energie erst ab etwa 2,5 kHz, d.h. eine Anregungn ab
dem dritten Formanten. Werte für den ersten und zweiten Formanten lassen
sich aus den Formantverläufen vor bzw. nach der Friktionsenge mit dem
Auge schätzen. Werte für die Frequenzen, Bandbreiten und Amplituden
des dritten und vierten Formanten sowie Amplituden für den fünften und

166 Wissensbasierte Gewinnung von Steuerparametern
Abbildung 5.5: Überführung der Analysedaten in Syntheseparameter für
die verschiedenen Korrelate von - . Wird der Frikativ von der F0-Analyse
als stimmhaft erklärt, dann wird ! )*# angenommen und RMS wird zur Festsetzung
von AV, AF und AVS verwendet. Ist jedoch keine analytische
Stimmhaftigkeit vorhanden wird ! ).3# angenommen und RMS wird lediglich
verwendet, um die supraglottale Friktionsquelle AF zu steuern.
sechsten 4 Formanten lassen sich über LPC-Spektren schätzen. Im Falle eines
dorso-palatalen Frikativs werden die Analysedaten in der Überführung
fast vollständig ignoriert; nur RMS wird verwendet um AF zu steuern.
5.4 Ergebnisse von LACS
Die beschriebene Methode der Copy-Synthese wurde entwickelt, um Werte
für die Regelsynthese zu gewinnen, und orientierte sich hauptsächlich
4 Die Frequenzen und Bandbreiten des fünften und sechsten Formanten werden global
gehalten, lediglich die Amplituden werden dynamisch verändert.

5.4 Ergebnisse von LACS 167
an
4
der Produktion eines männlichen Sprechers (k03) aus dem Kiel Corpus
of Read Speech, der die Berliner Sätze produzierte. In der verwendeten
Version der Formantsynthese eignet sich am ehesten eine männliche Stimme.
Weiter berücksichtigt wurde eine Stimmqualität, die keine Besonderheiten
aufwies, z.B. Diplophonie, übermäßige Behauchung, Pharyngalisierung
usw. Diese Eigenschaften stellen unnötige und z.T. unüberwindbare
Probleme für die Analyse und anschließende Überführung dar. Um den
Überführungsprozeß bei anderen Stimmen auszuprobieren, wurden einige
männliche Stimmen einer LACS-Behandlung unterzogen.
Tabelle 5.3 enthält Beispielsätze aller männlichen Stimmen, die die
Berliner und Marburger Sätze aus dem Kiel Corpus of Read Speech gelesen
haben sowie zwei männliche Stimmen aus dem spontansprachlichen
Korpus. Eine Auswahl von sieben Äußerungen des Sprechers k03 illustrieren
die beschriebenen Manipulationen, die bei der Überführung gemacht
werden. Der anschließende Hörvergleich besteht jeweils aus der Originaläußerung
sowie der LACS-behandelten synthetischen Äußerung. Die
Analyse- und Überführungsschritte laufen automatisch ab, und es ist keine
manuelle Korrektur der Steuersignale vorgenommen worden.
Aus den synthetischen Äußerungen sind Probleme in verschiedenen
Bereichen zu erkennen. Den größten Störfaktor bilden die Stellen, an denen
die Formantsortierung fehlerhaft verlaufen ist, so daß synthetische
Formanten an der falschen Stelle zusammenkommen. Das erzeugt ein
Knacken (z.B. Eltern in k09mr005, Eltern in k61mr005) oder in wenig gravierenden
Fällen ein Summen (z.B. Unsere und Walzer in k11mr005). Die
beschriebenen Probleme der Frikative sind am deutlichsten im postalveolaren
Frikativ des Wortes schön im Satz k65be001 zu hören. Der Frikativ
ist qualitativ richtig, aber viel zu stark gegenüber dem Rest der Äußerung.
An den Sätzen von k03 sind sämtliche beschriebenen Manipulationen
illustriert. Die stimmlosen und behauchten Korrelate von finden sich jeweils
im ! %# von heute (k03be001) und im ! "'# von gehören (k03be049).
Die Herstellung einer unregelmäßigen, tieffrequenten Stimmhaftigkeit,
wenn die Grundfrequenzanalyse keine Stimmbandschwingung in einer
als glottalisiert annotierten Strecke gefunden hat, ist am ! 56879# in eine von
k03be053 illustriert. Die Wiederherstellung von Stimmhaftigkeit in anderen
analytisch stimmlosen Vokalen ist in der dritten Silbe von Frühlingswetter
sowie am geschlossenen Vokal von gibt in k03be031 zu finden.
In Konserven von k03be031 wird der alveolare Frikativ durch den F0-
Algorithmus als stimmhaft identifiziert, und es wird daher ! )*# modelliert.

168 Wissensbasierte Gewinnung von Steuerparametern
Tabelle 5.3: Beispiele von LACS-behandelten männlichen Äußerungen
aus den gelesenen und spontansprachlichen Korpora. Das gelesene Material
stammt aus den Berliner (Infix “be”) und Marburger (Infix “mr”)
Satzkorpora. Sieben weitere Äußerungen aus dem Berliner Korpus von
Sprecher k03 illustrieren die verschiedenen Überführungsmanipulationen.
Das spontansprachliche Material besteht aus Turns von zwei Sprechern,
bei denen Analyse und Überführung mit geringen Fehlern gelingt.
Gelesen - Berlin und Marburg
k01be001 Heute ist schönes Frühlingswetter.
k05be001 Heute ist schönes Frühlingswetter.
k61be001 Heute ist schönes Frühlingswetter.
k63be001 Heute ist schönes Frühlingswetter.
k65be001 Heute ist schönes Frühlingswetter.
k07mr005 Unsere Eltern tanzen Wiener Walzer.
k09mr005 Unsere Eltern tanzen Wiener Walzer.
k11mr005 Unsere Eltern tanzen Wiener Walzer.
k61mr005 Unsere Eltern tanzen Wiener Walzer.
k67mr005 Unsere Eltern tanzen Wiener Walzer.
k69mr005 Unsere Eltern tanzen Wiener Walzer.
Gelesen - Sprecher k03, Berlin
k03be001 Heute ist schönes Frühlingswetter.
k03be019 Wer möchte noch Milch?
k03be031 Hier gibt es Konserven.
k03be049 Die Kartoffeln gehören zum Mittagessen.
k03be053 Danach tut eine Wanderung gut.
k03be089 Die Rinder sind noch auf der Weide.
k03be096 Die Fahrt war ja mächtig kurz.
Spontan
g071a000
g111a000
ja , guten Tag . dann fange ich einfach mal an und wollte Sie mal fragen
, wie das aussieht/- : ähm; wir müßten also insgesamt drei: Z;
Arbeitssitzungen festlegen . zwei davon müßten wir zweitägig machen .
: ähm; wann hätten Sie denn dafür mal Zeit ?
A;

5.4 Ergebnisse von LACS 169
>
Die Lösungsphasen der stimmlosen Plosive in Konserven (k03be031),
Kartoffeln (k03be049), tut (k03be053) und kurz (k03be096) sind alle Beispiele
für den Versuch, mit den relevanten Syntheseparametern örtliche
Friktion mit nachfolgender Aspiration zu modellieren. Die palatale Friktion
der Wörter möchte und Milch in k03be019 sowie mächtig in k03be096
illustrieren den vollständigen Ersatz von Analysewerten für einen Frikativ
durch Werte, die aus einer früheren Analyse gewonnen wurden.
Dialogbeitrag g071a000 illustriert ein Beispiel, in dem beide Strategien
zur Herstellung von Stimmhaftigkeit interagieren. Abb. 5.6 zeigt (a)
Oszillogramm, (b) Sonagramm und (d) Etikettierung der Wortabfolge mal
an aus der synthetischen Version des Dialogbeitrages g071a000, zusammen
mit einem Sonagramm (c) des natürlichen Äußerungsabschnitts zum
Vergleich. Zwischen der Lösung des initialen Nasals in mal und dem Verschluß
des Nasals in an ist ein durchgehender Vokalabschnitt. Der kanonisch
vorgesehene Lateral von mal ist als getilgt markiert, und der Vokal
von an ist als glottalisiert ($-q) gekennzeichnet. Unter dem Oszillogramm
ist die Strecke von tieffrequenter, unregelmäßiger Stimmhaftigkeit markiert,
die die Grundfrequenzanalyse als stimmlos identifiziert hat. Durch
die LACS-Behandlung wird das Ende des vokalischen Abschnitts aus mal
durch Interpolation stimmhaft gemacht, und die als glottalisiert markierte
Strecke in an mit einem tieffrequenten, unregelmäßigen F0-Verlauf aufgefüllt.
Der Erfolg der Wiederherstellung von Stimmhafthaftigkeit über
eine Strecke von mehr als 100 ms ist im visuellen Vergleich der beiden
Sonagrammen zu sehen und im auditiven Vergleich der natürlichen und
synthetischen Äußerungsabschnitte zu hören.
LACS bietet ein interessantes Versuchsfeld, die Modellierung von verschiedenen
Lauttypen auszuprobieren. Neben den erwünschten und erwarteten
Produkten werden aber auch solche Lauttypen erzeugt, die nicht geplant
waren. Der uvulare Vibrant ist ein solcher Fall. Im gesamten Kiel
Corpus tritt er nur gelegentlich auf. Sprecher k03 produziert vor allem
wortinitial einen uvularen Vibranten. Rinder aus k03be089 in Tabelle 5.3
ist ein solches Beispiel. Die Behandlung durch LACS trägt nichts Gesondertes
zur Herstellung dieses Vibranten bei. Der dennoch überzeugende
Gehörseindruck in der synthetischen Äußerung ist auf zwei kurzfristige,
4 dB große Schwankungen des Parameters AV zurückzuführen. Da die Pe-

170 Wissensbasierte Gewinnung von Steuerparametern
(a)
F0 = 0
(b)
(c)
(d)
Abbildung 5.6: Die Wiederherstellung von Stimmhaftigkeit, illustriert an
der Wortabfolge mal an aus dem Dialogbeitrag g071a000. Das Oszillogramm
(a) und das obere Sonagramm (b) sind aus der LACS-behandelten
synthetischen Äußerung, das untere Sonagramm (c) aus dem gleichen Abschnitt
der natürlichen Äußerung. In (d) ist die Etikettierung. Unterhalb des
Oszillogramms in (a) ist die Strecke markiert, die in der Grundfrequenzanalyse
als stimmlos deklariert wird.

5.5 Lateral F2 171
?
riode der Vibranten-Schwingung in Rinder etwa 50 ($ ms 20 Hz 5 ) lang ist
und die Frequenz der Parametersätze der Analyse- und Synthesedaten bei
200 Hz liegt, werden diese Energieschwankungen mehr als hinreichend
modelliert.
5.5 Lateral F2
Das prävokalische Korrelat von standarddeutschem @ ist ein heller alveolarer
lateraler Approximant. Unter näherer akustischer Betrachtung läßt sich
diese Beschreibung nicht in einen starren Satz von Formantwerten übersetzen,
denn die akustische Ausprägung dieser hellen Resonanz ist relativ zur
vokalischen Umgebung zu sehen. Ein Lateral im Kontext eines hinteren
gerundeten Vokals (z.B. Luft) ist dunkler als ein Lateral vor einem vorderen
ungerundeten Vokal (z.B. liegt). Die vokalische Färbung drückt sich
besonders im zweiten Formanten aus. Für einen hellen männlichen Lateral
wird ein F2 von etwa 1500 Hz erwartet, für den dunklen, velarisierten
Lateral vieler Arten des Englischen ist ein F2 um 1000 Hz (Lehiste 1964;
Sproat und Fujimura 1993) zu finden.
In Abb. 5.7 sind vier LPC-Sonagramme 6 aus den Wörtern (a) links, (b)
länger, (c) lacht und (d) Luft dargestellt. F2-Werte jeweils aus der Mitte
des lateralen Abschnitts sowie aus dem darauffolgenden Vokal sind im
jeweiligen Sonagramm ebenfalls angezeigt. Obwohl es sich in allen vier
Fällen um einen hellen lateralen Approximanten handelt, zeigen die F2-
Werte eine Variationsbreite von 440 Hz zwischen einem hinteren gerundeten
! AB# in Luft und dem vorderen ungerundeten ! 7C# in links.
Nach der Diskussion des vorigen Kapitels wird deutlich, daß solche
Lautmuster auf unterschiedliche Art und Weise zu erklären sind, je nachdem
in welchem phonetischen und phonologischen Rahmen sie untergebracht
werden sollen. Geht man in diesem Fall von einem klassischen
Allophonansatz aus, könnten die akustisch unterschiedlichen Laterale als
unabhängige Allophone aufgenommen werden, so daß ein unterschiedliches
Allophon für den jeweiligen Kontext eingesetzt wird. Eine andere
Möglichkeit ist die Resonanz des Laterals vokalabhängig zu machen, d.h.
5 Dies stimmt mit Werten für Vibranten aus anderen Sprachen überein (Ladefoged und
Maddieson 1996: 218f)
6 Die Verwendung von LPC-Sonagrammen in den Abbildungen 5.7 und 5.9 läßt die Formantverläufe
besser erkennen.

172 Wissensbasierte Gewinnung von Steuerparametern
1780 2030
1530
1875
(a)
(b)
1440 1320
1340
900
(c)
(d)
Abbildung 5.7: LPC-Sonagramme von prävokalischen Lateralen in verschieden
Vokalkontexten. Die Zahlen sind F2-Werte in Hz aus der Mitte
des lateralen Abschnitts sowie aus dem nachfolgenden Vokalabschnitt.
Ausschnitte sind aus den Wörtern (a) links, (b) länger, (c) lacht, (d) Luft.
(Ref.: (a) k03be098, (b) k03be012, (c) k03be002, (d) k03be007)
es gibt keinen Lateral losgelöst von einer vokalischen Umgebung. Stattdessen
ist die Resonanz des Laterals als Funktion seiner inhärenten Resonanz
in Verbindung mit der des Vokals zu betrachten, Koartikulation im engsten
Sinne. Unterstützung für die zweite Lösung ergibt sich aus der Darstellung
in Abb. 5.8, in der die F2-Werte sämtlicher prävokalischer Laterale des

5.5 Lateral F2 173
2000
1750
Lateral-F2 [Hz]
1500
LateralF2 = 0.324 x VokalF2 + 992
1250
1000
750 1000 1250 1500 1750 2000 2250
Vokal-F2 [Hz]
Abbildung 5.8: F2-Werte von prävokalischen Lateralen als Funktion der
F2-Werte der darauffolgenden Vokalabschnitte geplottet. Die Linie ist eine
lineare Regressionslinie, definiert durch die dargestellte Gleichung.
Sprechers k03 als Funktion der F2-Werte der darauffolgenden Vokale geplottet
sind. Es besteht eine starke Korrelation zwischen den Wertepaaren,
die sich durch eine einfache lineare Regressionslinie approximieren läßt.
Die abgebildete Gleichung der Regressionslinie könnte als F2-Korrelat des
Laterals dienen, aber sie ist aus theoretischen Gründen unpassend, weil
der F2-Wert nicht als Maß für die inhärente Resonanz des Laterals dienen
kann. Hierzu ist eine Locusgleichung passender (Klatt 1980; Allen et al.
1987). Diese Gleichung hat folgende allgemeine Form:
$HG G ESR
DFE EJILKKNM/OFEQP
ist der resultierende G E
Formantwert. ist der inhärente
DFE
Formantwert,
der aus dem Mittelwert der empirisch vorgefundenen Formantwerte
gebildet wird. ist der Formantwert des Vokals und der Koartikulationskoeffizient,
d.h. die Steigung der Regressionslinie in Abb. 5.8. Je
größer der Koartikulationskoeffizient ist, desto größer ist die Annäherung
KK OFE

174 Wissensbasierte Gewinnung von Steuerparametern
1720 2170
1350 1120
(a)
(b)
1300 1030
1250 870
(c)
(d)
Abbildung 5.9: LPC-Sonagramme von synthetischen Äußerungen mit
prävokalischen Lateralen in verschieden Vokalkontexten. Die Zahlen sind
F2-Werte in Hz aus der Mitte des lateralen Abschnitts sowie aus dem nachfolgenden
Vokalabschnitt. Synthetische Wörter sind (a) Lied, (b) laut, (c)
Leut’, (d) lud.
des konsonantischen F2 an die vokalische Umgebung. Im Falle der Werte
in Abb. 5.8 läßt sich für prävokalische Laterale folgende Locusgleichung
berechnen:
T D'UWVYXZD[]\_^ $a`cb'd¨e Igfh i'^ b M]jkBKFD[3\_^lP `cb'd¨e R
Diese Gleichung wird üblicherweise eingesetzt, um Formantfrequenzen
in der Übergangsphase von Konsonant zu Vokal kurz nach einer Plosivlösung
zu berechnen. Der konstante Formantwert in der Gleichung ist
der Locus, d.h. der Ursprung oder Anfangspunkt für sämtliche Bewegungen
in verschiedene Vokalqualitäten hinein 7 . Hier wird der Formantwert
als inhärente Resonanz des Laterals betrachtet, der in Kombination mit der
Vokalqualität die tatsächliche vokalische Resonanz des Laterals bestimmt.
7 Klatt (1980) setzt für Allophone eines Konsonanten in verschiedenen Vokalumgebungen
(vorn-hinten, gerundet-ungerundet) verschiedene Locuspunkte an.

5.6 Weiterentwicklungen 175
Die synthetischen Äußerungen in Abb. 5.9 gehen über die Parametergewinnung
hinaus, zeigen den Einsatz in der Regelsynthese. Die Sonagramme
zeigen anlautende Laterale in verschiedenen Vokalumgebungen.
Die akustischen Korrelate des Laterals sind in jedem Fall gleich, d.h. das
F2-Korrelat des Laterals ist unsere Locusgleichung. Die tatsächliche Resonanz
des Laterals tritt in Kombination mit der Resonanz des Vokals zu
Tage.
5.6 Weiterentwicklungen
Dieses Kapitel hat nur einen Einsatz für LACS gezeigt, nämlich die Gewinnung
von Steuerparametern, die als Korrelate von phonologischen Elementen
in einer Regelsynthese dienen können. Eine automatische wissensbasierte
Überführung von Analyseparametern in Syntheseparameter
öffnet eine Reihe weiterer Einsatzmöglichkeiten. Aus dem Vergleich der
natürlichen und synthetischen Äußerungen in Tabelle 5.3 wird deutlich,
daß die individuelle Stimmqualität beibehalten wird. Oft nach der erfolgreichen
Überführung einer Äußerung ist der subjektive Gehörseindruck einer
natürlichen Äußerung aufgekommen. Eine weitere Aufgabe wird es
sein, diese subjektiven Urteile anhand von formalisierten Testverfahren zu
quantifizieren. Auf jeden Fall bieten solche synthetischen Äußerungen ein
ideales Versuchsfeld, um die akustischen Parameter sowie die Beziehungen
zwischen den einzelnen Parametern zu untersuchen, die die individuellen
Stimmeigenschaften im akustischen Sprachsignal zum Ausdruck
bringen. Allgemein bietet LACS eine ausgezeichnete Methode synthetisches
Ausgangsmaterial für experimentelle Stimuli schnell und in großem
Umfang zu erzeugen. Dabei kann schon bei der Überführung von Analysein
Syntheseparameter eine Reihe von gezielten Manipulationen vorgenommen
werden.

176 Wissensbasierte Gewinnung von Steuerparametern

Kapitel 6
Zusammenfassende
Diskussion und Ausblick
Am Anfang dieser Studie (1.1) stand die Frage, ob gesprochene Sprachdatenbanken,
die für andere Zwecke erhoben wurden, sich für Fragestellungen
in der phonetischen Grundlagenforschung eignen. Die Antwort auf
diese Frage war nicht nur, daß man die bekannten Fragen überwinden
könnte, weil es sonst schade wäre, so viele Daten unbeachtet zu lassen,
sondern daß es uns obliegt, die Probleme zu überwinden, weil sie teilweise
dieselben Probleme sind, die die häufigste linguistische Aktivität bereitet,
nämlich die Spontansprache.
Nach der Beschreibung des Inhalts und der Form des Kiel Corpus, wurden
drei Untersuchungen präsentiert, in denen eine Datenbank zur Beantwortung
phonetischer Fragestellungen auf unterschiedliche Weise eingesetzt
wurde. In Kapitel 3 wurden sowohl der Datenumfang als auch die
Form der Datenaufbereitung des Kiel Corpus voll ausgenutzt, um eine
automatische Analyse der deutschen Monophthonge und Diphthonge zu
liefern. Im Gegensatz hierzu stand die Untersuchung des m in Kapitel 4.
Obwohl eine nicht unerhebliche Datenmenge die Grundlage (6 Sprecher,
600 Sätze) für die Untersuchung bildete, war es dennoch nur ein Bruchteil
des verfügbaren Datenumfangs des Kiel Corpus. Außer zwei kleineren automatischen
Vokaluntersuchungen in 4.3.3 wurden die Datenaufbereitung
und KielDat lediglich eingesetzt, um relevante Wörter zu orten und die
177

178 Zusammenfassende Diskussion und Ausblick
zugehörigen Signalstücke zusammenzuschneiden, um die anschließende
“manuelle” Untersuchung mit impressionistischen Methoden zu erleichtern.
In Kapitel 5 wurde schließlich die linguistische und phonetische Information
der symbolischen Datenaufbereitung bis ins Detail ausgenutzt,
um aus den Ergebnissen einer gewöhnlichen akustischen Analyse, Steuerparameter
für eine Formantsynthese zu gewinnen, die als phonetische Korrelate
von phonologischen Objekten einer Regelsynthese dienen können.
In Kapitel 1 wurden die Nachteile beschrieben, die sich sowohl bei der
Verwendung von Datenbankmaterial, als auch in der Analyse von spontansprachlichen
Daten ergeben. Diese Nachteile haben sich weitestgehend
bestätigt. Am häufigsten sind fehlende Vergleichbarkeit und lückenhafte
Abdeckung eines bestimmten Phänomens zu beklagen. In der Suche nach
möglichen Beziehungen zwischen der Vokalqualität und der Artikulationsstelle
von benachbarten Konsonanten in 3.9.3 auf S. 94ff konnten trotz einer
großen Datenmenge und einer gröberen Klassifikation, als Stevens und
House (1963) verwendet haben, bestimmte Lücken nicht aufgefüllt werden.
Aussagen zu den Formantverläufen der drei Diphthonge nBo , nqp , rcs in
3.8.2 auf S. 64ff waren durch fehlende Daten in bestimmten Dauergruppen
nicht möglich. Ein statistischer Vergleich der Dauer der stimmlosen Strekken
in einfachen Frikativ-Anlauten gegenüber Frikativ-m -Verbindungen in
4.4.1 auf S. 133 war wegen mangelnder rhythmischer Vergleichbarkeit unter
den Tokens nicht möglich.
Datenbankmaterial und Spontansprache, auch wenn sie unter Laborbedingungen
und den besonderen Anforderungen der Dialogsteuerung elizitiert
wird, weisen jedoch einige Vorteile gegenüber gezielter Datenerhebung
auf. Durch Vorgaben an die Erhebung des spontansprachlichen Teils
des Kiel Corpus (Pätzold und Simpson 1994) ist die Sprache sämtlicher
Dialogteilnehmer auf ein Terminplanungsspiel gerichtet. Im Vergleich der
Häufigkeitsverteilungen der einzelnen Vokalkategorien (3.7, S. 52ff ) sind
die Ähnlichkeiten zwischen dem untersuchten Teil des gelesenen Korpus
(Berliner und Marburger Sätze), das nach sprachrepräsentativen Gesichtspunkten
konstruiert wurde, und dem spontansprachlichen Korpus groß.
Die Unterschiede waren vor allem in den häufigsten Kategorien wie n¨t zu
finden, konnten auf Eigenschaften der Spontansprache allgemein zurückgeführt
werden, nicht aber auf Besonderheiten der Erhebung selbst. Auch
wenn die Daten nicht dafür gezielt gesammelt wurden, weist die Vokaluntersuchung
gegenüber früheren Studien einige Vorzüge auf:

u
179
Eine große Anzahl an Sprechern aus beiden Geschlechtergruppen
u
(25 weiblich und 29 männlich).
Überwiegend “normale” Sprecher des Deutschen, d.h. nur zwei
Sprecher mit einer phonetischen Ausbildung sind im gelesenen Teil
des gelesenen Korpus vorhanden. Es gibt immer die Gefahr, daß Ansichten
über die Phonetik einer Sprache einen starken Einfluß auf die
Sprachproduktion nehmen könnten.
u
Große, wenn auch unterschiedliche Datenmengen pro Sprecher.
Als einziges Problem ist eine fehlende Vergleichbarkeit der Produktion
von Sprechern im Kiel Corpus of Spontaneous Speech zu nennen. Die kontrollierte
Elizitation des Kiel Corpus of Spontaneous Speech liefert mehrmalige
Äußerungen desselben Wortes (z.B. neunzehnten), aber mehrfache
Äußerungen desselben Satzes, wie im gelesenen Teil des Kiel Corpus, sind
nicht vorhanden.
Der Vorteil der gezielten Datenerhebung ist offensichtlich: in der Erforschung
eines bestimmten Phänomens können gerade die Daten in ausreichendem
Umfang erhoben werden, die für die Erarbeitung der Fragestellung
notwendig sind. Jedoch verbirgt sich gerade in dieser Vorgehensweise
eine gewisse analytische Arroganz, denn man kann eigentlich nie
wissen, welche Daten die Erforschung eines Phänomens erfordert. Bei
einer Datenbank bleibt dieses Problem erhalten, aber die Datenwillkür
kommt ihm ein wenig entgegen, indem relevante Tokens eines Phänomens
vorhanden sind, die man in der gezielten Erhebung womöglich nicht
berücksichtigt hätte, dafür aber neue unerwartete Muster zu Tage treiben.
Die Datenwillkür füllt somit Lücken auf, von denen man in der gezielten
Erhebung erst gar nichts wissen konnte. Die unterschiedlichen Vokalqualitäten
der zwei fährt-Tokens pro Sprecher auf S. 130 (siehe auch
Abb. 4.1, S. 116) sind ein Beispiel. Die Vokale wiesen für fünf der sechs
untersuchten Sprecher systematische Unterschiede auf. Eine Alternation
dieser Form war unerwartet und wurde in der hiesigen Analyse lediglich
beschrieben, wenn auch nicht erklärt. Dennoch ist die Alternation gerade
durch die Datenwillkür aufgefallen, und mögliche Erklärungen für die
Unterschiede können die Grundlage bilden für eine Suche nach weiteren
ähnlichen Fällen oder gar für eine gezielte Erhebung, die solchen Alternationen
nachgeht. Wichtig ist jedoch, daß eine gezielte Untersuchung von

w
180 Zusammenfassende Diskussion und Ausblick
-V v okalen diese Alternation nicht hätte berücksichtigen können und genauso
zufällig daraufgekommen wäre.
m
Die wichtigste Eigenschaft des Kiel Corpus ist die zeitliche Verknüpfung
von abstrakter phonetischer und linguistischer Information mit
dem Sprachsignal. Dies erlaubt die Analyse und Manipulation von Sprachsignalen,
kontrolliert durch metasprachliche Information. Jedoch ist die
Annotation in bestimmten linguistischen und extralinguistischen Bereichen
für viele phonetische Fragestellungen noch unzureichend. In den
letzten drei Jahren ist die Annotation von Intonation, Satzakzentuierung
und Tempo im Kiel Corpus begonnen worden (Kohler 1995b). Information
zu syntaktischen, morphologischen und semantischen Aspekten sowie
zur Gesprächstruktur im spontansprachlichen Korpus, wie sie beispielsweise
im Map Task Corpus (Anderson et al. 1991) annotiert wurde, ist
jedoch nur in rudimentärster Form vorhanden. Untersuchungen beispielsweise
zur phonetischen Ausprägung der Mechanismen, die Teilnehmer eines
Gespräches einsetzen (Local, Wells und Sebba 1986; Local und Kelly
1986; Local, Kelly und Wells 1986), um bestimmte interaktive Funktionen
zu erfüllen, brauchen solche Information.
Neben weiteren Annotationen auf anderen linguistischen Ebenen ist
auch an Erweiterungen des Kiel Corpus selbst zu denken. Jedoch sollten
diese Erweiterungen ergänzend sein. Die Vokaluntersuchung hat systematische
Unterschiede zwischen der Lese- und Spontansprache des Kiel
Corpus aufgezeigt, aber vor allem die geforderte Dialogsteuerung hat eine
normale Gesprächsführung fast unmöglich gemacht. Dialogaufnahmen im
Terminplanungsszenario ohne diese unnatürlichen Auflagen sind im Vorfeld
zu den Verbmobil-Aufnahmen gemacht worden und werden zur Zeit
in gewohnter Weise für das Kiel Corpus aufbereitet. An die Erhebung von
weiteren Lesedaten ist auch zu denken. Es sind lediglich zwei Sprecherinnen,
die sowohl im gelesenen als auch im spontansprachlichen Korpus
auftreten. Hätte man gelesene Daten von mehr Sprechern aus dem spontansprachlichen
Korpus, könnte der Interkorpusvergleich von Kapitel 3 auf
die Unterschiede zwischen den Korpora auf Sprecherebene eingehen.
Die einzelnen Untersuchungen haben Fragen aufgeworfen, die teils experimentell,
teils durch das Heranziehen von anderem Datenbankmaterial
zu beantworten sein werden. Artikulatorische Daten, wie sie für das Englische
mit dem Röntgen-microbeam-Verfahren (Westbury 1994; URL 6)
gesammelt wurden, können Fragen zu möglichen Unterschieden in der
artikulatorischen Geschwindigkeit von Frauen und Männern klären. Die

x
Frage,
181
ob Frauen das gleiche auditive Ziel schneller erreichen können,
kann jedoch an Daten aus dem Kiel Corpus weiter verfolgt werden. Ebenfalls
in Kapitel 3 hat die Diskussion über die wichtigsten Elemente von
Diphthongverläufen Hörexperimente gefordert, die die Schwächen von
Bladons (1985) Experimenten berücksichtigen sollte. Am meisten müßte
ein solches Experiment die enge Beziehung eines Diphthongs mit seiner
Dauer berücksichtigen, eine Beziehung, die in Bladons Experimenten vernachlässigt
wird.
Kapitel 4 hat nur einen der deutschen Liquiden analysiert. Die phonologische
Gruppierung der m mit @ basiert hauptsächlich auf ihrer phonologischen
Verteilung im Deutschen, denn gerade im Standarddeutschen
scheinen die konsonantischen Korrelate des m und die des @ wenig gemeinsam
zu haben. Spektrale Untersuchungen der kontextuellen Unterschiede
in den Korrelaten an unterschiedlichen Stellen in Wort- und Silbenstruktur
weisen jedoch große Ähnlichkeiten im phonetischen Verhalten auf. Die
Phonetik des silbenauslautenden @ hat, wie silbenauslautenden m , vokalähnliche
Struktur (Kohler, Pätzold und Simpson 1995: 47–48). Eine systematische
Untersuchung der Ähnlichkeiten und Unterschiede im phonetischen
Verhalten des @ am Kiel Corpus ist geplant.
Weitere Einsätze für die Ergebnisse von LACS wurden in 5.6 angedeutet.
Die Verwendung einer frühen Version der Klatt-Formantsynthese lag
an ihrer freien Verfügbarkeit. Diese Implementierung hat jedoch bekannte
Probleme, die sie u.a. für die Synthese von weiblichen Stimmen nicht
eignen. Weiterentwicklungen (Klatt und Klatt 1990; Stevens und Bickley
1991) bieten interessante Einsatzmöglichkeiten für LACS in Verbindung
mit dem Kiel Corpus. Vor allem die high-level synthesis von Stevens und
Bickley (1991) ist ein höchst interessantes Erprobungsfeld. Als pseudoartikulatorische
Synthese (Bickley, Stevens und Williams 1997) stehen die
Eingabeparameter von HLsyn in einer sehr indirekten Beziehung zu den
Ergebnissen einer akustischen Analyse. In einer LACS-Implementierung,
die die Steuerparameter für HLsyn erzeugte, würde die Analyse einer
Äußerung eher eine unterstützende Rolle spielen und nur in Einzelfällen
direkt einsetzbare Daten liefern können, z.B. F0. Umso wichtiger wird
dafür die Rolle einer annotierten Datenbank wie das Kiel Corpus in ihrer
Verknüpfung mit phonetischem und linguistischem Wissen.

182 Zusammenfassende Diskussion und Ausblick

š
±
š
š
ˆ
Anhang A
Texte zum untersuchten
Teil des Kiel Corpus
In A.1 und A.2 sind die 100 Berliner und 100 Marburger Sätze aus dem
Kiel Corpus of Read Speech, die jeweils von 12 Sprechern (6 weiblich,
6 männlich) produziert wurden. Neben der orthographischen Represäntation
der Sätze steht die kanonische IPA-Transkription der Sätze, die in
SAMPA-Format, die Grundlage für die Segmentation und Etikettierung
der Sätze bildete. In A.3 steht die Transliteration eines Beispieldialogs aus
dem Kiel Corpus of Spontaneous Speech.
A.1 Berliner Sätze
1. Heute ist schönes Frühlingswetter.
2. Die Sonne cš
lacht.
y'z{}|Z~3l€‚„ƒ/~†…‚z‡8ˆ ‰Y‚ƒ‹Š9Œ‚zYˆ Ž ‘ƒ]’q“”•~—–¦˜
3. Am blauen Himmel ziehen die
Wolken.
4. Über die Felder weht ein Wind.
5. Gestern stürmte es ±
noch.
zž2Ÿ ~¡˜ ˆ›8z{}‰YœŽ
¢¨}Ž©~ªƒWz ˆ ‚‰
€•ž2¢¤£‘Ž¥zžY¦*‚‰§yqz
’Bz{—Ž «c•‰¬˜
š
€‚Yˆ £Y–
cš
6. Montag war es uns zu regnerisch.
ˆFŠ/z”WŽ
–­’Bz®•ˆ ~¨€•ž2 ‰¯’Bz ‰ ~°˜
z”•ƒ/~ª–•‰_…3~‚z|²–2¢³~]€2”‚ƒ´‰Z{}Ÿ¦˜
7. Riecht ihr nicht die frische Luft?
¢­zµ8ˆ ‰ ~ªž‘ˆ «’2ž ˆ –·€2”‚ƒ¸€c¦2‰Yƒ¹~]ƒ/ºBˆ
Œ‚z®2ˆ
‰Y–8Œ] …°˜
ˆ »}~¨€ ˆ –l‰Y »W~ Œ‚z
ˆ'Š Œ•z …3¼Ž z¦•Š ~¼½
š
183

±
±
±
±
š
z
š
±
±
š
z
š
±
š
š
±
±
ˆ
š
±
±
±
ˆ
184 A Texte zum untersuchten Teil des Kiel Corpus
8. Die Nacht haben Maiers gut geschlafen.
9. Jetzt sitzen sie beim Á
Frühstück.
ˆQ‰'zž2Ÿ ~¾yZž8ˆ £YW‰¿¢lzž2„–*ƒ
zºBˆ ~
cš
10. Es ist acht Uhr morgens.
11. Vater hat den Tisch gedeckt.
12. Mutter konnte länger schlafen.
13. Der Kaffee dampft in den Tassen.
~Å€ zºBˆ –­¢lz{W– ‚‰Bƒ¡˜
€2”•ƒÄ€‚„ƒ/~œ€czž2Ÿ
~ª–°yZž2~ ®•ˆ ‰~•z … z”}«Y~°˜
Š3zž8ˆ
]…ÀŽ zžcˆ Š9•‰¬˜
z”W~ªƒ/~›8z ~]ƒ3W‰Ã›
ˆ£Yž2 ¢¸Š Œ•zYˆ…/~•“|²«©˜
¢­z¦2~]–°«‘{}‰ ~]¼Ž¥z”‚c–¼…ÀŽ zž ˆ Š9‚‰Æ˜
±
14. Messer und Gabel liegen neben
dem Teller.
15. In der Mitte steht der Brötchenkorb.
16. Wer möchte keinen Kuchen?
17. Hans ißt so gerne Wurst.
18. Gib mir bitte die Butter!
¢­z”•ƒ3–°€c¦•‰c~
¢¹~•z”}Ž„–_˜ ®•ˆ
ˆ £YWŽŽ z
š
ˆ
±
‚‰‰Z®•ˆ £YW‰ zž
‰ ®•ˆ –Ê¢­z ~]Ë…/~•z®•ˆ ~
€‚
ˆ ~]»W‚‰Y«'“{W–8ÈƘ £YŒ‚z‡
’8®•ˆ –°¢¨ÌÄ»}~]œ«qzž• ‰Z‚‰¦«¨zºBˆ Ÿ ‚‰Í½
®•ˆ –
®•ˆ –Ç«¨zž2Š9®2ˆ
zž•¢¨ÈYŠ9~É€‚ ‰
®2ˆ ‰
~•zž*ƒ/W‰¬˜
y'zž2‰Yƒ¨€ z„ƒ3~³›Wµ ˆ
19. Wer möchte noch Milch?
20. Bald ist der Hunger gestillt.
21. Günther muß noch einkaufen gehen.
22. Achte auf die Autos!
23. Überquere die Straße vorsichtig!
š ’8®•ˆ –°¢¨ÌÄ»}~]¨‰Z{}Ÿ­¢lz Ž„»l½
~¼€W„ƒ3~ ®•ˆ –lyqz¦2c– ]…3~‚z Ž ~l˜
£'zž•Ž
‰‘«'“ž²¦*Š9•‰
z|Y‰c~]–Ï¢l¦*ƒÐ‰Z{}ŸÑ€czž2
W‰©˜ z®•ˆ
€czž2Ÿ ~]­€•ž‘¦2Š
ˆ€czžY¦2~]µ‘ˆ ƒlÎ
cš
z”•–2‰‘¡’¨z¦2–*ƒ/~­˜
ˆ È¢
ˆ –l£'z ~]
ˆ£'z¦2~]–¯Î
24. Sonst wirst du leicht überfahren.
€‚Yˆ £Z–•«Y’qz®2ˆ Œ]
š
…/~]Œ‚zž ˆ ƒ/
Š3zµ8ˆ –*›} »}~ª »_Î
Á
25. Radfahrer sausen vorbei.
26. Im Geschäft stehen viele Leute.
27. Gleich hier sind die Nahrungsmittel.
28. Muß der Zucker nicht dort
drüben stehen?
29. Jetzt suche ich das Weißbrot.
ˆ ~]Š/“žcˆ Œª–Ò› zž‘¦*›}W‰JŠ9µ ˆ –2£qzž*˜
Œ•zž
¢ ]…‚z”‚Š ~´…3~‚z®•ˆ W‰¦Š/z ˆ Ž ÅŽ z{}|Z~3¯˜
€‚
» y'z ˆ – ›} ‰ ~
Ž¥zž2
ˆ Œ‚¦2‘ƒ]¢Ò“ ~]‚ŽÂ˜ ‰'zž
¢­¦*ƒ
®•ˆ –¤~]ƒWz¦•«‘–Ó‰Y„»}~
cš
z{‚–•~
› z{}‰Yƒ3~ ’c –*ƒ3~
ºBˆ
Ž¥zž2„»}~
€‚Yˆ £Z–2Š3zžcˆ Œ]•‰Æ˜
30. Ob ich Süßigkeiten kaufen darf?
Œ‚zZˆ £Y‚‰_…3~‚z®•ˆ W‰Q½
z”W~ªƒ/~›8zºBˆ Ÿc­€‚ »
ž2ƒÄ’¨zž•„ƒ3£²Œ‚“µcˆ ~l˜
31. Hier gibt es Konserven.
32. Öl fehlte wohl auch.
33. Zum Schluß an die Kasse.
34. Nun schnell nach Hause.
35. Vater will sich eine Pfeife
anzünden.
ƒ3 »}«8ž*9~]•‰Ó«¨zžY¦•Š •‰
€•{}ÈÓ€W„»Ô›8zYˆ
ž*–2ŠN½
ˆ – ˆ È‘~¡€2”‚ƒ†«‘{}‰Z›8z”•–*’‘•‰¬˜
y'z
ˆ ŽÕŠ/z®2ˆŽ ~3l’8µ8ˆ ŽN€‚žY¦2ŸÃ˜
€cz‡
z¦*ƒ¨€•ž2‰
š
ˆq«¨zž*ƒ3_˜
~ªƒW¦2¢L…ÀŽ
‰l…3‰qz”WŽÕ‰Zž ˆ ŸÒyqzžY¦*›}_˜
‰cº²ˆ
Š3zž8ˆ ~ª–Ö’ Ž¤›}„»×€•ž2 ‰‘ØÈ‘Š/zž2 Š
•‰¬˜
€czž2‰ ~ªƒW“|B‰

š
z
Î
š
ˆ
±
›
š
’
±
’
±
Î
š
š
š
±
š
±
š
z
š
±
±
š
±
±
š
A.1 Berliner Sätze 185
36. Seine Frau macht ein trauriges
Gesicht.
37. Du solltest weniger
rauchen.
‰‘¨Š Œ•zž‘¦Å¢­zž2Ÿ ~‹€‚ž2 ‰_~]Œ‚zžY¦•Œ] ±
2ƒ
›Wž2
‚› z »W~°˜
±
38. Die Ärzte sind damit gar nicht
einverstanden.
39. Gib mir bitte mal die ±
Zeitung!
ˆB€cz”•–2~]ƒ/~]³›} ‰ ~
ž•¢­z„~
zž ˆ –œ‰‘„»}~
º²ˆ›‚{—Ž ~]‚ƒ/~œ’Bz®•ˆ ‰Y ±
–Œ‚zžY¦2Ÿ ‚‰Æ˜
cš
€czž2 ‰YŠC–•…/~2“ž*‰
‚‰Æ˜
40. Aber Schönes steht wohl nicht
drin.
41. Wer muß noch Schularbeiten
machen?
42. Ich müßte lesen und rechnen.
43. Sieglinde zeichnet eine Figur.
44. Was macht denn dein verstauchter
Fuß?
45. Ich spüre ihn nicht mehr.
46. Wir wollen heute spazieren gehen.
47. Da möchte ich gerne mit.
ˆ £Z–…‚z‡ ˆ ‰‘‚ƒÙ…/~•z®•ˆ ~Ù’8µ ˆ Ž¹‰‘„»}~
€•ž
Œ‚z ‰Í˜
–Ú¢­¦2ƒÉ‰Z{}Ÿ¿…‚zºBˆŽ9€‘“ž8–8£²ž8„~ª‚‰
’8®•ˆ
¢­zž•ŸcW‰Í½
z®•ˆ ›}W‰Í€c¦2‰ ~‹Œ‚z”•»}‰YW‰¬˜
€‚„»³¢¨|²ƒ/~3¼Ž
œ~]ƒ‚zž•„»}‰²•~Ä€•ž2 ‰‘œŠ zº²ˆ –_˜
Ž¥z„‰
~ ’•ž*ƒÃ¢­zž2Ÿ
ƒ³½ Š/zºBˆ
”‚‰
ž2 ‰¾Š9–}…/~•zž‘¦*Ÿ‘~ª–
Œ]­€ ˆ ‰¯‰‘„»}~¢­z®•ˆ –˜
€‚„»´…3ÈqzZˆ
–Ó’c{—Ž W‰Ëy'z{}|Z~3Û…/ÈZž2~]ƒ‚z ˆ Œª‚‰
ˆ
ˆ ȯ¢
ˆ –l£qz ~]¡¢lzž ˆ Ž
cš
ˆ~]ƒ‚zž2 ~•¦8
48. Zuvor müssen wir uns stärken.
z®•ˆ W‰¬˜
ž8ˆ¢¨ÌÄ»}~]¡€‚„»
z”‚–2‰Y°¢­z ~Ř
49. Die Kartoffeln gehören zum Mittagessen.
50. Zum Schnitzel gibt es Erbsen.
51. Dazu essen wir den
Salat.
ˆÜ«2ž*–2~‚z{}ŠCWŽ ‰
¢­z ~ªž ˆ«B€Y“”•ƒ3•‰Æ˜ cš
Wy'z‡ ˆ Œ3•‰~]ƒW¦2¢
~]ƒ‚¦•Š3zµ8ˆ – ¢¨|Zƒ3W‰ ’
ˆ –
€c¦•‰Zƒ
…3~‚z”•–‚«‘W‰Æ˜
~]ƒ‚¦•¢Ý…3‰qz ~ªƒ/WŽ
gut.
52. Wer trinkt einen Kaffee?
53. Danach tut eine Wanderung
ˆ È‘~´€2”•ƒÞ€cz”•–•ÈZƒ]‚‰¦˜
ž•~ªƒWzºBŜ€cz”‚ƒ3W‰¯’
ˆ –
®•ˆ ‰›‚ž‚Ž zž ˆ ~°˜
’8®•ˆ –¡~]Œ‚z 8«‘~Å€•ž• ‰Y‚‰¦«¨zž2Š9®•ˆß½
54. Können wir nicht Tante Erna besuchen?
55. Zieht vielleicht die festen Schuhe
an!
56. Zurück geht’s mit der Bahn.
57. Durch Wald und Feld führt unser
Weg.
58. Wir hören den plätschernden
Bach.
59. Hasen verschwinden im
Dickicht.
š
ˆ –㉑„»}~Ã~•zž2‰ ~3ã€cz”•–2‰Yž‘ˆ
«‘Ì´‰YW‰â’
Ÿ‘‚‰Í½ £Y‚›8zºBˆ
ˆ ~‹Š9 Ž zž2 »W~ ~]ƒ‚z
š
ˆ'Š/z”•ƒ/~]W‰…‚zºBˆ °€czž2‰
z®•ˆ ~ªƒÂ¢œ ~ ®•ˆ –°£'zž ˆ ‰©˜
~]ƒ‚¦•Œ•z|Y«
~³€ ¦2‰ ~´Š/z”WŽ ~äŠ/zYˆ –2~€c¦2‰Y›W–
¦2–*»Â’Bzž•Ž
«Q˜ ’Bz®•ˆ
–åyqz‡ ˆ Œ3‚‰ ˆ
£'zž•ŸJ˜
›}‚‰¦ŠC–—…3’Bz ‰ y'zž8ˆ
®•ˆ ‰ÑÈ‘Ž z”W~ …3–*‰
‚‰©€‚ ¢
‚‰
z «c »‚~°˜
ž•‰'zž ˆ Ÿà~‚zºBˆ ~ပž• ‰YÐ’Bzž2‰
–8Œ•¦8
zºBˆ ~Ř

š
’
½
š
’
ˆ
±
±
±
š
±
±
±
±
Á
š
±
±
š
š
š
±
±
±
š
š
š
±
186 A Texte zum untersuchten Teil des Kiel Corpus
60. Voller Glück sind wir am Ziel.
61. Die Tante bewohnt ein nettes
Häuschen.
62. Dahinter liegt der
Rosengarten.
– Ž z|‘«J›} ‰ ~Â’ ˆ –€•ž2¢¹~]ƒ‚z ˆ ŽÄ˜
Š3z{—Ž
ˆ­~‚zž2‰ ~]g£‘‚’Bzµ ˆ ‰‘~=€‚ž2 ‰æ‰qz”‚~3‚ƒ
cš
y'z{}|²ƒ3»W‚‰Æ˜
63. Manche Obstbäume blühen
prächtig.
64. Am Zaun steht eine Regentonne.
zµ ˆ ÈZƒ3~]£F“{W|B¢¼è£‘Ž¥zZˆ •‰
¢­zž2‰Y»Wç€
»_˜ ÈYŒ‚z”•»}~]
ž2yqz ‰Y~]–
z
š
ˆ «c~ Ž
®•ˆ –
Œ•zµ ˆ ›WW‰
“ž –*~ª‚‰Æ˜
65. Der gelbe Küchenofen sorgt für
Wärme.
66. Im Topf kocht das Wasser.
67. Ein Sofa steht an der Wand.
68. Aus dem Radio klingt Musik.
– z”}Ž £‘Í«¨z|²»}W‰¨€Y“µ‘ˆ Š9•‰=›8z{W–•«c~
®•ˆ
–¡’Bz”•–2¢œ_˜ Š9Yˆ
¢¾~‚z{WÈ‘ŠÞ«¨z{}Ÿc~ ž*ƒ´’Bzž*ƒ3–¦˜
€‚
‰­› zµ8ˆ Š9ž Ŷ…3~‚z®•ˆ ~´€•ž2‰ ®•ˆ –³’¨zž•‰c~‹˜
€•ž2
€•ž2¢ ~ªƒWzžY¦•‰ …3~‚z®•ˆ ~ €•ž2 ‰‘
Œ•z®•ˆ
W‰‘~‚“{‚‰Y¯˜
cš
69. Frische Gardinen hängen am
Fenster.
70. Auf dem Brett leuchten bunte
Tulpen.
71. Rückt die Stühle an den Tisch!
72. Wie wär’s mit ’nem kleinen
Skat?
73. Die drei Männer sind begeistert.
…/ ž*– Š9Œ‚z
Š3z”W‰Zƒ/~ª–¯˜
š
ˆ ‰²•‰éy'z”W ‚‰ê€•ž•¢ z
®•ˆ ¢É£YŒ‚z”‚~¡Ž z{}|²»}~]•‰Ý£'z¦2‰ ~3
€•žY¦2Š
ÈY‚‰Æ˜ ~•z¦‚Ž
cš
ˆ²…3~‚zZˆŽ €•ž2‰ ®•ˆ ‰_~‚z …¨Î
Œ•z|Y«c~
–2ƒ´¢¨ ~ä‰YW¢â« Ž¥zž2„‰²•‰¯ƒÀ«qzž8ˆ ~
ˆ¨’‘”*ˆ
€•žY¦*ƒ
®•ˆ ¢
Œ‚zž ˆ
•Á
µcˆ « Ž z c~
¢³º²ˆ ›8z
ˆ «©˜
74. Vater mischt gleich die Karten.
75. Er gewinnt sechs Spiele nacheinander.
76. Ist es nicht Zeit zum Aufbruch?
~ª–°¢­z …/~ Ž zž2 »
cš
ˆ«¨zž*–•~]‚‰Æ˜
Š3zž8ˆ
– W’Bz„‰‘~É›8z”W«‘ƒ¹…3Èqz ˆ Ž„‰Zž2ë
€•®•ˆ
Ÿ‘ž• ‰'zž8‰
–J˜
Œ•zž2Þ¢­z”‚‰Y–­›} ‰ ~Ä£‘
zž* ƒ3~—–*~­˜
77. Der Bahnhof liegt sieben Minuten
entfernt.
78. Löst doch die Fahrkarten am
Schalter!
79. Wir gehen auf den Bahnsteig.
80. Da läuft der Zug
ein.
–Ë£'zž ˆ ‰‘y“µ‘ˆ ŠîŽ¥z ˆ «c~ç›8z ˆ £‘•‰
®•ˆ
‰qzºBˆ ~3•‰Í€•”‚‰ ~]Š/z”‚– ‰c~­˜
¢¨
z‡ ˆ ƒ/~ {}Ÿ Ž
~ª–¦Î …‚zž•Ž
ˆlŠ/zž ˆ –•«¨“ž –*~ª‚‰a€•ž•¢
cš
€‚„ƒ/~Ê€2”‚ƒË‰‘„»}~ì~]ƒ‚zž• ~í~]ƒ‚¦•¢
€czžY¦2Š £ZŒ‚“ ¦8ŸÃ½
ˆ –
z®•ˆ W‰¯€•žY¦•Š
81. Die Bremsen quietschen
gräßlich.
82. Die Station wird cš
angesagt.
ˆ ~À…3•‰ ˆ'£‘Œ•z”W¢¼›}W‰¦«c’¨z
Œ‚z”•ƒÀŽ 9»Ò˜
®•ˆ ‰­£qzž ˆ ‰8…3~•“ž*„«J˜
ž ˆqŽ z{}|ZŠ ~
®•ˆ –¡~ªƒWzºBˆ«Ã€ zž2 ‰¬˜
cš
cš
84. Nun sind wir gleich im Wagen.
83. Die Eiligen steigen schnell aus.
ˆ²…/~ªž2~]ƒ
zµcˆ ‰¦’c –2~¨€czž2‰
•› “ž‘ˆ «Y~l˜
ˆ'€czž2 Ž„ ±
•‰…3~‚zž2 ±
‚‰Ò…3‰qz”WŽÕ€ zžY¦*ƒ¼˜
‰cº²ˆ ‰¡›} ‰ ~Þ’
ˆ –
zž• »³€‚ ¢=’Bzž ˆ ‚‰¯˜ Ž

92. Daneben grünt schon Wintersaat.
z
±
’
š
Á
±
Á
±
±
Á
š
±
±
š
š
±
š
±
A.2 Marburger Sätze 187
85. Wir haben ein Abteil extra für
uns.
86. Der junge Zugbegleiter pfeift zur
Abfahrt.
87. Leise rollen wir aus dem Bahnhof.
88. Draußen fliegt die Landschaft
vorbei.
89. Die Rinder sind noch auf der
Weide.
90. Ein Bauer arbeitet auf seinem
Acker.
91. Der Pflug zieht tiefe
Furchen.
ˆ – yZž ˆ £YW‰ €‚ž2 ‰ €•ž2È‘~•zž*„Ž
€cz”W«‘ƒ/~]Œ]ž‘ˆŠ Zˆ –€c¦•‰ZƒÅ˜ š
– z¦2 ¦~]ƒ‚zº²ˆ «c£Z ®•ˆ
–8~°˜ ~ªƒW¦*–­€czž2È‘Š3“žcˆ
zž2„›}ÏŒ•z{—Ž W‰Ó’ Ž
ˆ ‰‘y“µ‘ˆ Šœ˜ £'zž
z Œ‚zžY¦*ƒ3•‰ïŠ„Ž
–2£'zž*˜ ŠCµ8ˆ
ˆ¦Œ‚z ‰
’¨zž• cš _˜
š
ˆ «‘~
Ž/“ž* ~ª–ÍÈYŠ/zž2 Š9~
š
ˆ –žY¦2ƒ
®2ˆ ¢
cš
ˆåŽ zž•‰c~¥…ªž*Š9~
–a›} ‰ ~܉Z{}ŸÐ€‚žY¦2Š
®•ˆ –
‰ £'zžY¦2– €czž*–•£Zž8„~ª‚~ð€‚žY¦2Š
€•ž2
‰YW¢§€czž‚«Y–¯˜ ›‚ž•
ˆ Š ¡Š3z¦2–*»}W‰Æ˜
®•ˆ –¡ÈYŠ„Ž zº²ˆ «¦~]ƒ‚z
ˆ ~‹~•z
Œ‚zZˆ ‰‘~ …]µ ˆ ‰
93. Hier richten Zimmerleute ein
Dach.
94. Es gehört zu einer Feldscheune.
ˆ –Œ‚z„»}~]W‰ñ~ªƒWz ¢¼–2Ž “{W|²~ª¿€•ž• ‰
y'z
zž2ŸÃ˜
ž2‰qz®2ˆ £Y2‰
’¨z ‰c~]–8› “žcˆ ~°˜
Wy'z‡cˆ –8~ ~]ƒ/ºBˆ €‚ž2 ‰Z–
95. Schon bald sind wir zu Hause.
€2”•ƒ
Š3z”}Ž ~¥…‚“{}|B‰²_˜
96. Die Fahrt war ja mächtig cš kurz.
97. Zug endet hier! verkündet die
Ansage.
98. Alle eilen gleich links ins Freie.
z
…]µ ˆ ‰_£qzž•Ž ~œ›} ‰ ~Ä’
ˆ –­~]ƒ/ºBˆ'y'zžY¦2›}˜
ˆBŠ3zž8ˆ –2~´’•ž ˆ –
«ò€ z”‚‰ ~ªƒWzºBˆ
ˆ€czž2‰Y›8“žYˆ
cš
€czž•Ž a€czž2 Ž •‰
ž Ẑ¢­z”‚»}~]„»‹«¨z¦*–2~]ƒ¨˜
ˆ –LδŠ9–•«¨z|Z‰ •~Qyqz
˜
Ž zž2 »¸Ž z 8«Yƒ¹€‚ ‰Yƒ
‚~
99. In der Dämmerung kommen wir
heim.
100. Das war jetzt aber ein schöner
Tag.
‰ ®2ˆ – €‚
¢Ù˜ y'zž2
ž*ƒ³’2ž ˆ –
z”‚¢¨–2Œ‚¦*Ü«¨z{W¢œW‰=’
š
ˆ –
z”W~ªƒ/~¡€•ž8ˆ £Z–J€•ž2 ‰¯…‚z‡8ˆ ‰Z–
Š9Œ‚zž2 _˜
~•zž ˆ«Q˜
A.2 Marburger Sätze
1. Geld allein macht nicht glücklich.
2. Böse Menschen verdienen ihre
Strafe.
3. Mittwoch kommt uns Besuch
passend.
4. Ich bin nicht naß geworden.
z”WŽ ~³€•ž•Ž¥zž*9‰¢­zž•Ÿc~´‰Y„»}~
›}É¢­z”W‰8…/‚‰ÚŠ9– £'z‡8ˆ
ˆ Š _˜ …3~3Œ‚zž
Ž¥z|Y«‘Ž 9»­˜
š
ˆ ‰²‚‰¤€
š
ˆ Œ3 z
~]’c{}Ÿì«¨z{}¢³~Ó€c¦•‰ZƒÛ£Y‚›8zºBˆ Ÿ
¢­z
È'zž2ƒ3W‰c~­˜
W’c{‚–
•‰Æ˜
€‚„»³£Y ‰_‰‘„»}~‰'zž*ƒ

±
’
±
Î
š
z
š
±
±
±
±
±
Á
ˆ
š
š
Á
š
±
ó
±
±
š
š
±
±
±
š
188 A Texte zum untersuchten Teil des Kiel Corpus
5. Unsere Eltern tanzen Wiener
Walzer.
6. Lärmt nicht, Jung’s, Vater
schreibt!
7. Wer weiß dort genau Bescheid?
8. Er geht links, sie rechts.
9. Leider ist dies Haus teuer.
10. Dienstag wieder frisch gebrannte
Mandeln.
11. Heute jeder Platz: Eins fünfzig.
~]–2‰¸~•zž2‰ ~]ƒ3‚‰¸’¨z
š
ˆ ‰Z–
€c¦2‰Y›‚–•ŒªL€cz”}Ž
~]ƒª–J˜ ’¨zž‚Ž
Ž z”•–•¢³~³‰Y »W~¡ó
z¦•‘ƒ¡óZŠ/zž ˆ ~]–Å…/Œ•zž2 ÈZ~
–°’Bzž2 ƒ z{‚–•~ W‰qzžZ¦£Y]…‚zž•„~Ž
’8®•ˆ
– z®•ˆ ~ÄŽ¥z 8«Zƒ°óZ› ˆ'Œ‚z”•»}~ªƒ¼˜
€•®•ˆ
zž2
–¯€‚„ƒ/~
cš
ˆ ƒÄy'zžY¦2ƒ³~‚z{}|²–¯˜
Ž
‰Zƒ]~]ž‘ˆ «à’ –ÙŠ Œ‚z … W£YŒ‚zž*‰‘~]
ˆ
¢­zž2‰
WŽ ‰Æ˜
±
12. Nervöse Menschen brauchen
viel Ruhe.
13. Unser Treffpunkt: Zwei Uhr am
Neumarkt.
14. Gegen Abend wird’s kühl.
›‚âlz”‚‰8…/W‰ô£‘Œ•zžY¦•Ÿ‘‚‰ãŠ/z
‰²”•–•’¨z‡cˆ
˜ Œ•zº²ˆ
«Z~

š
z
’ ±
š
š
’
š
›
±
š
’
š
›
±
Î
š
Á
±
±
±
ˆ
š
š
š
±
±
±
š
A.2 Marburger Sätze 189
29. Nichts verletzt mehr als Spott.
30. Dietrich erwartet Dich um drei.
31. Öfen brauchen Kohlen und Briketts.
32. Heute jeder Strauß Blumen zwei
Mark.
33. Du begrüßt erst Deinen Gast.
ˆ Š9W‰¤£‘Œ•zž‘¦2Ÿc2‰Ñ«¨zµ ˆ Ž •‰Û€c¦2‰ ~
€cz‡
«¨z”‚~ªƒ°˜ £YŒ3
y'z{}|Z~3
z®•ˆ
–É…/~]Œ‚zžY¦*ƒ¡£cŽ zº²ˆ ¢¼‚‰
‰'z »W~]ƒÂŠ9–•Ž z”W~ªƒ3~œ¢lz®2ˆ –Ò€•ž•Ž ƒ´…/È'z{}~¼˜
ˆ ~3Œ] »‹€•”•–2’Bzž8–*~ª‚~
»†€c¦2¢
Œ•zž•˜
~]ƒ3’Bzž2ߢlzž*–•«Í˜
34. Wir werden Euch nie vergessen.
35. Darf ich Deine Schleife binden?
º²ˆÙ£Y
Œ•zZˆ ƒ]~ö€cz®•ˆ –2ƒ]~
ž2 ‰Y‚‰
zž*ƒ/~°˜
ˆ –°’8®•ˆ –
ˆŠ9– •‰Í€‚{W|Z»¨‰'z
36. Wir spielen alle Tage.
37. Schlaf vor Mitternacht ist gesund.
38. Deine Uhr steht drei
Minuten.
–¨…3Èqz ˆ Ž„‚‰Í€czž‚Ž ¡~•zž8ˆ ˜
ˆ
ˆ Š Š9µ ˆ – ¢lz ~ª–•‰“ž8Ÿ‘~ €‚„ƒ/~
…/Ž¥zž
‚› z¦•‰ ~­˜
±
z”•ƒ/•‰¬˜
ž2–2Š†€‚„»
ž2 ‰‘œ…/Ž zž• ŠC°£'z ‰
•‰Í½
39. Sie ißt kein salziges Gericht.
40. Sechs Mädchen wollen Schwester
werden.
41. Guten Morgen, meine Damen
und Herren!
42. Du darfst dich wieder
setzen.
ƒ3~«¨zž2 ‰Ã›8zž•Ž ~ªƒ/ ±
•ƒ WŒ‚z„»}~l˜
ˆF€cz
~]»}W‰Ø’c{—Ž W‰ç…3’Bz”•ƒ/~]–
›8z”W«‘ƒÏ¢lz”*ˆ
– •‰¬˜ ’8®•ˆ
~3W‰­¢lz{‚– zºBˆ
‚‰¦ó•¢¼ž2 ‰Y
zž ˆ ¢¨‚‰
ž• ‰Y €czº²ˆ – …/~•z®•ˆ ~
Œ•zž2
¢¨ ‰'zºBˆ ~3‚‰Æ˜
43. Freilich, trockenes Wetter brauchen
wir.
44. Sie sollte Medizin nehmen.
45. Gut Ding will Weile ±
haben.
Œ•zž• Ž 9»ló8~3Œ‚z{}«cW‰Z•ƒ´’Bz”‚~]–¼£YŒ‚zžY¦2Ÿc‚‰
Š
–˜ ˆ
€c¦•‰c~Âyqz”‚Œ3W‰¬Î
º²ˆ
ž*–2Š9ƒ/~
„»œ’
–Ò›8z”‚~]ƒ/‚‰©˜
ˆ'›W{—Ž ~3Å¢¼®•ˆ
~ªƒ‚z
46. Vor’m Essen Deine Hände waschen!
47. Mach Dir’s bequem, alter
Freund!
48. Abends lieber zeitig schlafen gehen.
49. Schnupfen stört uns natürlich
sehr.
50. Lange nicht geseh’n, mein Lieber.
51. Motoren brauchen Benzin, Öl
und Wasser.
52. Unser Doktor besucht Vater
täglich.
Š9µ ˆ –2¢H€cz”‚ƒ3W‰
ž2 ‰Y³y'z”W‰
³’Bzž}…/W‰
cš
ˆ –*ƒa£Y}«c’Bz®*ˆ ¢ ó

Á
Á
±
±
±
š
š
±
š
Á
±
±
š
±
±
±
š
±
±
±
z
š
190 A Texte zum untersuchten Teil des Kiel Corpus
53. Ich bin dreißig Jahre alt.
54. Er schüttelt kräftig Deine Hand.
55. Jungen lieben Streit, Mädchen
Eintracht.
56. Doris will ihre Suppe
essen.
‰ Œ‚zž2„ƒ3 » zž ˆ Œ]l€czž‚Ž ~°˜
€‚„»œ£‘
–³…‚z|Z~3}Ž„~«‘Œ‚z”‚Š ~3 » ž2 ‰Y¡y'zž2‰ ~Ř
€•®•ˆ
‚‰LŽ z ˆ £Y‚‰g…3~3Œ‚zž2 ~÷ó´¢­z”2ˆ ~]»WW‰
z¦•
57. Nüsse muß man gut kauen.
€czž2 ‰ ~ªŒ‚“ž8Ÿ‘~°˜
zµ ˆ Œ3„ƒ³’c ŽS€
ˆ Œ3¡›8z¦2ÈYl€ z”•ƒ/‚‰©˜
‰'z|²ƒ/Å¢­¦2ƒÄ¢¼ž2‰
59. Allzu lebhafte Kinder machen
nervös.
58. Deine Uhr geht vor.
60. Edith möchte gern Haushalt lernen.
61. Alle Kinder essen gern Eis.
62. Unsere beiden Hunde haben
Durst.
63. Jeden Freitag gibt’s frischen
Fisch.
64. Kein gutes Wetter, wenig Gäste.
~]ƒ]ºBˆŽ z®•ˆ È‘yBž*ŠC~3°«¨z ‰ €czž•Ž
ƒl˜ ‰²”•–•’¨z‡cˆ
„~Ý¢¼Ì´»W~3 €cz®•ˆ
z”•–•‰Y‚‰Æ˜ Ž
–¢­zž•ŸcW‰
z”•–•‰¸yqzžY¦*ƒ/yF“ž*Ž ~
Å«¨z ‰ –¯€cz”•ƒ/W‰ z”•–•‰Ã€czž•„ƒ°˜
€czž•Ž
‚‰Ly'z¦2‰

86. Dort muß jedes Auto bremsen.
ó
Î
±
š
±
Á
Á
±
š
±
±
š
Á
±
±
š
±
±
š
A.2 Marburger Sätze 191
79. Adler fliegen tausend Meter
hoch.
80. Diese Gegend nennt man
Sandwüste.
81. Alle Jungen spielen Fußball.
82. Keiner darf diesen Raum verlassen.
83. Verkehrsampeln leuchten grün,
gelb, rot.
84. Was kostet ein Glas Selterswasser?
85. Doris will draußen Schnee fegen.
ˆ Ž9–¸Š„Ž z €czž
ˆ ŸQ˜ y'zµ
ˆ
±
‚‰Ð~•zž‘¦*›}W‰Y~=¢­z®•ˆ ~]–
š
ˆ ›W z®•ˆ W‰Y~ ‰qz”‚‰ ~ ¢¼ž2‰
› zž•‰c~3’B“Bˆ ƒ3~ª˜ cš
z¦2 W‰_…/È'z ˆŽ„•‰¦Š3zº²ˆ ƒ/£'“ž2Ž‹˜
€czž•Ž
‰²– ž*–2Š
š
ˆ ›}W‰ Œ•zžY¦•¢
«qzž•
zž*ƒ3•‰Æ˜ ŠC–‚Ž
– ƒ—€‘“ž8¢¼ÈY‚Ž ‰÷Ž z{}|²»}~]‚‰
ŠC–‚«qz®•ˆ
ȬóYŒ‚zµ ˆ ~Ř z”WŽ
«qz{Wƒ/~]W~ €•ž2 ‰
’2ž*ƒ
Œ‚zYˆ ‰
Ž zž8ˆ ƒ
› z”}Ž ~]–*ƒ]’¨“ž8ƒª–¯½
zµ ˆ Œ3 ƒÂ’ Ž
Œ‚zžY¦*ƒ3•‰…3‰qz®2ˆ'Š/z®•ˆ
W‰¬˜
87. Steigt Dein Drachen sehr hoch?
88. Einige Busse fahren heute später.
…3~‚zž2 «‘~
ž2 ‰
Œ‚zž2Ÿ ‚‰J› z®•ˆ –¡y'zµ8ˆ Ÿ¯½
z{W–2~
¢­¦2ƒ
z®•ˆ
‚ƒ
€czžY¦•~ªµcˆ
£YŒ‚z”‚¢¼›}W‰Æ˜
89. Sonntags trinken viele Männer
Bier.
90. Danach kannst Du Dich wirklich
richten.
91. Diese zarten Blumen welken
rasch.
92. Öffnet doch gleich beide Türen!
z{}‰ ~]ž ˆ «²ƒ¡~3Œ‚z 8«‘‚‰ñŠ3z
š
ˆ Ž Ù¢­z”W‰Z–
›
ˆ –¦˜ £'z
ˆ ‰Yžcˆ ŸH«*ž•‰Zƒ/~ zž
Œ•z„»}~3W‰¬˜
ºBˆ
„»

192 A Texte zum untersuchten Teil des Kiel Corpus
A.3 û
Dialog aus dem Kiel Corpus of Spontaneous
Speech
;Dialog: G373A
;Zuletzt bearbeitet am: 07.08.97
MEH000: $I $A $A , da reicht ein Tag . mehr wollen wir da
nicht sehen . wie ist es am/-
also , da h"atte ich Zeit vom
elften bis zum vierzehnten .
ARK001: ich zw"olften bis sechz
MEH002: gut . %denn nehmen wir den zw"olften , ja ?
ARK003: esch
MEH004: nehmen wir den zw"olften , ja
ARK007: ja , das w"ar’ der
f"unfzehnte bis achtzehnte . so
lang brauchen wir da wahrscheinlich gar nicht
. also f"unfzehnter , sechzehnter , sagen wir .
MEH008: gut , f"unfzehnter , sechzehnter
. wir m"ussen nat"urlich jetzt aufpassen ,
wir brauchen noch ein Wochenendseminar . aber
wir werden wohl

A.3 Dialog aus dem Kiel Corpus of Spontaneous Speech 193
richtiges Wochenende . also f"unfzehnter ,
sechzehnter .
ARK009: a , f"unfzehnter , sechzehnter
. Montag ,
sechzehnten , siebzehnten , mit dem
Besprechungstermin gehen , dann k"onnten wir
das Wochenendseminar unmittelbar vorher
abhalt
MEH010: nicht , weil ich
am vierzehnten nicht kann . +/%der
l=/+ bei mir ist noch frei im September , die
ganze Zeit vom neunzehnten bis zum
drei"sigsten . finden wir da ’n Wochenende
?
ARK011: ab siebenundzwanzigs
ARK012: ist kein richtiges Wochenende
, nicht ? ist kein Sonntag dabei .
dann wie w"ar’ es denn/-
also dann hab’ ich noch mal ganz frei vom
f"unfzehnten bis zum
vierundzwanzigsten und danach ja ,
f"unfzehnten bis vierundzwanzigsten .
ARK014: welcher Monat jetzt ?
ARK015: welcher Monat ?
MEH016: ktober .
ARK017: f"unfzehnter bis vierun=/-
wir haben ja schon am f"unfzehnten , sechzehnten
Besprechungstermi
MEH018: ja
MEH019: also , das w"are dann das Wochenende
einundzwanzigster , zweiundzwanzigster .
ARK020:

194 A Texte zum untersuchten Teil des Kiel Corpus
MEH021: ich seh’ das schon kommen . also ich mu"s da
’n Treffen wahrscheinlich absagen , nicht
? wie ist es denn am achtundzwanzigsten ,
neunundzwanzigsten Oktober ?
ARK022: auch belegt bei mir +/bis/+
bis Ende , bis einunddrei"sigsten . wie ist
es denn mit dem Septemberanfang , erster ,
+/z=/+ zweiter , dritter ?
MEH023:

Anhang B
Daten der Sprecher im Kiel
Corpus
Die Tabellen in B.1 und B.2 stellen einige Daten über die Sprecher des
Kiel Corpus of Read/Spontaneous Speech bereit. Die Aufstellungen enthalten
Sprecherkürzel, Geschlecht, Alter zur Zeit der Aufnahme, das vom
Sprecher angegebene Sprachgebiet sowie Nummer der CD-ROM (1: IPDS
(1994); 2: IPDS (1995); 3: IPDS (1996); 4: IPDS (1997a)), auf der sich die
jeweiligen Daten befinden. In B.1 ist das vom Sprecher gelesene Material
(be: Berliner Sätze, mr: Marburger Sätze; bu: Buttergeschichte; no: Nordwind
und Sonne; *: alles) angegeben sowie in B.2 das Kürzel der Dialogsitzung,
wonach die Sprecher auch sortiert sind. Sprecher, die in dieser Studie
nicht untersucht wurden, sind durch einen * nach dem Sprecherkürzel
gekennzeichnet.
B.1 Sprecher des Kiel Corpus of Read Speech
Sprecher Geschl. Alter Sprachgebiet Korpus CD#
k01 m 25 Schleswig- be 1
Holstein
k02 w 25 Kiel be 1
k03 m 28 Schleswig-
Holstein
be 1
195

196 B Daten der Sprecher im Kiel Corpus
Sprecher Geschl. Alter Sprachgebiet Korpus CD#
k04 w 26 Schleswig- be 1
Holstein
k05 m 28 Schleswig- be 1
Holstein
k06 w 23 Rheinland-Pfalz be 1
k07 m 23 Schleswig- mr 1
Holstein
k08 w 24 Schleswig- mr 1
Holstein
k09 m 27 Schleswig- mr 1
Holstein
k10 w 24 Schleswig- mr 1
Holstein
k11 m 24 Schleswig- mr 1
Holstein
k12 w 22 Schleswig- mr 1
Holstein
k13* m 25 Schleswig- no 1
Holstein
k14* w 26 Ostholstein (Fehmarn)
no 1
k15* m 25 Schleswig- no 1
Holstein
k16* w 23 Schleswig- no 1
Holstein
k17* m 27 Schleswig- no 1
Holstein
k18* w 28 Nordrhein- no 1
Westfalen
k19* m 27 Schleswig- no 1
Holstein
k20* w 24 Rheinland no 1
k21* m 26 Schleswig- no 1
Holstein
k22* w 26 Schleswig-
Holstein
bu 1

197
Sprecher Geschl. Alter Sprachgebiet Korpus CD#
k23* m 24 Schleswig- bu 1
Holstein
k24* w 20 Schleswig- bu 1
Holstein
k25* m 27 Schleswig- bu 1
Holstein
k26* w 23 Niedersachsen bu 1
k27* m 30 Schleswig- bu 1
Holstein
k28* w 25 Göttingen bu 1
k29* m 28 Schleswig- bu 1
Holstein
k30* w 24 Hannover bu 1
k61 m 55 Halle, Karlsruhe, * 1
Kiel
k62 w 33 Niedersachsen, * 1
Schleswig-
Holstein
k63 m 33 Schleswig- be 1
Holstein
k64 w 50 Schleswig- be 1
Holstein
k65 m 34 Bayern be 1
k66 w 39 Sachsen-Anhalt, be 1
Mecklenburg
k67 m 35 Pfalz mr 1
k68 w 50 Braunschweig mr 1
k69 m 49 Süd-, Norddeutsch
mr 1
k70 w 46 Schleswig- mr 1
Holstein
k71* m 38 Cuxhaven, Kiel no 1
k72* w 46 Niedersachsen no 1
k73* m 47 Kiel no 1
k74* w 56 Schleswig-
Holstein
no 1

198 B Daten der Sprecher im Kiel Corpus
Sprecher Geschl. Alter Sprachgebiet Korpus CD#
k75* m 52 Norddeutsch no 1
k76* w 30 Kiel bu 1
k77* m 48 Norddeutsch bu 1
k78* w 47 Kiel bu 1
k79* m 42 Schleswig- bu 1
Holstein
k80* w 48 Kiel bu 1
B.2 Sprecher des Kiel Corpus of Spontaneous
Speech
Sprecher Geschl. Dialog Alter Sprachgebiet CD#
HAH m g07a 25 Schleswig- 2
Holstein
TIS m g07a 27 Niedersachsen 2
KAK m g08a 26 Schleswig- 2
Holstein
THS m g08a 27 Schleswig- 2
Holstein
ANS w g09a 26 Niedersachsen 2
FRS w g09a 29 Niedersachsen 2
NAR w g10a 26 Nordrhein-
3
Westfalen
UTB w g10a 26 Schleswig- 3
Holstein
JAK m g11a 22 Niedersachsen 3
REK m g11a 26 Schleswig- 3
Holstein
KAP w g12a 28 Niedersachsen 3
OLV m g12a 35 Schleswig- 3
Holstein
SOK m g14a 24 Schleswig- 2/3
Holstein
BAC m g14a 25 Schleswig-
Holstein
2/3

199
Sprecher Geschl. Dialog Alter Sprachgebiet CD#
SAR w g19a 20 Norddeutsch 2/3
KAE w g19a 22 Norddeutsch 2/3
BLA* m g20a 27 Mittelholstein 2
PRB* m g20a 27 Ostholstein 2
CHD m g21a 26 Norddeutsch 2/3
ANL m g21a 26 Schleswig- 2/3
Holstein
WEM w g25a 21 Berlin 2/3
SIK w g25a 21 Norddeutsch 2/3
SOV* w g27a 24 Schleswig- 2
Holstein
SIH* w g27a 25 Norddeutsch 2
MAK* m g28a 26 Norddeutsch 2
BEK* m g28a 37 Pfalz 2
THP* m g29a 29 Norddeutsch 2
MAL* m g29a 35 Norddeutsch 2
ANM* w g30a 21 Hamburg 2
MAB* w g30a 22 Hamburg 2
AME m g31a 20 Schleswig- 2/3
Holstein
SVA m g31a 20 Schleswig- 2/3
Holstein
JUM w g36a 52 Schleswig- 4
Holstein
URG w g36a 56 Hamburg 4
ARK m g37a 55 vermischt 4
MEH m g37a 60 vermischt 4
FRA w g38a 45 Norddeutsch 4
HEL m g38a 54 Hessen 4
MLG w g41a 50 Schleswig- 4
Holstein
HEE w g41a 57 Niedersachsen 4
GEP m g42a 59 Niedersachsen 4
MAW m g42a 60 Schleswig-
Holstein
4

200 B Daten der Sprecher im Kiel Corpus
Sprecher Geschl. Dialog Alter Sprachgebiet
CD#

Anhang C
KielDat-Skript zur
automatischen
Vokalmessung
Das folgende KielDat-Skript führt die in Abschnitt 3.6 auf S. 47ff
beschriebenen Schritte zur Formantmessung bei den Vokalen durch.
Das KielDat-Skript ist eigentlich ein awk-Skript mit dem Zusatz
von #include-Statements, mit denen vorgefertigte KielDat-spezifische
Funktionen und vordefinierte Variablen verwendet werden können. Im vorliegenden
Skript sind alle mit # präfigierten Zeilen Kommentare, außer den
am Anfang befindlichen #include-Statements.
#include "lib/initDB"
#include "lib/extractLabelTimeDuration"
#include "lib/isRDiphthong"
#include "lib/isDiphthong"
#include "lib/isVowel"
#include "lib/isRegularWord"
#include "lib/math/round"
#include "lib/isProsodicLabel"
#include "lib/isSentenceInitialLabel"
#include "lib/isPunctuation"
#include "lib/isFunctionWord"
201

ý
202 C KielDat-Skript zur automatischen Vokalmessung
# Fuer jede Funktion aus der KielDat-Bibliothek muss eine
# include-Statement vorhanden sein.
TRUE = 1
FALSE = 0
#
# isConsonant ueberprueft, ob ein Label ein Konsonant ist
#
isConsonant(label)ü
function
if(label ˜ /[BCDFGHJKLMNPQRSTVXZ]/) return
ý
TRUE
#
# getContext versucht einen vorhergehenden und nachfolgenden
# Kontext fuer den aktuellen Vokal herzustellen. Die
# fortlaufende Variantentranskription wird in beiden
# Richtungen abgesucht, bis ein Label mit einer Dauer > 0
# gefunden wird. Ein Etikett wird der Variable preContext
# bzw. postContext angehaengt, wenn es nicht ein
# prosodisches Etikett, ein Satzzeichen oder die
# Satzanfangsmarkierung ist. Wird ein Label mit einer Dauer
# > 0 gefunden, so wird die Suche abgebrochen. Wird kein
# Label gefunden mit Dauer > 0, dann wird fuer den
# Praekontext der Aeusserungsanfang, fuer den Postkontext
# das Aeusserungende angenommen, und es wird "UttBegin" der
# Variable preContext bzw. "UttEnd" der Variable
# postContext angehaengt.
#
getContext(pos)ü
function
preContext = postContext = ""
for(fn_i = pos-1; fn_i >= fn_i--)ü
1;
if(!isProsodicLabel(varTrans["label",fn_i]) &&
!isPunctuation(varTrans["label",fn_i]) &&
!isSentenceInitialLabel(varTrans["label",fn_i]))ü
preContext = ( "_" preContext )
if(varTrans["dur",fn_i])ü
fn_i = 0
preContextNeeded =
ý
FALSE
ý
if(preContextNeeded && fn_i

ý
ý
203
preContextNeeded = FALSE
ý
for(fn_i = pos+1; fn_i

ý
204 C KielDat-Skript zur automatischen Vokalmessung
mPt[fn_i+1] = startTime + 0.02 + fn_i * stepDur
return stepCnt + 1
#
# Fuer Monophthonge und Diphthonge < 60 ms wird ein
# Messpunkt inmitten des Vokalabschnitts benoetigt.
#
elseü
mPt[1] = startTime + duration / 2
return
ý
1
ý
#
# prepareSignal erstellt den Namen der Signaldatei, die
# zu analysieren ist. Die Datenbank enthaelt lediglich
# den vollen Namen der Etikettierdatei.
#
prepareSignal()ü
function
signalFN = $(FILE)
if($(FILE) ˜ /ph9/)
gsub(/\.s1h/, ".16", signalFN)
else
gsub(/\.s1h/, ".?16", signalFN)
system("cp " signalFN " tmp.dd")
system("chmod u+w tmp.dd")
#
# Fuer jeden Satz aus dem gelesenen Korpus bzw. fuer jeden
# Dialogbeitrag aus dem spontansprachlichen Korpus wird eine
# fortlaufende Transkription aus den einzelnen Labels der
# Varianteneintraege in der Datenbank hergestellt. Dies
# ermoeglicht die Bestimmung eines prae- bzw.
# postvokalischen Kontexts. Wenn der Anfang eines neuen
# Satzes bzw. Dialogbeitrages erreicht wird und der letzte
# Vokal noch keinen postvokalischen Kontext erhalten hat,
# weil er am Ende des vorhergehenden Satzes bzw.
# Dialogbeitrags stand, wird "_UttEnd" ausgedruckt und
# ergaenzt somit den Datensatz.
#
nl = extractLabelTimeDuration(labels, times, durations)ü
if($(ORTHOPOS) == 0)ü
running = FALSE

ý
ý
205
if(postContextNeeded)ü
print "_UttEnd" >> spkrfn; close(spkrfn)
postContextNeeded =
ý
FALSE
ý
for(i = 1; i > spkrfn; close(spkrfn)
if(durations[i])ü
print "" >> spkrfn
close(spkrfn)
postContextNeeded =
ý
FALSE
ý
# Der Hauptteil des Programms.
#
# Fuer jedes regulaere Wort (nicht abgebrochen, usw.) werden
# die Frequenzen und die Bandbreiten der Vokale bestimmt
# sowie einige andere Informationen zur Versuchsperson
# (Sprecherkuerzel und Geschlecht), zum Dialog (Kennung),
# zum Vokalabschnitt (Label, Datensatznummer, Dauer,
# Grundfrequenz zum Messzeitpunkt) zum Kontext (Wort,
# prae- und postvokalischer Kontext) in einer Datei
# pro Sprecher gesammelt.
#
isRegularWord($(ORTHO))ü
#
# Die Anzahl der Formanten, die zu bestimmen sind, haengt vom
# Geschlecht ab; bei Maennern werden 8, bei Frauen 7
# Formanten bestimmt.
#
numFormants = ( $(GENDER) == "f" ? 7 : 8 )
#
# Ein Array wird mit den Labels, ihren Zeiten und Dauern
# aufgefuellt.
#
nl = extractLabelTimeDuration(labels, times, durations)

206 C KielDat-Skript zur automatischen Vokalmessung
for(lblCnt = 1; lblCnt 0 haben.
#
if(isVowel(labels[lblCnt]) &&
!isRDiphthong(labels[lblCnt]) durations[lblCnt])ü
&&
#
# Um Funktionswoerter abzusondern, wird ein Pluszeichnen an
# die orthographische Darstellung angehaengt.
#
word = (isFunctionWord($(CANON))?$(ORTHO)"+":$(ORTHO))
#
# Der Bedarf nach prae- und postvokalischem Kontext wird
# angezeigt
#
preContextNeeded = postContextNeeded = TRUE
#
# Erstelle den prae- und postvokalischen Kontext
#
getContext(running-nl+lblCnt)
#
# Erstelle den Namen der Signaldatei
#
prepareSignal()
#
# Das Kommandostring fuer die Formantsortierung wird
# hergestellt. Die Formantsortierung wird durch das
# Programm ksort erledigt, das die Ergebnisse der
# Formantbestimmung durch klara verarbeitet. Je
# nach Geschlecht wird eine unterschiedliche
# Referenztabelle fuer die Defaultwerte der Formanten
# benoetigt (siehe Text). In beiden Faellen werden
# nur die unteren drei Formanten und ihre Bandbreiten
# ausgegeben.
#
if($(GENDER) == "f")
ksort = ( "ksort -rf -om=3 -od tmp.kla" )
else
ksort = ( "ksort -om=3 -od tmp.kla" )
#
# Berechne die Anzahl und Zeiten der Messpunkte im
# Vokalabschnitt.
#
mp = getMeasurementTimes(labels[lblCnt], \
durations[lblCnt], times[lblCnt])

for(mCnt = 1; mCnt > spkrfn
close(spkrfn)
#
# Der ksort-Befehl wird ausgefuehrt und die Ergebnisse der
# Sortierung im Array tempStr aufgehoben.
#
j = 1; while( ksort | getline tempStr[j++] > 0) ;
close(ksort)
#
# Formanten mit zu grossen Bandbreiten (> 500 Hz) sowie bei
# der Sortierung entstandene Luecken in den
# Formantfrequenzen werden durch den Wert der zweiten
# Formantschaetzung ersetzt bzw. aufgefuellt.

ý
ý
ý
ý
208 C KielDat-Skript zur automatischen Vokalmessung
#
split(tempStr[7], arr, " ")
for(k = 6; k 500 || arr[k-1] ˜ /-99/)
sub(/.+\//, "", arr[k-1])
else
sub(/\/.+/, "",
ý
arr[k-1])
#
# Grundfrequenz, Frequenzen und Bandbreiten von F1-F3 sowie
# kontextuelle Information werden in Datei gedruckt.
#
printf("%8s %4s %4s%4s %4s%4s %4s%4s",
arr[1], arr[4], arr[5], arr[6], arr[8],
arr[9], arr[11], arr[12]) >> spkrfn
close(spkrfn)
if(mCnt == mp)ü
printf(" %s %s___%s", word, preContext, \
postContext) >> spkrfn
close(spkrfn)
ý
elseü print "" >> spkrfn; close(spkrfn) ý
ý

Anhang D
Vokalhäufigkeiten im Kiel
Corpus of Spontaneous
Speech
Tabelle D.1 enthält die absoluten Häufigkeiten der Vokale bei den einzelnen Sprechern
im spontansprachlichen Korpus. Reihe Gesamt enthält die Anzahl der Vokaltokens
einer Vokalkategorie über alle Sprecher, die Spalte Gesamt die Anzahl von
Vokaltokens pro Sprecher/in. Die Spalten sind nach der Größe der Mediane der
relativen Häufigkeiten in absteigender Reihenfolge geordnet (siehe Tabelle D.2).
Die Reihen sind nach der absoluten Häufigkeit der Vokaltokens pro Sprecher/in in
aufsteigender Reihenfolge geordnet. Eine graphische Aufbereitung der absoluten
Vokalhäufigkeiten pro Sprecher/in befindet sich in Abb. 3.4 auf S. 55.
Tabelle D.2 enthält die relativen Häufigkeiten der Vokale bei den einzelnen Sprechern
im spontansprachlichen Korpus. Reihe Gesamt bezieht sich auf die relativen
Häufigkeiten der Vokale bezogen auf ihre Gesamthäufigkeit. Die Medianwerte beziehen
sich auf die Häufigkeiten der Einzelsprecher. Maximum und Minimum beziehen
sich jeweils auf die größte und kleinste relative Häufigkeit eines Vokals, die
bei einem der Sprecher gefunden wurde. Die Spalten sind nach der Größe der Mediane
der relativen Häufigkeiten in absteigender Reihenfolge geordnet. Die Reihen
sind nach der absoluten Häufigkeit der Vokaltokens pro Sprecher/in in aufsteigender
Reihenfolge geordnet. Ein graphische Darstellung der Mediane, Maxima und
Minima befindet sich in Abb. 3.3 auf S. 54.
209

£
210 D Vokalhäufigkeiten im Kiel Corpus of Spontaneous Speech
Tabelle D.1: Absolute Vokalhäufigkeiten bei den einzelnen Sprechern im spontansprachlichen Korpus
SOK 87 66 36 56 57 21 29 30 24 25 22 19 9 13 0 4 1 1 0 0 500
AME 91 50 68 31 36 19 38 40 19 20 18 17 23 25 4 2 2 2 1 0 506
FRA 105 86 63 31 39 39 19 30 26 21 20 32 5 14 5 11 4 0 2 3 555
SVA 109 96 78 41 71 48 34 40 36 32 39 26 11 18 10 6 0 1 4 0 700
BAC 111 109 90 66 58 21 45 49 47 44 44 20 11 18 8 4 7 7 0 3 762
URG 99 105 94 72 78 63 51 39 37 29 40 42 21 13 11 10 5 4 5 1 819
THS 122 116 51 79 63 52 59 55 44 44 55 21 12 18 9 23 4 2 1 0 830
FRS 122 136 95 119 73 62 60 64 41 30 39 18 23 22 11 9 4 4 3 6 941
SAR 158 124 158 53 71 55 59 41 51 46 33 61 17 21 9 12 4 4 3 5 985
JUM 180 125 111 87 123 75 56 35 60 63 35 35 20 13 16 5 6 3 3 1 1052
ARK 176 156 79 104 94 68 68 47 74 17 42 41 19 14 24 11 4 4 7 4 1053
CHD 148 128 141 116 110 85 59 65 32 42 45 28 30 23 5 15 6 3 3 0 1084
SIK 171 172 91 70 83 65 68 57 54 71 56 38 41 20 14 28 5 2 3 1 1110
KAP 154 162 162 61 82 66 55 65 53 68 46 50 39 28 11 17 4 6 0 0 1129
HEL 169 143 127 128 89 72 66 67 47 50 45 31 25 27 18 4 5 4 11 6 1134
WEM 157 188 128 102 99 93 76 75 64 52 79 30 39 28 17 22 11 2 5 4 1271
KAE 191 162 175 93 136 70 67 57 50 71 44 41 25 51 12 26 4 6 0 4 1285
REK 196 192 127 119 85 66 62 87 81 75 69 52 22 39 29 10 10 15 1 8 1345
KAK 211 190 102 170 130 86 84 89 69 53 99 35 19 34 18 25 10 2 5 6 1437
GEP 216 228 136 114 131 98 69 79 69 68 94 44 40 24 32 12 21 9 1 3 1488
MEH 250 229 130 135 107 90 88 61 85 74 73 49 21 24 27 14 13 1 15 10 1496
MLG 175 188 152 150 128 90 121 104 94 68 78 60 40 47 10 22 10 10 11 4 1562
ANL 208 242 190 130 164 121 71 95 61 85 75 51 37 27 13 13 5 9 12 7 1616
ANS 230 202 115 177 132 94 115 122 83 63 88 35 44 50 21 12 18 4 8 5 1618
NAR 270 264 171 184 142 97 120 116 76 90 92 56 47 40 19 17 8 6 12 3 1830
UTB 226 239 147 197 162 120 143 127 79 108 68 53 37 41 26 31 18 10 7 7 1846
HAH 286 265 214 134 174 94 119 113 84 75 125 58 57 41 20 17 7 12 17 6 1918
JAK 298 295 224 215 140 103 137 104 85 117 86 104 41 39 22 14 15 11 6 25 2081
TIS 342 254 267 213 166 88 123 137 81 114 70 92 45 37 19 26 4 10 5 2 2095
OLV 331 288 269 170 205 178 147 222 115 108 108 111 90 64 30 20 19 17 10 8 2510
HEE 348 349 260 215 194 125 187 127 132 110 112 99 86 57 19 36 12 15 11 23 2517
MAW 543 456 366 282 282 202 154 200 159 171 179 140 98 55 55 35 14 13 14 11 3429
Gesamt 6480 6005 4617 3914 3704 2626 2649 2639 2112 2104 2118 1589 1094 985 544 513 260 199 186 166 44504
þ
ÿ
þ
¡
ÿþ
¢
£
¤
¥
¦
§
¨
§þ
©
¦
Gesamt

211
SOK 17.4 13.2 7.2 11.2 11.4 4.2 5.8 6 4.8 5 4.4 3.8 1.8 2.6 0 0.8 0.2 0.2 0 0
AME 18 9.9 13.4 6.1 7.1 3.8 7.5 7.9 3.8 4 3.6 3.4 4.5 4.9 0.8 0.4 0.4 0.4 0.2 0
FRA 18.9 15.5 11.4 5.6 7 7 3.4 5.4 4.7 3.8 3.6 5.8 0.9 2.5 0.9 2 0.7 0 0.4 0.5
SVA 15.6 13.7 11.1 5.9 10.1 6.9 4.9 5.7 5.1 4.6 5.6 3.7 1.6 2.6 1.4 0.9 0 0.1 0.6 0
BAC 14.6 14.3 11.8 8.7 7.6 2.8 5.9 6.4 6.2 5.8 5.8 2.6 1.4 2.4 1 0.5 0.9 0.9 0 0.4
URG 12.1 12.8 11.5 8.8 9.5 7.7 6.2 4.8 4.5 3.5 4.9 5.1 2.6 1.6 1.3 1.2 0.6 0.5 0.6 0.1
THS 14.7 14 6.1 9.5 7.6 6.3 7.1 6.6 5.3 5.3 6.6 2.5 1.4 2.2 1.1 2.8 0.5 0.2 0.1 0
FRS 13 14.5 10.1 12.6 7.8 6.6 6.4 6.8 4.4 3.2 4.1 1.9 2.4 2.3 1.2 1 0.4 0.4 0.3 0.6
SAR 16 12.6 16 5.4 7.2 5.6 6 4.2 5.2 4.7 3.4 6.2 1.7 2.1 0.9 1.2 0.4 0.4 0.3 0.5
JUM 17.1 11.9 10.6 8.3 11.7 7.1 5.3 3.3 5.7 6 3.3 3.3 1.9 1.2 1.5 0.5 0.6 0.3 0.3 0.1
ARK 16.7 14.8 7.5 9.9 8.9 6.5 6.5 4.5 7 1.6 4 3.9 1.8 1.3 2.3 1 0.4 0.4 0.7 0.4
CHD 13.7 11.8 13 10.7 10.1 7.8 5.4 6 3 3.9 4.2 2.6 2.8 2.1 0.5 1.4 0.6 0.3 0.3 0
SIK 15.4 15.5 8.2 6.3 7.5 5.9 6.1 5.1 4.9 6.4 5 3.4 3.7 1.8 1.3 2.5 0.5 0.2 0.3 0.1
KAP 13.6 14.3 14.3 5.4 7.3 5.8 4.9 5.8 4.7 6 4.1 4.4 3.5 2.5 1 1.5 0.4 0.5 0 0
HEL 14.9 12.6 11.2 11.3 7.8 6.3 5.8 5.9 4.1 4.4 4 2.7 2.2 2.4 1.6 0.4 0.4 0.4 1 0.5
WEM 12.4 14.8 10.1 8 7.8 7.3 6 5.9 5 4.1 6.2 2.4 3.1 2.2 1.3 1.7 0.9 0.2 0.4 0.3
KAE 14.9 12.6 13.6 7.2 10.6 5.4 5.2 4.4 3.9 5.5 3.4 3.2 1.9 4 0.9 2 0.3 0.5 0 0.3
REK 14.6 14.3 9.4 8.8 6.3 4.9 4.6 6.5 6 5.6 5.1 3.9 1.6 2.9 2.2 0.7 0.7 1.1 0.1 0.6
KAK 14.7 13.2 7.1 11.8 9 6 5.8 6.2 4.8 3.7 6.9 2.4 1.3 2.4 1.3 1.7 0.7 0.1 0.3 0.4
GEP 14.5 15.3 9.1 7.7 8.8 6.6 4.6 5.3 4.6 4.6 6.3 3 2.7 1.6 2.2 0.8 1.4 0.6 0.1 0.2
MEH 16.7 15.3 8.7 9 7.2 6 5.9 4.1 5.7 4.9 4.9 3.3 1.4 1.6 1.8 0.9 0.9 0.1 1 0.7
MLG 11.2 12 9.7 9.6 8.2 5.8 7.7 6.7 6 4.4 5 3.8 2.6 3 0.6 1.4 0.6 0.6 0.7 0.3
ANL 12.9 15 11.8 8 10.1 7.5 4.4 5.9 3.8 5.3 4.6 3.2 2.3 1.7 0.8 0.8 0.3 0.6 0.7 0.4
ANS 14.2 12.5 7.1 10.9 8.2 5.8 7.1 7.5 5.1 3.9 5.4 2.2 2.7 3.1 1.3 0.7 1.1 0.2 0.5 0.3
NAR 14.8 14.4 9.3 10.1 7.8 5.3 6.6 6.3 4.2 4.9 5 3.1 2.6 2.2 1 0.9 0.4 0.3 0.7 0.2
UTB 12.2 12.9 8 10.7 8.8 6.5 7.7 6.9 4.3 5.9 3.7 2.9 2 2.2 1.4 1.7 1 0.5 0.4 0.4
HAH 14.9 13.8 11.2 7 9.1 4.9 6.2 5.9 4.4 3.9 6.5 3 3 2.1 1 0.9 0.4 0.6 0.9 0.3
JAK 14.3 14.2 10.8 10.3 6.7 4.9 6.6 5 4.1 5.6 4.1 5 2 1.9 1.1 0.7 0.7 0.5 0.3 1.2
TIS 16.3 12.1 12.7 10.2 7.9 4.2 5.9 6.5 3.9 5.4 3.3 4.4 2.1 1.8 0.9 1.2 0.2 0.5 0.2 0.1
OLV 13.2 11.5 10.7 6.8 8.2 7.1 5.9 8.8 4.6 4.3 4.3 4.4 3.6 2.5 1.2 0.8 0.8 0.7 0.4 0.3
HEE 13.8 13.9 10.3 8.5 7.7 5 7.4 5 5.2 4.4 4.4 3.9 3.4 2.3 0.8 1.4 0.5 0.6 0.4 0.9
MAW 15.8 13.3 10.7 8.2 8.2 5.9 4.5 5.8 4.6 5 5.2 4.1 2.9 1.6 1.6 1 0.4 0.4 0.4 0.3
Gesamt 14.6 13.5 10.4 8.8 8.3 5.9 6 5.9 4.7 4.7 4.8 3.6 2.5 2.2 1.2 1.2 0.6 0.4 0.4 0.4
Median 14.7 13.8 10.7 8.8 8.1 6.0 5.9 5.9 4.7 4.7 4.5 3.4 2.3 2.2 1.2 1.0 0.5 0.4 0.4 0.3
Maximum 18.9 15.5 16.0 12.6 11.7 7.8 7.7 8.8 7.0 6.4 6.9 6.2 4.5 4.9 2.3 2.8 1.4 1.1 1.0 1.2
Minimum 11.2 9.9 6.1 5.4 6.3 2.8 3.4 3.3 3.0 1.6 3.3 1.9 0.9 1.2 0.0 0.4 0.0 0.0 0.0 0.0
Tabelle D.2: Relative Vokalhäufigkeiten bei den einzelnen Sprechern im spontansprachlichen Korpus

,
199 202 185 192 441 0.4 0.4 1.2 1.1 1.3
212 D Vokalhäufigkeiten im Kiel Corpus of Spontaneous Speech
Tabelle D.3: Die absoluten und relativen Gesamthäufigkeiten der Einzelvokale aus Spontan- und Lesesprache.
Die Spalten Gemessen und Kanonisch beziehen sich auf die unterschiedliche Zählung der Vokale. Die gemessene
Zählung bezieht sich auf die Anzahl der Vokalabschnitte, die in die akustische Messung von Kapitel 3 eingegangen
sind, die kanonische Zählung auf die Anzahl der Vokale in den kanonischen Formen. Die Spalten Meier enthalten
jeweils die absoluten und relativen Häufigkeiten aus der Zählung von 100 000 Lauten aus Prosa und Poesie
von Meier (1967). Die Vokale sind nach ihrer Gesamthäufigkeit in der ‘gemessenen’ Spontansprache angeordnet,
häufigste oben, seltenste unten. Eine graphische Aufbereitung der relativen Werte findet sich in Kapitel 3 auf
Seite 57.
Gesamt 44504 52432 16032 17712 33405
-
166 181 157 168 2260.4 0.3 1.0 0.9 0.7
"186 444 32 72 2420.4 0.8 0.2 0.4 0.7
*'260 260 252 240 3250.6 0.5 1.6 1.4 1.0
+513 512 96 96 1021.2 1.0 0.6 0.5 0.3
*544 559 196 192 2971.2 1.1 1.2 1.1 0.9
)985 1043 533 540 9802.2 2.0 3.3 3.0 2.9
%1094 1083 552 540 8522.5 2.1 3.4 3.0 2.6
(1589 1673 428 432 9713.6 3.2 2.7 2.4 2.9
'2104 2118 444 444 12884.7 4.0 2.8 2.5 3.9
&2112 2126 1263 1236--- 4.7 4.1 7.9 7.0 ---
%2118 2409 782 792 21094.8 4.6 4.9 4.5 6.3
$2626 2628 743 720 11495.9 5.0 4.6 4.1 3.4
#2639 2769 1106 1104 24495.9 5.3 6.9 6.2 7.3
"2649 2982 988 1008 24646.0 5.7 6.2 5.7 7.4
3704 3824 1355 1344 24588.3 7.3 8.5 7.6 7.4
!3914 9935 2668 4308 86668.8 18.9 16.6 24.3 25.9
4617 4745 776 804 156810.4 9.0 4.8 4.5 4.7
6005 6342 1991 2016 396213.5 12.1 12.4 11.4 11.9
Vokal Gemessen (s) Kanonisch (s) Gemessen (l) Kanonisch (l) Gemessen (s) Kanonisch (s) Gemessen (l) Kanonisch (l) Meier Meier
6480 6597 1485 1464 285614.6 12.6 9.3 8.3 8.5
Absolut Relativ
Spontan Gelesen Spontan
Gelesen

Anhang E
Formantwerte der
Monophthonge
Tabellen E.1–E.4 enthalten Formantwerte für die einzelnen weiblichen
(E.1 / E.2) und männlichen (E.3 / E.4) Vokalkategorien aus Inhaltswörtern
in Lese- (E.1 / E.3) und Spontansprache (E.2 / E.4). Pro Vokal werden für
die ersten drei Formanten die
/
Mediane ( ) und Quartile ( / ) in Hertz
angegeben sowie die Anzahl der Tokens .
).
043 021 (5
213

5
214 E Formantwerte der Einzelvokale
Tabelle E.1: Weibliche Formantwerte aus der Lesesprache
. / 0267043 . 026 043 . / 026 083
/
9;:
<
: =
>
F1 F2 F3
Vokal
316 289 354 2293 2090 2484 2792 2652 2975 264
415 373 459 2095 1845 2292 2824 2637 3002 638
345 324 369 1636 1457 1848 2577 2404 2677 87
423 384 483 1600 1463 1747 2549 2434 2716 81
: ?
@
413 381 451 2379 2210 2547 2900 2706 3064 301
595 535 660 1964 1799 2113 2822 2621 2973 452
: A
B
419 382 459 1672 1586 1765 2505 2384 2605 80
588 544 675 1500 1481 1711 2712 2559 2865 12
:
512 471 551 2210 2130 2420 2933 2709 3036 17
@
:
790 681 881 1342 1253 1427 2709 2534 2871 318
C
765 665 847 1451 1339 1579 2750 2559 2925 610
C
:
445 412 478 882 784 1025 2805 2644 2968 178
D
624 555 692 1191 1104 1294 2716 2567 2869 132
E
:
361 333 393 962 859 1115 2721 2588 2862 188
F
469 419 506 1116 1004 1210 2655 2527 2883 177
G
438 389 497 1702 1507 1884 2743 2583 2912 1080
H
607 522 691 1579 1395 1725 2745 2568 2916 520
I

5
215
Tabelle E.2: Weibliche Formantwerte aus der Spontansprache
. / 0267043 . 026 043 . / 026 043
/
9J:
<
: =
>
F1 F2 F3
Vokal
330 301 376 2371 2171 2497 2868 2714 3044 504
418 361 479 2093 1886 2310 2850 2696 2994 958
385 345 428 1694 1484 1933 2666 2538 2867 65
462 414 521 1460 1346 1670 2640 2485 2799 145
: ?
@
438 394 490 2267 2083 2423 2880 2721 3010 746
621 554 683 1987 1829 2148 2828 2696 2969 860
: A
B
442 407 477 1768 1633 1875 2644 2564 2732 67
586 547 637 1533 1470 1620 2590 2498 2659 57
:
460 384 517 2375 2268 2475 2912 2829 3056 18
@
:
791 714 866 1495 1379 1629 2646 2493 2814 1256
C
789 707 879 1524 1397 1682 2706 2556 2879 1124
C
:
467 429 529 1013 858 1203 2760 2612 2935 308
D
688 622 760 1202 1077 1304 2716 2567 2858 483
E
:
394 357 450 1043 909 1194 2737 2580 2874 369
F
499 440 593 1259 1113 1452 2729 2523 2931 304
G
470 410 548 1779 1543 1984 2797 2639 2938 1125
H
681 601 761 1598 1412 1769 2736 2579 2894 649
I

5
217
Tabelle E.4: Männliche Formantwerte aus der Spontansprache
. / 0267043 . 026 043 . / 026 043
/
9J:
<
: =
>
F1 F2 F3
Vokal
309 284 340 2039 1886 2177 2571 2420 2757 813
353 321 402 1801 1633 1974 2484 2374 2610 1492
326 293 368 1628 1514 1761 2261 2181 2327 109
403 351 438 1323 1196 1416 2299 2204 2380 253
:
371 339 416 1940 1770 2079 2538 2426 2666 959
?
490 448 536 1667 1536 1786 2462 2354 2553 1107
@
: A
B
399 376 433 1514 1460 1643 2188 2080 2303 99
477 450 503 1337 1269 1392 2251 2175 2346 65
:
398 362 427 1913 1787 2001 2503 2412 2628 31
@
:
606 534 674 1278 1183 1381 2336 2216 2435 1733
C
617 546 686 1305 1198 1390 2418 2295 2529 1844
C
:
419 383 484 881 771 1007 2457 2352 2590 406
D
538 493 586 1017 936 1101 2366 2252 2481 662
E
:
358 325 412 962 849 1090 2365 2250 2515 452
F
440 393 489 1106 993 1243 2438 2274 2595 569
G
405 364 455 1540 1371 1683 2429 2315 2534 1715
H
522 472 594 1350 1213 1463 2414 2304 2521 885
I

218 Literatur

Literatur
Allen, J., M. S. Hunnicutt und D. H. Klatt (1987). From text to speech:
The MITalk system. Cambridge: Cambridge University Press.
Anderson, A., M. Bader, E. Bard, E. Boyle, G. Doherty, S. Garrod,
S. Isard, J. Kowtko, J. McAllister, J. Miller, C. Sotillo, H. Thompson
und R. Weinert (1991). The HCRC map task corpus. Language
and Speech 34, 351–366.
Barczinski, L. und E. Thienhaus (1935). Klangspektren und Lautstärke
deutscher Sprachlaute. Achives néerlandaises de phonétique
expérimentale 11, 47–68.
Barry, W. J. (1995). Schwa vs. schwa + /r/ in German. Phonetica 52,
228–235.
Barry, W. J. und A. J. Fourcin (1992). Levels of labelling. Computer
Speech and Language 6, 1–14.
Bickley, C., K. N. Stevens und D. R. Williams (1997). A framework
for synthesis of segments based on pseudoarticulatory parameters.
In J. P. H. v. Santen, R. W. Sproat, J. P. Olive und J. Hirschberg
(Hrsg.), Progress in Speech Synthesis, pp. 211–220. Berlin/Heidelberg/New
York/Tokyo: Springer.
Black, A. und N. Campbell (1995). Optimising selection of units from
speech databases for concatenative synthesis. In Proc. of the 5th
European Conference of Speech Communication and Technology,
Volume 1, Madrid, pp. 581–584.
Black, A. und P. Taylor (1994). CHATR: a generic speech synthesis
system. In Proceedings of COLING-94, Volume 2, Kyoto, pp. 983–
986.
219

220 Literatur
K
Bladon, R., G. Henton und J. Pickering (1983). Towards an auditory
theory of speaker normalization. Language and Communication 4,
59–69.
Bladon, R. A. W. (1985). Diphthongs: a case study of dynamic auditory
processing. Speech Communication 4, 145–154.
Bloomfield, L. (1930). LNMPOQ R8S QUTWVXSYL[Z . Le Maˆıtre Phonétique III 29,
27–28.
Boas, F. (1911). Handbook of American Indian Languages Part 1. Bureau
of American Ethnology Bulletin 40. Washington: Government
Printing Office.
Boor, H. d., H. Moser und C. Winkler (Hrsg.) (1969). Siebs Deutsche
Aussprache: Reine und gemäßigte Hochlautung mit Aussprachewörterbuch.
Berlin: Walter de Gruyter.
Bremer, O. (1893). Deutsche Phonetik. Leipzig: Breitkopf & Härtel.
Bremer, O. (1918). Deutsche Lautlehre. Leipzig: Quelle & Meyer.
Browman, C. P. und L. M. Goldstein (1989). Articulatory gestures as
phonological units. Phonology 6, 201–251.
Browman, C. P. und L. M. Goldstein (1992). Articulatory phonology:
an overview. Phonetica 49, 155–180.
Brownlee, S. A. (1996). The role of sentence stress in vowel reduction
and formant undershoot: A study of lab speech and informal spontaneous
speech. Ph. D. thesis, University of Texas at Austin.
Buuren, Luc, v. (1983). Observations on phonation. Journal of the International
Phonetic Association 13, 13–23.
Catford, J. (1977). Fundamental Problems in Phonetics. Edinburgh:
Edinburgh University Press.
Catford, J. (1988). A Practical Introduction to Phonetics. Oxford: Clarendon
Press.
Chomsky, N. und M. Halle (1968). The Sound Pattern of English. New
York: Harper and Row.
Coleman, J. S. (1994). Polysyllabic words in the YorkTalk synthesis system.
In P. A. Keating (Hrsg.), Phonological Structure and Phonetic
Form: Papers in Laboratory Phonology III, pp. 293–324. Cambridge:
Cambridge University Press.

221
Coleman, J. S. (1998). Phonological Representations: Their names,
forms and powers. Cambridge: Cambridge University Press.
Collier, R., F. Bell-Berti und L. J. Raphael (1982). Some acoustic
and physiological observations on diphthongs. Language and
Speech 25, 305–323.
Crothers, J. (1978). Typology and universals of vowel systems. In
J. Greenberg, C. A. Ferguson und E. Moravcsik (Hrsg.), Universals
of Human Language. Vol. 2, Phonology, pp. 93–152. Stanford:
Stanford University Press.
Crystal, T. H. und A. S. House (1982). Segmental durations in
connected-speech signals: Preliminary results. Journal of the Acoustical
Society of America 72, 705–716.
Crystal, T. H. und A. S. House (1988a). Segmental durations in
connected-speech signals: Current results. Journal of the Acoustical
Society of America 83, 1553–1573.
Crystal, T. H. und A. S. House (1988b). Segmental durations in
connected-speech signals: Syllabic stress. Journal of the Acoustical
Society of America 83, 1574–1585.
Crystal, T. H. und A. S. House (1990). Articulation rate and the duration
of syllables and stress groups in connected speech. Journal of the
Acoustical Society of America 88, 101–112.
Delattre, P. (1965). Comparing the phonetic features of English, German,
Spanish and French. Heidelberg: Julius Groos Verlag.
Diehl, R. L., B. Lindblom, K. A. Hoemeke und R. P. Fahey (1996). On
explaining certain male-female differences in the phonetic realization
of vowel categories. Journal of Phonetics 24, 187–208.
DUDEN (1990). Das Aussprachewörterbuch (3 Aufl.). Mannheim: Dudenverlag.
Engstrand, O. (1988). Articulatory correlates of stress and speaking rate
in Swedish utterances. Journal of the Acoustical Society of America
83, 1863–1875.
Essen, O. v. (1953). Allgemeine und angewandte Phonetik. Berlin: Akademie
Verlag.

222 Literatur
\
Fant, G. (1960). Acoustic Theory of Speech Production. The Hague:
Mouton.
Fant, G. (1966). A note on vocal tract size factors and non-uniform F-
pattern scalings. STL-QPSR 4, 22–30.
Fant, G. (1975). Non-uniform vowel normalization. STL-QPSR 2–3, 1–
19.
Firth, J. R. (1948). Sounds and prosodies. Transactions of the Philological
Society, 127–152.
Fischer-Jørgensen, E. (1964). Sound duration and place of articulation.
Zeitschrift für Sprachwissenschaft und Kommunikationsforschung
17, 175–207.
Forchhammer, J. (1928). Kurze Einführung in die deutsche und allgemeine
Lautlehre. Indogermanische Bibliothek Bd. 10. Heidelberg:
Carl Winter.
Gay, T. (1968). Effect of speaking rate on diphthong formant movements.
Journal of the Acoustical Society of America 44, 1570–1573.
Gay, T. (1978). Effect of speaking rate on vowel formant movements.
Journal of the Acoustical Society of America 63, 223–230.
Gibbon, D., R. Moore und R. Winski (Hrsg.) (1997). Handbook of Standards
and Resources for Spoken Language Systems. Berlin/New
York: Mouton de Gruyter.
Godfrey, J. J., E. C. Holliman und J. McDaniel (1992). SWITCH-
BOARD: Telephone speech corpus for research and development.
In Proceedings IEEE Conference on Acoustics, Speech and Signal
Processing, Volume 1, San Francisco, pp. 517–520.
Goldsmith, J. (1990). Autosegmental and Metrical Phonology. Oxford:
Blackwell.
Grützmacher, M. (1927). Eine neue Methode der Klanganalyse. Elektrische
Nachrichtentechnik 4, 533.
Hall, T. A. (1993). The phonology of German ]_^`] . Phonology 10, 83–
105.
Heid, S., M.-B. Wesenick und C. Draxler (1995). Phonetic analysis of
vowel segments in the PhonDat data base of spoken German. In
Proc. XIIIth ICPhS, Volume 4, Stockholm, pp. 416–419.

223
Hemphill, C. T., J. J. Godfrey und G. R. Doddington (1990). The ATIS
spoken language systems pilot corpus. In Proc. of the Speech and
Natural Language Workshop, Hidden Valley, PA, pp. 96–101.
Henton, G. (1995). Cross-language variation in the vowels of female
and male speakers. In Proc. XIIIth ICPhS, Volume 4, Stockholm,
pp. 420–423.
Hillenbrand, J., L. A. Getty, M. J. Clark und K. Wheeler (1995). Acoustic
characteristics of American English vowels. Journal of the
Acoustical Society of America 97, 3099–3111.
Holbrook, A. und G. Fairbanks (1962). Diphthong formants and their
movements. Journal of Speech and Hearing Research 5, 33–58.
Iivonen, A. (1970). Experimente zur Erklärung der spektralen Variation
deutscher Phonemrealisationen. Commentationes Humanarum
Litterarum, Volume 45. Helsinki: Societas Scientiarum Fennica.
Iivonen, A. (1979). Zum Studium deutscher Vokale: Formantmessungen
und auditive Simulierung des Vokalspektrums. In K. Ezawa,
K. Rensch und W. Bethge (Hrsg.), Sprache und Sprechen. Festschrift
für Eberhard Zwirner zum 80. Geburtstag. Niemeyer.
Iivonen, A. (1983). Zur Frage der regionalen Variation der hochdeutschen
betonten Monophthonge. Neuphilologische Mitteilungen 84,
45–52.
Iivonen, A. (1984). Die hochdeutschen und schweizerhochdeutschen
betonten Monophthonge. In Proc. Xth ICPhS, Volume IIB,
Dordrecht, pp. 191–196. Foris.
Iivonen, A. (1987a). Monophthonge des gehobenen Wienerdeutsch. Folia
Linguistica 21, 293–336.
Iivonen, A. (1987b). Regional differences in the realization of Standard
German vowels. In Proc. XIth ICPhS, Volume 4, Tallinn, pp. 161–
164.
Iivonen, A. (1993). Hochsprachliche Realisierung auf alemannischem
Hintergrund. In M. Bonner, E. Braun und H. Fix (Hrsg.), Thematische
und systematische Festschrift zum 70. Geburtstag von Max
Mangold, pp. 168–183. Saarbrücken: Saarbrücker Druckerei und
Verlag.

224 Literatur
a
Indefrey, H., W.-J. Hess und G. Seeser (1985). Design and evaluation
of double-transform pitch determination algorithms with nonlinear
distortion in the frequency domain - preliminary results. In Proc.
IEEE Int. Conf. ASSP-85, Paper 635.
IPDS (1994). The Kiel Corpus of Read Speech, Volume 1, CD-ROM#1.
Kiel: Institut für Phonetik und digitale Sprachverarbeitung.
IPDS (1995). The Kiel Corpus of Spontaneous Speech, Volume 1, CD-
ROM#2. Kiel: Institut für Phonetik und digitale Sprachverarbeitung.
IPDS (1996). The Kiel Corpus of Spontaneous Speech, Volume 2, CD-
ROM#3. Kiel: Institut für Phonetik und digitale Sprachverarbeitung.
IPDS (1997a). The Kiel Corpus of Spontaneous Speech, Volume 3,
CD-ROM#4. Kiel: Institut für Phonetik und digitale Sprachverarbeitung.
IPDS (1997b). xassp User’s Manual (Advanced Speech Signal Processor
under the X Window System). In A. P. Simpson, K. J. Kohler
und T. Rettstadt (Hrsg.), The Kiel Corpus of Read/Spontaneous
Speech — Acoustic data base, processing tools and analysis results,
AIPUK 32, pp. 31–115.
Jakobson, R., G. Fant und M. Halle (1952). Preliminaries to Speech
Analysis. Cambridge: MIT Press.
Jones, D. (1917). English Pronouncing Dictionary. London: Dent.
Jones, D. (1967). The Phoneme: Its Nature and Use (3 Aufl.). Cambridge:
Heffer.
Jørgensen, H. (1969). Die gespannten und ungespannten Vokale in der
norddeutschen Hochsprache mit einer spezifischen Untersuchung
der Struktur ihrer Formantfrequenzen. Phonetica 19, 217–245.
Karger, R. und W. Wahlster (1994). VERBMOBIL Handbuch. Verbmobil
Technisches Dokument Nr. 17. Saarbrücken: DFKI.
Kent, R. D. und C. Read (1992). The Acoustic Analysis of Speech. San
Diego/London: Singular.
Klatt, D. H. (1980). Software for a cascade/parallel synthesizer. Journal
of the Acoustical Society of America 67, 971–995.

225
Klatt, D. H. und L. C. Klatt (1990). Analysis, synthesis, and perception
of voice quality variations among female and male talkers. Journal
of the Acoustical Society of America 87, 820–857.
Knowles, G. und P. Alderson (1995). Working with speech: The computational
analysis of formal British English speech. London: Longmans.
Kohler, K. J. (1977). Einführung in die Phonetik des Deutschen. Berlin:
Erich Schmidt.
Kohler, K. J. (1992a). Automatische Generierung der kanonischen
Transkription und des Aussprachelexikons. In K. J. Kohler (Hrsg.),
Phonetisch-akustische Datenbasis des Hochdeutschen: Kieler Arbeiten
zu den PHONDAT-Projekten 1989–1992, AIPUK 26, pp.
175–196.
Kohler, K. J. (Hrsg.) (1992b). Phonetisch-akustische Datenbasis des
Hochdeutschen: Kieler Arbeiten zu den PHONDAT-Projekten
1989–1992. AIPUK 26.
Kohler, K. J. (1994). Glottal stops and glottalization in German. Data
and theory of connected speech processes. Phonetica 51, 38–51.
Kohler, K. J. (1995a). Einführung in die Phonetik des Deutschen (2
Aufl.). Berlin: Erich Schmidt.
Kohler, K. J. (1995b). PROLAB - the Kiel system of prosodic labelling.
In Proc. XIIIth ICPhS, Volume 3, Stockholm, pp. 162–165.
Kohler, K. J. (1995c). The realization of plosives in nasal/lateral environments
in spontaneous speech in German. In Proc. XIIIth ICPhS,
Volume 2, Stockholm, pp. 210–213.
Kohler, K. J., G. Lex, M. Pätzold, M. T. M. Scheffers, A. P. Simpson und
W. Thon (1994). Handbuch zur Datenaufnahme und Transliteration
in TP14 von Verbmobil - 3.0. Verbmobil Technisches Dokument
Nr. 11.
Kohler, K. J., M. Pätzold und A. P. Simpson (1995). From scenario to
segment: the controlled elicitation, transcription, segmentation and
labelling of spontaneous speech. AIPUK 29.
Kohler, K. J., M. Pätzold und A. P. Simpson (1997). Von der akustischen
Datensammlung zu einer etikettierten Sprachdatenbasis für
das gesprochene Standarddeutsch. AIPUK 32a.

226 Literatur
b
Koopmans-van Beinum, F. J. (1980). Vowel Contrast Reduction: an
Acoustic and Perceptual Study of Dutch Vowels in Various Speech
Conditions. Amsterdam: Academische Pers B.V.
Krech, H., E.-M. Krech, E. Kurka, H. Stelzig, E. Stock, U. Stötzer und
R. Teske (Hrsg.) (1964). Wörterbuch der deutschen Aussprache (2
Aufl.). Leipzig: VEB Verlag Enzyklopädie Leipzig.
Ladefoged, P. (1996). Elements of Acoustic Phonetics. Chicago: The
University of Chicago Press.
Ladefoged, P. und I. Maddieson (1996). The Sounds of the World’s Languages.
Oxford: Basil Blackwell.
Lamel, L., R. Kassel und S. Seneff (1986). Speech database development:
design and analysis of the acoustic-phonetic corpus. In
Proc. DARPA Speech Recognition Workshop, pp. 100–109.
Lass, R. (1984). Phonology. An Introduction to Basic Concepts. Cambridge:
Cambridge University Press.
Laver, J. (1980). The phonetic description of voice quality. Cambridge:
Cambridge University Press.
Lee, K.-F., H.-W. Hon und R. Reddy (1990). An overview of the
SPHINX speech recognition system. In A. Waibel und K.-F. Lee
(Hrsg.), Readings in Speech Recognition, pp. 600–610. San Mateo,
CA: Kaufmann.
Lehiste, I. (1964). Acoustical characteristics of some English consonants.
The Hague: Mouton.
Lehiste, I. und G. E. Peterson (1961). Transitions, glides and diphthongs.
Journal of the Acoustical Society of America 33, 268–
277.
Lindblom, B. (1963). Spectrographic study of vowel reduction. Journal
of the Acoustical Society of America 35, 1773–1781.
Lindblom, B. (1990). Explaining phonetic variation: a sketch of the H
and H theory. In W. J. Hardcastle und A. Marchal (Hrsg.), Speech
production and speech modeling., pp. 403–439. Dordrecht: Kluwer
Academic Publishers.
Lindblom, B., S. A. Brownlee und R. Lindgren (1996). Formant undershoot
and speaking styles: An attempt to resolve some controversial

227
issues. In A. P. Simpson und M. Pätzold (Hrsg.), Sound Patterns
of Connected Speech: Description, Models, and Explanation, AI-
PUK 31, pp. 119–130.
Lindblom, B. und S.-J. Moon (1988). Formant undershoot in clear and
citation-form speech. Perilus VIII, 21–33.
Local, J. K. (1982). Modelling intonational variability in children’s
speech. In S. Romaine (Hrsg.), Sociolinguistic Variation in Speech
Communities. London: Edward Arnold.
Local, J. K. (1992). Modeling assimilation in nonsegmental, rule-free
synthesis. In G. Docherty und D. R. Ladd (Hrsg.), Papers in Laboratory
Phonology II: Gesture, Segment, Prosody, pp. 190–223.
Cambridge: Cambridge University Press.
Local, J. K. und J. Kelly (1986). Projection and ‘silences’: notes on
phonetic detail and conversational structure. Human Studies 9, 185–
204.
Local, J. K., J. Kelly und W. H. G. Wells (1986). Some phonetic aspects
of turn-delimitation in the speech of Urban Tynesiders. Journal of
Linguistics 22, 411–437.
Local, J. K. und R. Ogden (1997). A model of timing for nonsegmental
phonological structure. In J. P. H. v. Santen, R. W. Sproat, J. P. Olive
und J. Hirschberg (Hrsg.), Progress in Speech Synthesis, pp. 109–
121. Berlin/Heidelberg/New York/Tokyo: Springer.
Local, J. K., W. H. G. Wells und M. Sebba (1986). Phonetic aspects
of turn delimitation in London Jamaican. Journal of Pragmatics 9,
309–330.
Macaulay, R. K. S. (1978). Variation and consistency in Glaswegian
English. In P. Trudgill (Hrsg.), Sociolinguistic Patterns in British
English, pp. 132–143. Edward Arnold.
MacCarthy, P. (1975). The Pronunciation of German. London: Oxford
University Press.
Maurer, D., N. Cook, T. Landis und C. D’Heureuse (1992). Are measured
differences between the formants of men, women and children
due to Fc differences? Journal of the International Phonetic Association
21, 66–79.

228 Literatur
d
Meier, H. (1967). Deutsche Sprachstatistik (2 Aufl.), Volume 1. Hildesheim:
Georg Olms.
Meinhold, G. (1973). Deutsche Standardaussprache. Lautschwächungen
und Formstufen. Jena: Friedrich-Schiller-Universität.
Meinhold, G. (1989). Das problematische [e ]. In Slembek (Hrsg.), Von
Lauten und Leuten. Festschrift für Peter Martens zum 70. Geburtstag
(Sprache und Sprechen 21), pp. 119–125. Frankfurt am Main:
Scriptor Verlag.
Meinhold, G. und E. Stock (1982). Phonologie der deutschen Gegenwartssprache
(2 Aufl.). Leipzig: VEB Bibliographisches Institut
Leipzig.
Menzerath, P. und A. d. Lacerda (1933). Koartikulation, Steuerung und
Lautabgrenzung. Phonetische Studien 1. Berlin/Bonn: Dümmlers.
Meyer-Eppler, W. (1959). Zur Spektralstruktur der /r/-Allophone des
Deutschen. Akustica 9, 246–250.
Milroy, J. und L. Milroy (1985). Linguistic change, social network and
speaker innovation. Journal of Linguistics 21, 339–384.
Mohanan, K. P. (1986). The Theory of Lexical Phonology. Dordrecht:
Reidel.
Moon, S.-J. (1991). An acoustic and perceptual study of undershoot in
clear and citation-form speech. Ph. D. thesis, University of Texas at
Austin.
Moon, S.-J. und B. Lindblom (1994). Interaction between duration,
context, and speaking style in English stressed vowels. Journal of
the Acoustical Society of America 96, 40–55.
Moulton, W. G. (1947). Juncture in Modern Standard German. Language
23, 212–226.
Narahara, Y. und H. Shimoda (1977). Akustisch-phonetische Studie
über die deutschen Vokale. In Y. Narahara, T. Okamoto und H. Shimoda
(Hrsg.), Beiträge zur Phonetik des Deutschen, Forum Phoneticum
14, pp. 1–43. Hamburg: Buske.
Narahara, Y., H. Shimoda und T. Okamoto (1977). Akustischphonetische
Studie über die deutschen Diphthonge. In Y. Narahara,
T. Okamoto und H. Shimoda (Hrsg.), Beiträge zur Phonetik des
Deutschen, Forum Phoneticum 14, pp. 44–85. Hamburg: Buske.

229
Nord, L. (1975). Vowel reduction — centralization or contextual assimilation?
In G. Fant (Hrsg.), Proceedings of the Speech Communication
Seminar, Stockholm, pp. 149–154. Almqvist & Wiksell.
Nord, L. (1986). Acoustic studies of vowel reduction in Swedish. STL-
QPSR 4/1986, 19–36.
Öhman, S. E. G. (1966). Coarticulation in VCV utterances: Spectrographic
measurements. Journal of the Acoustical Society of America
39, 151–168.
Pätzold, M. (1997). KielDat – data bank utilities for the Kiel Corpus. In
A. P. Simpson, K. J. Kohler und T. Rettstadt (Hrsg.), The Kiel Corpus
of Read/Spontaneous Speech — Acoustic data base, processing
tools and analysis results, AIPUK 32, pp. 117–126.
Pätzold, M., M. Scheffers, A. P. Simpson und W. Thon (1995). Controlled
elicitation and processing of spontaneous speech in Verbmobil.
In Proc. XIIIth ICPhS, Volume 3, Stockholm, pp. 314–317.
Pätzold, M. und A. P. Simpson (1994). Das Kieler Szenario zur Terminabsprache.
Verbmobil Memo Nr. 53.
Pätzold, M. und A. P. Simpson (1997). Acoustic analysis of German
vowels in the Kiel Corpus of Read Speech. In A. P. Simpson, K. J.
Kohler und T. Rettstadt (Hrsg.), The Kiel Corpus of Read/Spontaneous
Speech — Acoustic data base, processing tools and analysis
results, AIPUK 32, pp. 215–247.
Peterson, G. und H. Barney (1952). Control methods used in the study
of vowels. Journal of the Acoustical Society of America 24, 175–
184.
Peterson, G. und I. Lehiste (1960). Duration of syllable nuclei in English.
Journal of the Acoustical Society of America 32, 693–703.
Pike, K. L. (1943). Phonetics. A critical analysisof phonetic theory and
a technic for the practical description of sounds. Ann Arbor: The
University of Michigan Press.
Pompino-Marschall, B. (1995). Einführung in die Phonetik. Berlin/New
York: Walter de Gruyter.
Potter, R. K., G. A. Kopp und H. G. Kopp (1966). Visible Speech. New
York: Dover Publications.

230 Literatur
f
Ramers, K. H. (1988). Vokalquantität und -qualität im Deutschen. Linguistische
Arbeiten 213. Tübingen: Niemeyer.
Rausch, A. (1972). Untersuchungen zur Vokalartikulation im Deutschen.
In H. Kelz und A. Rausch (Hrsg.), Beiträge zur Phonetik.
IPK-Forschungsberichte, Volume 30.
Roach, P. J., G. O. Knowles, T. Varadi und S. C. Arnfield (1994). MAR-
SEC: A MAchine-Readable Spoken English Corpus. Journal of the
International Phonetic Association 23(2), 47–54.
Rodgers, J. E. J., P. Helgason und K. J. Kohler (1997). Segment deletion
in the Kiel Corpus of Spontaneous Speech. In A. P. Simpson, K. J.
Kohler und T. Rettstadt (Hrsg.), The Kiel Corpus of Read/Spontaneous
Speech — Acoustic data base, processing tools and analysis
results, AIPUK 32, pp. 127–176.
Romaine, S. (1978). Postvocalic /r/ in Scottish English: sound change in
progress? In P. Trudgill (Hrsg.), Sociolinguistic Patterns in British
English, pp. 144–157. Edward Arnold.
Saito, S. und K. Nakata (1985). Fundamentals of speech signal processing.
Tokyo/Orlando/London: Academic Press.
Schäfer-Vincent, K. (1982). Significant points: Pitch period detection
as a problem of segmentation. Phonetica 39, 241–253.
Schäfer-Vincent, K. (1983). Pitch period detection and chaining: Method
and evaluation. Phonetica 40, 177–202.
Scheffers, M. T. M. und A. P. Simpson (1995). LACS: Label assisted
copy synthesis. In Proc. XIIIth ICPhS, Volume 2, Stockholm, pp.
346–349.
Sendlmeier, W. (1982). Der Einfluß von Qualität und Quantität auf die
Perzeption betonter Vokale des Deutschen. Phonetica 38, 291–308.
Seneff, S., J. Glass, D. Goddeau, D. Goodine, L. Hirschman, H. Leung,
M. Philips, J. Polifroni und V. Zue (1991). Development and preliminary
evaluation of the MIT ATIS system. In Proc. of the Speech
and Natural Language Workshop, Pacific Grove, CA, pp. 88–93.
Shockey, L. (1974). Phonetic and Phonological Properties of Connected
Speech. Ph. D. thesis, Ohio State University, Ohio.
Siebs, T. (1927). Deutsche Bühnenaussprache. Berlin: Ahn & Simrock.

231
Simpson, A. P. (1991). Writing phonological statements from naturally
occurring talk: an experiment in method. Ph. D. thesis, University
of York.
Simpson, A. P. (1992). Casual speech rules and what the phonology of
connected speech rules might really be like. Linguistics 30, 535–
548.
Simpson, A. P. und M. T. M. Scheffers (1996). Knowledge-based copy
synthesis as a tool in connected speech research. In A. P. Simpson
und M. Pätzold (Hrsg.), Sound Patterns of Connected Speech: Description,
Models, and Explanation, AIPUK 31, pp. 165–172.
Son, R. J. J. H. v. und L. C. W. Pols (1990). Formant frequencies of
Dutch vowels in a text, read at normal and fast rate. Journal of the
Acoustical Society of America 88(4), 1683–1693.
Sotschek, J. (1976a). Methoden zur Messung der Sprachgüte I: Verfahren
zur Bestimmung der Satz- und Wortverständlichkeit. Der Fernmeldeingenieur
30(10), 1–31.
Sotschek, J. (1976b). Methoden zur Messung der Sprachgüte II: Verfahren
zur Bestimmung der Satz- und Wortverständlichkeit. Der Fernmeldeingenieur
30(12), 1–33.
Sovijärvi, A. (1965). Der mokschamordvinische g -Vokal im Lichte der
Sonagramme. In Publicationes instituti phonetici universitatis Helsingiensis,
Volume 20, Helsinki.
Sproat, R. und O. Fujimura (1993). Allophonic variation in English /l/
and its implications for phonetic implementation. Journal of Phonetics
21, 291–311.
Stevens, K. N. (1987). Interaction between acoustic sources and vocaltract
configurations for consonants. In Proc. XIth ICPhS, Volume 3,
Tallinn, pp. 385–389.
Stevens, K. N. (1989). On the quantal nature of speech. Journal of Phonetics
17, 3–45.
Stevens, K. N. und C. A. Bickley (1991). Constraints among parameters
simplify control of Klatt formant synthesizer. Journal of Phonetics
19, 161–174.

232 Literatur
h
Stevens, K. N. und A. S. House (1963). Perturbation of vowel articulations
by consonantal context: An acoustical study. Journal of Speech
and Hearing Research 6, 111–128.
Stevens, K. N., A. S. House und A. P. Paul (1966). Acoustical description
of syllabic nuclei: An interpretation in terms of a dynamic model
of articulation. Journal of the Acoustical Society of America 40,
123–132.
Sütterlin, L. (1908). Die Lehre von der Lautbildung. Leipzig: Quelle &
Meyer.
Sweet, H. (1877). Handbook of Phonetics. Oxford: Clarendon Press.
Sweet, H. (1890). A Primer of Phonetics. Oxford: Clarendon Press.
Swerts, M. und R. Collier (1992). On the controlled elicitation of spontaneous
speech. Speech Communication 11, 463–468.
Thon, W. und W. v. Dommelen (1992). PHONDAT90: Rechnerverarbeitbare
Sprachaufnahmen eines umfangreichen Korpus des Deutschen.
In K. J. Kohler (Hrsg.), Phonetisch-akustische Datenbasis
des Hochdeutschen: Kieler Arbeiten zu den PHONDAT-Projekten
1989–1992, AIPUK 26, pp. 41–79.
Tillmann, H. G., C. Draxler, K. Kotten und F. Schiel (1995). The phonetic
goals of the new Bavarian Archive for Speech Signals. In Proc.
XIIIth ICPhS, Volume 4, Stockholm, pp. 550–553.
Traunmüller, H. (1990). Analytical expressions for the tonotopic sensory
scale. Journal of the Acoustical Society of America 88, 97–100.
Trubetzkoy, N. S. (1939). Grundzüge der Phonologie. Travaux du cercle
linguistique de Prague 7. Prague.
Trudgill, P. (1974). The Social Differentiation of English in Norwich.
Cambridge: Cambridge University Press.
Ulbrich, H. (1972). Instrumentalphonetisch-auditive R-
Untersuchungen im Deutschen. Schriften zur Phonetik und
Kommunikationsforschung Nr. 13. Berlin: Akademie Verlag.
URL (1). http://andosl.anu.edu.au/andosl/ANDOSLhome.html. Australian
National Database of Spoken Language.
URL (2). http://www.phonetik.uni-muenchen.de/Bas/BasHomeeng.html.
Bavarian Archive for Speech Signals.

URL (3). http://www.cstr.ed.ac.uk/artic/accor.html. EUR-ACCOR.
URL (4). http://www.ldc.upenn.edu/. Linguistic Data Consortium.
233
URL (5). http://www.ldc.upenn.edu/ldc/catalog/html/speech html/scr.html.
Linguistic Data Consortium.
URL (6). http://www.biostat.wisc.edu/ubeam/xray.html. University of
Wisconsin.
Viëtor, W. (1894). Elemente der Phonetik des Deutschen, Englischen
und Französischen. Leipzig: Reisland.
Viëtor, W. (1925). Die Aussprache des Schriftdeutschen (11 Aufl.).
Leipzig: Reisland.
Vogten, L. M. (1983). Analyse, zuinige codering en resynthese van
spraakgeluid. Ph. D. thesis, Eindhoven University of Technology.
Wängler, H.-H. (1963). Grundriß einer Phonetik des Deutschen (mit
einer allgemeinen Einführung in die Phonetik). Marburg: Elwert.
Wells, J. C., W. J. Barry und A. J. Fourcin (1989). Transcription, labelling
and reference. In A. J. Fourcin, G. Harland, W. J. Barry und
V. Hazan (Hrsg.), Speech Technology Assessment. Towards Standards
and Methods for the EUROPEAN COMMUNITY, pp. 141–
159. Chichester: Ellis Horwood.
Westbury, J. R. (1994). X-ray microbeam speech production database
user’s handbook, version 1.0. Madison WI.
Willems, L. F. (1987). Robust formant analysis for speech synthesis. In
Proc. of European Conference of Speech Technology, Volume 1, pp.
250–253.
Zacher, O. (1969). Deutsche Phonetik. Leningrad: Verlag Bildung.
Zwicker, E. und H. Fastl (1990). Psychoacoustics. Facts and Models.
Berlin: Springer.