WpÅyw separacji przestrzennej ÅºrÃ³deÅ zakÅÃ³cajÄcych na ...

Uniwersytet im. Adama Mickiewicza 

w Poznaniu 

Wydział Fizyki 

Instytut Akustyki 

Pracownia Psychofizyczna 1 

Wpływ separacji przestrzennej źródeł zakłócających na zrozumiałość 

mowy polskiej 

Opracowanie oraz ©: 

dr Jędrzej Kociński 

1

Spis treści 

Spis treści ................................................................................................................................... 2 

Wstęp.......................................................................................................................................... 4 

1 Charakterystyka mowy....................................................................................................... 5 

1.1 Wytwarzanie dźwięków mowy .................................................................................. 5 

1.1.1 Narząd głosu....................................................................................................... 5 

1.1.2 Zjawiska segmentalne ........................................................................................ 8 

1.1.2.1 Głoski ............................................................................................................. 9 

1.1.2.2 Samogłoski i spółgłoski ............................................................................... 10 

1.1.2.3 Sylaba. Funkcjonalna definicja samogłoski................................................. 10 

1.1.2.4 Logatomy ..................................................................................................... 10 

1.1.2.5 Wyrazistość i zrozumiałość mowy............................................................... 11 

1.1.3 Artykulacja....................................................................................................... 12 

1.1.3.1 Fonem........................................................................................................... 13 

1.1.3.2 Sposób i miejsce artykulacji......................................................................... 15 

1.1.3.3 Koartykulacja ............................................................................................... 16 

1.2 Suprasegmentalne cechy mowy ............................................................................... 16 

1.2.1 Rytm................................................................................................................. 16 

1.2.2 Intonacja........................................................................................................... 16 

1.2.3 Akcent .............................................................................................................. 17 

1.3 Fizyczne cechy mowy .............................................................................................. 17 

1.3.1 Widmo mowy................................................................................................... 18 

1.3.2 Średni poziom ciśnienia akustycznego mowy dla kobiet i mężczyzn.............. 19 

1.3.3 Zakres częstotliwości dla głosów męskich i kobiecych ................................... 20 

1.4 Analiza mowy .......................................................................................................... 20 

1.5 Podstawowe aspekty percepcji mowy oraz jej badanie ........................................... 22 

1.5.1 Percepcja kategorialna...................................................................................... 23 

1.5.2 Redundancja sygnału mowy............................................................................. 24 

1.5.3 Modele percepcji.............................................................................................. 24 

1.5.3.1 Modele Aktywne .......................................................................................... 24 

1.5.3.2 Model Pasywny............................................................................................ 25 

1.5.4 Treść lingwistyczna a percepcja mowy............................................................ 26 

1.5.5 Badanie percepcji mowy .................................................................................. 27 

1.5.5.1 Pomiary percepcji mowy.............................................................................. 27 

1.5.5.2 Kryteria lingwistyczne doboru list odsłuchowych ....................................... 27 

1.5.5.3 Dodatkowe czynniki wpływające na zrozumiałość mowy .......................... 28 

2 Słyszenie binauralne......................................................................................................... 30 

2.1 Czynniki lokalizacyjne............................................................................................. 31 

2.2 Lateralizacja dźwięku............................................................................................... 34 

2.3 Binauralne różnice poziomu maskowania................................................................ 36 

2.4 Binauralna różnica poziomu maskowania a zrozumiałość mowy ........................... 40 

3 3. Przestrzenne odmaskowywanie mowy. Supresja przestrzenna.................................... 43 

4 Eksperyment..................................................................................................................... 51 

4.1 Generacja I rejestracja sygnałów.............................................................................. 51 

4.2 Konfiguracja przestrzenna źródeł w kabinie bezechowej ........................................ 51 

4.3 Prezentacja sygnałów ............................................................................................... 52 

4.4 Program sterujący..................................................................................................... 54 

4.5 Plik wyjściowy ......................................................................................................... 56 

5 Bibliografia....................................................................................................................... 57 

2

6 Dodatki............................................................................................................................. 61 

6.1 Dodatek 1. Podział polskich samogłosek i spółgłosek............................................. 61 

6.2 Dodatek 2. Ciśnienie skuteczne, p 

rms 

...................................................................... 63 

3

Wstęp 

W otaczającym nas środowisku praktycznie nieustannie dochodzą do nas dźwięki 

pochodzące z różnych źródeł zlokalizowanych w różnych miejscach przestrzeni. Można więc 

z całą pewnością stwierdzić, iż oprócz źródeł istotnych dla słuchacza (np. rozmówca), 

współistnieje także wiele innych źródeł powodujących różnego rodzaju zakłócenia. Tak więc 

komunikacja zostaje często utrudniona ponieważ normalnie słyszalne sygnały mogą być 

maskowane przez współistniejące z nimi zakłócenia. W skrajnych przypadkach (przy bardzo 

niskich stosunkach sygnału do szumu 1 ), w wyniku maskowania sygnał mowy nie może 

efektywnie pobudzać receptorów nerwowych, które normalnie by stymulował, ponieważ 

receptory te odpowiadają już na o wiele bardziej intensywny szum. Te dodatkowe sygnały 

wpływają więc w istotny sposób na zdolność słuchacza do prawidłowego odbioru i 

zrozumienia informacji. Niezdolność do słyszenia i rozumienia mowy może, jak łatwo się 

domyślić, powodować wiele znaczących problemów. 

Jednak trzeba pamiętać, że nasz układ słuchowy ma niepowtarzalną zdolność do 

rozseparowania poszczególnych źródeł i selekcjonowana z nich istotnej dla niego informacji. 

Zdolność ta jest często nazywana efektem „coctail party”. Mimo tego w przypadku obecności 

zakłóceń zrozumiałość mowy może ulec znacznemu obniżeniu, a co za tym idzie- informacja 

docierająca do słuchacza może nie być odebrana w całości i właściwie zinterpretowana. 

Z tego właśnie powodu zaczęto badać wzajemny wpływ sygnałów na siebie oraz 

zdolność słuchu do odbioru informacji przy jednoczesnym jej maskowaniu. Pojawiło się 

wiele prac poświęconych przestrzennemu odmaskowywaniu mowy na tle różnego rodzaju 

zakłóceń: szumów, czy też innej mowy, itp. (np. Licklider, 1948; Dirks i Wilson, 1969; 

Plomp i Mimpen, 1981; Bronkhorst i Plomp, 1988; Bronkhorst i Plomp, 1990; Hewley, 

Litovsky i Colburn, 1999). Wskazano na zmiany zrozumiałości (lub też progu rozumienia 

mowy) w zależności od wzajemnego przestrzennego położenia źródła sygnału i zakłócenia, 

nie zmieniano przy tym stosunku sygnału do szumu (czy innego zakłócenia). Z badań tych 

widać wyraźnie, że ogromny wpływ na poprawę zrozumiałości mowy ma przestrzenne 

rozseparowanie źródeł sygnału i zakłóceń. 

Ponadto w sytuacji, w której występuje wiele rozseparowanych przestrzennie zakłóceń 

może dochodzić do tzw. supresji przestrzennej, czyli „wzajemnego tłumienia” sygnałów 

zakłócających, prowadzącego do polepszenia zrozumiałości mowy. Okazuje się bowiem, że 

dwa sygnały maskujące mające ten sam poziom całkowity, ale dochodzące z różnych 

kierunków są często mniej skutecznymi maskerami niż jeden masker o tym samym poziomie. 

Stąd też mówi się często o „wzajemnym tłumieniu” się dwóch sygnałów maskujących, choć 

jest to jedynie zmniejszenie maskujących właściwości szumu. Supresja przestrzenna jest więc 

efektem psychologicznym, nie mającym nic wspólnego z fizycznym tłumieniem sygnałów. 

1 Często stosunek sygnału do szumu oznacza się skrótem SNR (z ang. signal-to-noise ratio). 

4

1 Charakterystyka mowy 

Sygnał mowa, ze względu na swą rolę, zajmuje szczególne miejsce wśród dźwięków 

percypowanych przez człowieka. Służy bowiem do komunikowania się między ludźmi. 

Mowa stanowi zbiór dźwięków o określonym brzmieniu, które są przekazywane za pomocą 

głosu. Sposób wytwarzania mowy jest już dobrze poznany i szczegółowo opisany, jednakże 

dokładny opis jej percepcji stanowi do dzisiaj poważne wyzwanie. Powstało już wiele modeli 

próbujących wyjaśnić ten proces. 

1.1 WYTWARZANIE DŹWIĘKÓW MOWY 

Ozimek (2002) wyróżnia kilka procesów związanych bezpośrednio z wytwarzaniem 

dźwięków mowy, takich, jak: 

• proces psychologiczny- konceptualizacja informacji zamierzonej do przekazania; 

• proces neurologiczny- pobudzenie w ośrodkowym układzie nerwowym oraz na drodze 

eferentnej mięśni narządów mowy; 

• proces fizjologiczny- artykulacja, czyli działalność narządów mowy; 

• proces aerodynamiczny- przepływ powietrza w torze głosowym i wzbudzenie drgań o 

złożonej strukturze widmowo-czasowej. 

Z fizycznego punktu widzenia najważniejsze są dwa ostatnie procesy. Dlatego też poniżej 

opisano nieco szerzej tor głosowy i podstawowe charakterystyki dźwięków mowy. 

1.1.1 Narząd głosu 

Wytwarzanie głosu i mowy wymaga ścisłego współdziałania ze sobą wielu narządów, 

które Pruszewicz (1992) dzieli na następujące narządy: 

• wytwarzające niezbędny strumień powietrza wydechowego (płuca, oskrzela, 

tchawica); 

• wytwarzające ton krtaniowy (krtań); 

• formujące barwę głosu i tworzące głoski mowy (nasada: gardło, jama nosowa, jama 

ustna). 

Na Rys. 1-1 przedstawiono schematycznie organy biorące udział w wytwarzaniu 

dźwięków mowy. 

5

Rys. 1-1. Organy biorące udział w wytwarzaniu dźwięków mowy. Rysunek zaadaptowano z 

(O'Shaughnessy, 2000). 

Przekrój toru głosowego został szczegółowo zaprezentowany na Rys. 1-2. Tor 

głosowy może być przyrównany do sprzężonych ze sobą elementów rezonansowych 

(odpowiadającym filtrom pasmowoprzepustowym), z rezonansami (nazywanymi formantami) 

oraz antyrezonansami. Ruch elementów toru głosowego zmienia jego parametry rezonansowe 

(przekroje w różnych jego miejscach), co w konsekwencji powoduje zmiany w odpowiedzi 

częstotliwościowej układu. W czasie przepływu powietrza przez tor głosowy, pewne 

częstotliwości są tłumione, a inne wzmacniane. Taki swoisty „filtr” wzmacnia energię w 

pobliżu formantów, tłumiąc jednocześnie energię pomiędzy formantami (antyrezonanse). 

Przekładając to na „język” filtrów, można stwierdzić, że rezonanse związane są z 

biegunami odpowiedzi częstotliwościowej takiego układu, natomiast wyciszenie 

powodowane jest przez występowanie zer w tej odpowiedzi. 

6

Rys. 1-2. Przekrój toru głosowego oraz jego części biorących udział w artykulacji :1- fałdy głosowe, 2- 

gardło, 3- podniebienie miękkie, 4- podniebienie twarde, 5- dziąsła, 6- zęby, 7- wargi, 8- język, 9- dolna 

szczęka, 10- jama nosowa, 11- jama ustna, 12- nozdrza, 13- tchawica, 14- głośnia. Rysunek zaadaptowano 

z (O'Shaughnessy, 2000). 

Tor głosowy często modeluje się za pomocą układu połączonych cylindrów o różnej 

powierzchni przekroju poprzecznego. Jednak trzeba pamiętać, iż rzeczywisty kształt jest 

znacznie bardziej złożony, gdyż ściany poszczególnych części toru mogę zmieniać kształty 

(Hamlet i in., 1986). Najbardziej ruchomymi częściami są język, dolne zęby oraz wargi zaś 

najbardziej złożonym (choć w zasadzie niemodyfikowalnym) elementem jest jama nosowa, 

składająca się z labiryntu przejść pokrytych błoną śluzową, bez struktur, których ruch jest 

zależny od woli człowieka. Ma ona dużą wewnętrzną powierzchnię w porównaniu do 

objętości (około 60 cm 3 , przy objętości zatok poniżej 20 cm 3 ) i pełni rolę tłumika dla fal 

dźwiękowych przez nią przechodzących (Feng i Castelli, 1996). 

Ruchy poszczególnych elementów toru głosowego są kontrolowane za pomocą 

mięśni. Układ mięśniowy krtani stanowią mięśnie zewnętrzne i wewnętrzne. Te pierwsze 

poruszają całą krtanią (unoszą ją, obniżają lub przesuwają ku tyłowi). Mięśnie wewnętrzne 

warunkują natomiast wzajemne ustawienie poszczególnych chrząstek krtaniowych i związane 

z tym zwężenie lub poszerzenie szpary głośni 2 , napięcie fałdów głosowych i zmianę ich 

kształtu. 

Pierwotną funkcją krtani jest regulacja przepływu powietrza przez głośnię. Poprzez jej 

podnoszenie i opuszczanie zmienia się długość toru głosowego, aby: 

• odpowiednio podwyższyć lub obniżyć częstotliwości formantowe; 

• powiększyć jamę gardła powodując trwające dłużej drganie fałdów głosowych; 

• ułatwić ruch wyższych części toru głosowego połączonych z krtanią. 

W czynności fonacyjnej krtani szczególną rolę odgrywa fałd głosowy, umożliwiający 

generowanie tonu krtaniowego, czyli pewnego pierwotnego dźwięku harmonicznego, 

stanowiącego zasadniczy składnik tzw. dźwięcznych części mowy. Podstawowymi 

składnikami fałdu głosowego są więzadła głosowe oraz mięsień głosowy. Pruszewicz (1992) 

dzieli fałd głosowy na dwie części o różnych właściwościach biofizycznych: mięsień głosowy 

i błonę śluzową. W błonie śluzowej wymienia trzy warstwy: powierzchniową, pośrednią, 

zbudowaną z włókien elastycznych i głęboką. Dwie ostatnie warstwy tworzą więzadło 

głosowe. Pełny rozwój budowy warstwowej fałdu głosowego następuje po osiągnięciu 

2 Szpara głośni- szpara w krtani ograniczona fałdami głosowymi. 

7

dojrzałości płciowej. W zależności od okresu życia osobniczego człowieka w fałdach 

głosowych zachodzą zmiany głównie w ilościowych stosunkach włókien mięśniowych. 

Jamę krtani podzielić można na trzy piętra: 

• piętro górne- przedsionek krtani łączący się z częścią krtaniową gardła; 

• piętro środkowe- jama pośrednia krtani; 

• piętro dolne- jama podgłośniowa. 

Do wytworzenia prawidłowego głosu niezbędne jest współdziałanie następujących 

elementów: 

• podgłośniowego zbiornika powietrza oddechowego, wytwarzającego podmuch o 

wysokim ciśnieniu; 

• sprawnie działającego mechanizmu drgającego, powodującego rytmiczne otwieranie i 

zamykanie głośni; 

• przestrzeni rezonacyjnych klatki piersiowej oraz gardła, jamy ustnej i jamy nosowej, 

które wybiórczo wzmacniają lub osłabiają niektóre składowe tonu krtaniowego i 

nadają mu charakterystyczną barwę. 

Pruszewicz (1992) interpretuje mechanizm drgania fałdów głosowych w następujący 

sposób: „Fałdy głosowe doprowadzone do zwarcia (...) z powodu wzrastającego ciśnienia 

podgłośniowego rozsuwają się, a następnie powracają do stanu zwarcia. W ten sposób 

powstają okresy zagęszczenia i rozrzedzenia słupa powietrznego. Częstość tych faz 

zagęszczenia i rozrzedzenia określa wysokość tonu krtaniowego. Powrót fałdów głosowych, 

po chwilowym rozsunięciu do fazy zwarcia tłumaczy się (...) siłą ssania, jaka powstaje przy 

przechodzeniu powietrza przez wąską szczelinę (...) i rytmicznymi, czynnymi, skurczami 

mięśni przywodzących fałdy głosowe. Taką funkcję fałdów głosowych zapewnia ich 

warstwowa budowa. (...) Moc, jaka powstaje przy przepływie strumienia powietrza między 

zwartymi fałdami głosowymi jest oceniana na około 0,5 W, z czego tylko 0,0005-0,5 % jest 

zamieniane na energię akustyczną, a reszta na ciepło; krążenie krwionośne i limfatyczne 

zapobiega nadmiernemu gromadzeniu się ciepła w fałdach głosowych. (...) Zwraca się też 

ostatnio uwagę na systemy nerwowej kontroli fonacji. Na kontrolę tę składa się: 1) 

nastawienie prefonacyjne (działanie dowolne), 2) działanie w czasie fonacji (nieświadome) 

poprzez układy odruchowe z błony śluzowej, mięśni i stawów krtani, 3) monitorowanie 

fonacji poprzez narząd słuchu (...)”. 

Do czynników wpływających na wysokość tonu krtaniowego można zaliczyć: 

• długość i napięcie fałdów głosowych- im fałd krótszy i bardziej napięty, tym ton jest 

wyższy; 

• masę i kształt fałdów głosowych- w zakresie tonów niskich fałdy są szerokie i drgają 

na całej długości. Ich napięcie jest względnie małe. Przy wzroście wysokości dźwięku 

zwiększa się nie tyko napięcie fałdów głosowych, ale stają się one cieńsze i drga ich 

krótszy odcinek. 

Te mechanizmy wystarczają do regulacji wysokości głosu podczas mowy; w czasie śpiewu 

wraz ze wzrostem wysokości tonu wydłużają się fałdy głosowe; wydłużenie to jest 

kompensowane wzrostem napięcia. 

Wytworzony w ten sposób dźwięk, zwany tonem krtaniowym, jest sygnałem 

harmonicznym. Jego składowa podstawowa ( F o 

) jest odpowiedzialna za percypowaną 

wysokość głosu. Trzeba tu podkreślić, iż wszystkie częstotliwości poszczególnych 

składowych ulegają wahaniom w czasie. 

1.1.2 ZJAWISKA SEGMENTALNE 

Aby w pełni zaprezentować sposoby artykulacji, metody analizy mowy i badania jej 

zrozumiałości, warto najpierw zdefiniować kilka pojęć z zakresu fonetyki i audiologii, które 

8

pojawią się w dalszej części tej pracy. Przedstawione zostaną więc definicje segmentu, głoski, 

samogłoski i spółgłoski oraz sylaby i logatomu. Definicja fonemu, dla zachowania większej 

przejrzystości, została natomiast przedstawiona w rozdziale poświęconym artykulacji. 

Pruszewicz (1992) definiuje segment jako „(...) fragment sygnału mowy, który w 

normalnych warunkach słyszenia daje nierozkładalne wrażenie dźwiękowe. Jest to zatem 

minimalny, percepcyjnie jednolity element mowy. W niektórych przypadkach zachodzi prosta 

relacja między segmentem a pisownią. Na przykład wyraz las składa się z trzech liter (postać 

graficzna), a zarazem z trzech segmentów (postać fonetyczna). Często jednak relacje takie są 

ilościowo i jakościowo złożone. (...) Zjawiska segmentalne dotyczą oddzielnych, kolejnych 

segmentów, suprasegmentalne natomiast obejmują pewne ciągi segmentów. Zjawiskiem 

suprasegmentalnym jest m. in. intonacja, której jednostki funkcjonalne rozciągają się 

niejednokrotnie na długie ciągi nawet kilkudziesięciu kolejnych segmentów (...)”. 

Segment można też interpretować jako „porcję” mowy, w której cechy fonetyczne 

(akustyczne lub artykulacyjne) pozostają względnie stałe. 

1.1.2.1 Głoski 

Głoski są najmniejszymi elementami fonetycznymi. Definiuje się je jako pojedynczy 

segment lub ciąg łącznie występujących w danym języku segmentów fonetycznych 

(zazwyczaj dwóch lub trzech), które klasyfikuje się wg następujących kryteriów 

artykulacyjnych: 

• mechanizm inicjowania przepływu powietrza- wyróżnia się tu mechanizm płucny 

(związany z ruchem żeber i przepony), mechanizm krtaniowy (polega na zamknięciu 

otworu głośni i wykonaniu ruchu krtanią w górę lub w dół) oraz mechanizm welarny 3 

(przez silne zwarcie tylnej części języka z podniebieniem miękkim i raptowne 

przesunięcie go w tył powstaje wewnątrz jamy ustnej przepływ powietrza do 

wewnątrz); 

• kierunek przepływu powietrza- w zależności od tego, czy powietrze zostaje wtłoczone 

do wewnątrz jamy ustnej, czy wypchnięte z niej, rozróżniamy głoski ingresywne i 

regresywne. W językach europejskich występują wyłącznie głoski regresywne; 

• tor przepływu powietrza- zależnie od tego, czy powietrze przepływa wyłącznie przez 

jamę ustną, wyłącznie przez nosową, czy też równocześnie obiema drogami, 

rozróżniamy głoski ustne, nosowe i ustno-nosowe; 

• rodzaj przewężenia w torze głosowym- każdemu segmentowi przypisać można jeden z 

kilku możliwych rodzajów przewężenia w określonym miejscu toru głosowego. 

Można tu wyróżnić następujące stany: 1) zwarcie- chwilowe całkowite zablokowanie 

przepływu powietrza, 2) przewężenie turbulencyjne- powoduje nieregularny ruch 

cząstek powietrza, a zatem nieperiodyczne drganie dające wrażenie szumu, 3) 

przewężenie niestabilne- powoduje stan, w którym lokalna turbulencja przyjmuje 

wartości minimalne, a wrażenie szumu jest zanikające, 4) przewężenie bezfrykcyjnejest 

na tyle szerokie, ze nie powstaje turbulencja, 5) wibracyjność- polega na 

wprowadzeniu aktywnego narządu ponadkrtaniowego w drganie o małej 

częstotliwości, rzędu kilkunastu Hz. Drganiom tym podlegają wargi, przód języka lub 

języczek, 6) uderzeniowość- rodzaj artykulacji polegający na jednorazowym 

uderzeniu przodu języka o wypukłość zębodołów lub języczka o tylną część grzbietu 

języka; 

• fonacja (stan krtani)- Pruszewicz (1992) rozróżnia następujące rodzaje fonacji: 

1)dźwięczna- wibracyjna: quasi periodyczne drgania więzadeł głosowych na całej ich 

długości, 2) bezdźwięczna: cała głośnia szeroko otwarta, 3) mormoracyjna: z wibracją 

3 Głoski tego typu są często używane w wielu językach afrykańskich i zwane mlaskami. 

9

tylko w przedniej części krtani, 4) charcząca: nieregularne drgania o średniej 

częstotliwości poniżej 50 Hz w przedniej części krtani, 5) blokowana: chwilowe, 

trwające kilkanaście do kilkudziesięciu ms zwarcie więzadeł głosowych na całej 

długości z wytworzeniem nadciśnienia podgłośniowego, 6) szept; zbliżenie więzadeł 

głosowych z wąską podłużną szczeliną powodującą turbulencję, 7) szeptanodźwięczna: 

więzadła napięte i drgające quasi periodycznie w przedniej części krtani z 

równoczesną turbulencją w części tylnej tworzącej wąską podłużną szczelinę. 

Na podstawie powyższych parametrów można rozróżnić dwa zasadnicze typy głosek: 

samogłoski i spółgłoski. 

1.1.2.2 Samogłoski i spółgłoski 

Samogłoski (głoski wokaliczne), są to głoski bezfrykcyjne, przy powstawaniu których 

uczestniczą jedynie więzadła głosowe, a strumień powietrza swobodnie przepływa przez 

kanał głosowy. Charakteryzują się regularnym rozkładem energii akustycznej (w dziedzinie 

czasu) i mają wyraźną strukturę formantową. 

Spółgłoska natomiast, to dźwięk języka mówionego powstający w wyniku 

całkowitego lub częściowego zablokowania przepływu powietrza przez aparat mowy (kanał 

głosowy). W czasie wymawiania spółgłosek powstaje szmer, gdy powietrze natrafia na 

przeszkodę (zwarcie, zbliżenie). 

Do opisu artykulacji spółgłoski stosuje się następujące kryteria: 

• sposób artykulacji, czyli stopień/sposób ograniczenia przepływu przez kanał 

głosowy, 

• miejsce artykulacji, czyli lokalizacja największego zbliżenia lub zwarcia narządów 

mowy, 

• narząd artykulacji biorący udział w tworzeniu zwężenia lub zwarcia, 

• udział więzadeł głosowych (dźwięczność/bezdźwięczność). 

1.1.2.3 Sylaba. Funkcjonalna definicja samogłoski 

Pruszewicz (1992) definiuje sylabę (zgłoskę) jako „ (...) ciąg głosek określony dla 

każdego języka przez uniwersalne prawidło zmiennej głośności segmentów oraz dodatkowo 

przez specyficzne dla danego języka reguły. Każda sylaba składa się co najmniej z części 

zwanej szczytem. Stanowi go głoska o maksymalnej głośności. W wypowiedzi ojciec czeka 

szczytami sylabicznymi są głoski odpowiadające literom o, a, dwa razy e. Tym samym 

wypowiedź składa się z czterech sylab. W polskim języku obowiązuje (...) zasada, iż za 

sylabotwórczy uznaje się tylko taki szczyt głośności, który jest segmentem wokalicznym. Z 

drugiej jednak strony nie każdy segment wokaliczny jest sylabotwórczy, gdyż nie każdy 

spełnia warunek maksymalnej lokalnie głośności. Samogłoską funkcjonalną jest w polskim 

języku samogłoska określona parametrycznie, czyli głoska wokaliczna stanowiąca szczyt 

sylaby. W rzadkich przypadkach określonych szczegółowymi regułami segment wokaliczny 

jest sylabotwórczy, jeśli nawet nie stanowi lokalnego maksimum głośności”. 

W języku polskim spółgłoski nie tworzą zasadniczo sylaby (są niesylabiczne). W 

niektórych jednak językach spółgłoski mogą być elementem sylabicznym. Przykładem może 

być tu język czeski, w którym spółgłoski r, l tworzą sylaby np. wyrazy: čtvrt (ćwierć), vlk 

(wilk), są jednosylabowe. 

1.1.2.4 Logatomy 

Logatomy zwane są często pseudowyrazami (w języku angielskim używa się 

określenia non-sense-words lub non-words). Są one wymówionymi naturalnie ciągami głosek, 

które nie występują w leksykonie danego języka, ale są skonstruowane w ścisłej zgodności z 

10

egułami fonotaktycznymi tego języka. Przykładami polskich logatomów są: trzygławrze 

/tʃɨgwavʒe/, pochosa /po’xosa/, itp. Listy logatomowe z powodu niskiej redundancji są 

najbardziej obiektywnymi testami wykorzystywanymi do wyznaczania wyrazistości mowy. 

Ponieważ logatomy nie mają znaczenia, słuchacz musi usłyszeć dokładnie wszystkie fonemy, 

by prawidłowo zrozumieć każdy z logatomów. 

1.1.2.5 Wyrazistość i zrozumiałość mowy 

Pojęcie wyrazistości odnosi się do tych elementów fonetycznych mowy, które nie 

mają określonego znaczenia semantycznego (np. głosek, zgłosek, logatomów itd.). Pojęcie 

zrozumiałości dotyczy zaś elementów mowy wyższego rzędu, mających określone znaczenie 

semantyczne lub zawierające określoną treść myślową (np. wyrazów, zdań). Jako miarę 

wyrazistości lub zrozumiałości mowy przyjmuje się często stosunek liczby poprawnie 

odebranych elementów fonetycznych do całkowitej liczby zaprezentowanych elementów. 

Można także wyznaczyć tzw. próg rozumienia mowy (z ang. Speech Reception Threshold, 

SRT), czyli taką wartość parametru względem którego mierzy się zrozumiałość mowy (np. 

SNR lub poziom ciśnienia akustycznego sygnału), przy której wyrazistość/zrozumiałość 

osiąga wartość 50 %. 

Jak się okazuje, zrozumiałość mowy jest dość złożoną funkcją wyrazistości, tj. 

poprawnego odbioru określonych elementów mowy. Elementy te bowiem niosą zróżnicowaną 

ilość informacji. Ogólnie przyjmuje się, że ilość informacji zawarta w samogłoskach jest 

raczej niewielka, natomiast zawartość informacji w spółgłoskach zależy od częstości ich 

występowania w danym języku. Na Rys. 1-3a pokazano zależność zrozumiałości wyrazów i 

zdań od wyrazistości sylab dla języka angielskiego. 

Wyrazistość i zrozumiałość wyznacza się bardzo często w obecności szumu 

maskującego. Jak wiadomo, maskujące działanie szumu powoduje podwyższenie progu 

słyszalności o pewną wartość lub zmienia głośność sygnału. Jeśli np. widmo szumu zbliżone 

jest do szumu białego, to wówczas próg słyszalności podwyższa się o pewną stałą wartość (do 

poziomu progu maskowania) i najefektywniej maskowane są te fragmenty sygnału mowy, 

których poziomy „leżą” poniżej poziomu szumu. Na Rys. 1-3b pokazano porównanie 

krzywych zrozumiałości (lub wyrazistości w przypadku logatomów) dla trzech rodzajów 

elementów mowy języka angielskiego: liczb, wyrazów w zdaniach i logatomów w zależności 

od wartości stosunku sygnału do szumu. Jak można zauważyć, zrozumiałość mowy zależy 

wyraźnie od rodzaju sygnałów testowych stosowanych w doświadczeniu. 

Głównym czynnikiem wpływającym na zmianę zrozumiałości niezniekształconej 

mowy jest stosunek sygnału do szumu (SNR). Fakt ten jest bezpośrednio związany ze 

zjawiskiem maskowania dźwięków, choć relacja między maskowaniem tonów prostych i 

dźwięków mowy jest wielce złożona. Przy percepcji mowy ważną rolę odgrywają bowiem 

dodatkowe czynniki, jak choćby kontekst. 

Dla określonego stosunku sygnału do szumu, najlepszą zrozumiałość osiąga się dla 

testów liczbowych, słabszą dla wyrazów w zdaniach, a zdecydowanie najsłabszą dla 

logatomów. Zrozumiałość liczb dąży do 100% już przy stosunkowo niskich SNR, inaczej niż 

to ma miejsce w przypadku pozostałych testów (przy testach logatomowych nawet dla bardzo 

dużych SNR nie osiąga się wartości 100%). Na tej podstawie można stwierdzić, że im dany 

element jest bardziej jednoznaczny (istnieje małe prawdopodobieństwo jego alternatywnego 

zrozumienia), tym lepsza jego zrozumiałość. Jeśli liczba możliwych alternatywnych znaczeń 

danego elementu rośnie, wówczas większy musi być stosunek sygnału do szumu, aby uzyskać 

taką samą zrozumiałość. 

Ozimek (2002) podaje, że „(...) jeśli SNR wynosi 6 dB, można uznać zrozumiałość 

mowy za zupełnie zadowalającą. Dla wartości tego stosunku równego 0 dB zrozumiałość 

mowy wynosi około 50%. W pewnych przypadkach mowę można zrozumieć również wtedy, 

11

gdy jej poziom ciśnienia akustycznego jest mniejszy od poziomu szumu, ma to miejsce 

wówczas, gdy słuchacz zna temat rozmowy, bądź, gdy mowa i szum docierają do obserwatora 

z różnych kierunków (...)”. Trzeba jednak zdawać sobie sprawę z faktu, iż duże znaczenie ma 

także widmowa struktura zakłóceń. Jeśli bowiem zakres widma szumu pokrywa się z 

zakresem mowy, to fakt ten stanowi dodatkowe utrudnienie, powodujące zmniejszenie 

zrozumiałości przy tym samym stosunku sygnału do szumu, co w przypadku szumu którego 

zakres widmowy jest inny niż zakres spektralny mowy. Można więc ogólnie stwierdzić, że im 

bardziej podobne do siebie są widma mocy sygnałów, tym większy jest efekt maskowania. 

100 

a 

0 20 40 60 80 100 

-18 -12 -6 0 6 12 18 

100 

b 

80 

80 

zrozumiałość, % 

60 

40 

20 

0 

zdania 

wyrazy 

0 20 40 60 80 100 

wyrazistość sylab, % 

60 

40 

liczby 20 

wyrazy w zdaniu 

logatomy 

0 

-18 -12 -6 0 6 12 18 

SNR, dB 

Rys. 1-3. a) zależność pomiędzy zrozumiałością wyrazów i zdań od wyrazistości sylab dla języka 

angielskiego; b) zależność zrozumiałości mowy w funkcji stosunku sygnału do szumu dla liczb i wyrazów 

w zdaniach oraz wyrazistość dla logatomów. Dane pochodzą z prac: a- (Sapożkow, 1966), b-(Miller i in., 

1951b). 

1.1.3 ARTYKULACJA 

W fonetyce przez artykulację rozumie się proces kształtowania dźwięków mowy 

ludzkiej, odbywający się w części aparatu mowy, który obejmuje jamy ponadkrtaniowe, tzw. 

nasadę. Artykulacja jest jednym z zasadniczych aspektów procesu wytwarzania głosek, na 

który ponadto składają się: inicjacja, czyli mechanizm wytworzenia prądu powietrza i fonacja, 

związana z aktywnością wiązadeł głosowych. 

W czasie artykulacji prąd powietrza, który jest niezbędnym tworzywem dla 

wytwarzania dźwięków, jest modelowany przez ruchome i nieruchome artykulatory, czyli 

elementy kanału głosowego. Najczęściej modulacji poddawane jest powietrze wydychane z 

płuc. 

Biorąc pod uwagę liczbę różnych dźwięków wytwarzanych w torze głosowym, 

najważniejszymi jego częściami są język i wargi. Wargi, najbardziej widoczne z wszystkich 

struktur toru głosowego, są parą fałd mięśniowych na twarzy, które działają na dwa sposoby: 

• powodują zamknięcie lub znaczne przewężenie toru głosowego u wylotu, jeśli są one 

ściśnięte razem lub jeśli dolna warga naciska na górne zęby; 

• mogą się zaokrąglać, wystawać (wykrzywiać) lub rozszerzać i cofać. 

Zamykanie jest najczęściej dokonywane przez ruch szczęki i dolnych warg, podczas 

gdy zaokrąglanie spowodowane jest przez mięsień, który otacza wargi. Drugi mięsień 

odpowiedzialny jest za rozwieranie i cofanie ust. 

Pośród zębów, tylko górne cztery przednie siekacze wydają się odgrywać rolę w 

artykulacji Wykorzystywane są np. przy wymawianiu /f/ (dolna warga jest z nimi zwarta). Za 

12

zębami znajduje się podniebienie twarde, struktura o kształcie kopuły zbudowana z czterech 

kości. Wiele dźwięków mowy wykorzystuje różne ułożenie języka względem właśnie tej 

części podniebienia np. /t,s/. Najczęstszym punktem styku jest przednia część podniebienia, 

w okolicach dziąseł. 

Szczęka jest często rozważana jako artykulator pośredni, gdyż jedynie pomaga w 

odpowiednim ustawianiu języka i warg dla wytworzenia wielu dźwięków. 

Typowe pozycje artykulacyjne zostały zaprezentowane na Rys. 1-4. 

Rys. 1-4. Typowe pozycje artykulacyjne: a- samogłoska, dwie wysokości ustawienia języka, b- wysoka 

samogłoska- przednia i tylna pozycja języka, c- dziąsłowe i podniebienne miejsce artykulacji, d- 

artykulacja w przypadku spółgłosek trących. Rysunek zaadaptowano z (O'Shaughnessy, 2000). 

1.1.3.1 Fonem 

Mimo, że człowiek potrafi wytwarzać wiele różnych dźwięków, to jednak każdy język 

ma dość mały zbiór jednostek lingwistycznych, zwanych fonemami, opisujących dźwięki 

danego języka. Fonem jest najmniejszą, mającą znaczenie jednostką fonologii języka. 

Dźwięki powiązane z jednym fonemem zazwyczaj mają pewne wspólne artykulacyjne 

konfiguracje elementów toru głosowego. Każde słowo składa się z serii fonemów 

odpowiadających pewnym ruchom toru głosowego, potrzebnych do wytworzenia słowa. 

Większość języków posiada 20-40 fonemów (istnieją języki, w których liczba fonemów 

przekracza 80, np. niektóre języki kaukaskie). Zakłada się istnienie skończonej liczby 

fonetycznych cech dystynktywnych, takich, że za ich pomocą można adekwatnie każdą 

głoskę opisać jako element zbioru, który jest unikatowy 4 pod względem opisu za pomocą 

cech dystynktywnych. Pruszewicz (2000) stosuje dedukcyjną definicję fonemu: Jedna z 

odmian definicji dedukcyjnej stosuje cechy binarne, tj. takie, które przyjmują tylko wartości 

‘0’ lub ‘1’. ZERO oznacza, że dana cecha dystynktywna jest negatywna, a JEDEN, że cecha 

ta jest pozytywna. Trzeba także zwrócić uwagę na fakt, iż nie wszystkie cechy dystynktywne 

mogą charakteryzować każdy z fonemów. Powyższa klasyfikacja prowadzi do ograniczenia 

liczby jednostek segmentalnych do 37 (Tabela 1-1). Podane zestawienie pozwala w sposób 

najłatwiejszy i najbardziej przejrzysty stwierdzić poprawność klasyfikacji polskich fonemów 

względem założenia orzekającego, że żaden fonem nie może być zespołem cech 

stanowiących podzbiór cech jakiegokolwiek innego fonemu. 

Tabela 1-1. Fonemy języka polskiego 5 . Dane pochodzą z (Pruszewicz, 2000). 

Cecha 

dystynktywna 

ɨ u w i j a o e r l m n ɲ ɳ p b t d c ɟ k g f v s z t ɕ dz x ɕ ʑ tc dʑ ʃ Ʒ tʃ dƷ 

Spółgłoskowy 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 

Ponadkrtaniowy 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 

Nosowy 0 0 1 1 1 1 

Łagodny 0 1 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 

Skupiony 0 0 0 0 0 1 1 1 0 0 1 1 0 0 0 0 1 1 1 1 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 

Jasny 0 0 0 1 1 0 0 0 0 1 0 0 1 1 0 0 1 1 1 1 0 1 1 1 1 1 1 1 1 

4 Przez unikatowy zbiór rozumie się taki, który nie jest podzbiorem żadnego innego zbioru nacechowanego tymi 

samymi cechami oraz jedną lub większą liczbą innych cech. 

5 Dokładny opis wszystkich cech dystynktywnych znajduje się w materiałach źródłowych- (Pruszewicz, 2000). 

13

Niskotonowy 0 1 1 0 1 0 1 0 0 1 1 0 0 0 0 1 1 1 1 

Krótki 0 1 0 1 0 0 1 1 0 0 1 1 0 0 1 1 

Dźwięczny 0 1 0 1 0 1 0 1 0 1 0 1 0 1 0 1 0 1 0 1 0 1 

Inna definicja fonemu, podana np. przez Ozimka (2002) mówi, że fonemy są to 

dźwięki, które same nie mają znaczenia, ale są zdolne do różnicowania znaczenia wyrazów w 

danym języku. 

Pomimo tego, że poszczególne języki różnią się w znacznym stopniu w strukturze 

semantycznej i gramatycznej, wszystkie muszą wykorzystywać tor głosowy w podobny 

sposób. Dźwięki samogłosek /i,a,u/ pojawiają się w wielu językach, a inne są 

charakterystyczne tylko dla kilku lub nawet dla jednego (np. dźwięk angielskiego th lub 

holenderskiego i flamandzkiego grafemu g). 

Dźwięk wytwarzany podczas artykulacji fonemu nazywany jest niekiedy fonem (z 

ang. phon) (O'Shaughnessy, 2000). Ze względu na to, iż tor głosowy nie jest systemem 

dyskretnym, i może się zmieniać na praktycznie nieskończoną liczbę sposobów, więc 

nieskończona liczba fonów może odpowiadać każdemu fonemowi (wymawiane wielokrotnie 

przez jednego mówcę te same fonemy różną się od siebie, ale w mniejszym stopniu niż te 

same fonemy wymawiane przez różnych mówców). Termin alofon określa zazwyczaj klasę 

fonów odpowiadającą danej odmianie fonemu, szczególnie, gdy różne kształty toru 

głosowego wytwarzają ten sam fonem. Na przykład fonem /k/ wymaga zwarcia tylnej części 

języka z podniebieniem miękkim, ale w zależności od tego jaki typ samogłoski bezpośrednio 

poprzedza /k/, zwarcie następuje bardziej z przodu lub tyłu podniebienia. Spółgłoski zwarte 

najczęściej mają więcej alofonów niż inne fonemy i w zależności od kontekstu sposób i 

miejsce ich wytwarzania może ulegać zmianie. Ważne jest, że gdy w sygnale mowy zostanie 

zamieniony alofon fonemu, to zrozumiałość nie powinna zostać zachwiana, pomimo tego, że 

zmodyfikowany sygnał może brzmieć mniej naturalnie (O'Shaughnessy, 2000). Taka 

transformacja fonemów między alofonami pociąga za sobą efekt tzw. koartykulacji: 

konfiguracja artykulacyjna fonemu wpływa na sposób wytwarzania fonemów sąsiadujących. 

Z tego względu sygnał mowy nie może być podzielony na oddzielne fony poprzez prostą 

zależność 1:1 z fonemami. Ruchy elementów toru głosowego powiązane z następującymi po 

sobie fonemami tak dalece na siebie wpływają, że cechy każdego fonemu wpływają często na 

kilka poprzednich i następnych fonów. Ze względu na potrzebę wyjaśnienia sposobów analizy 

mowy, koartykulacja zostanie szerzej opisana w rozdziale 1.1.3.3. 

Poszczególne fonemy występują w mowie z bardzo różną częstością. Tabela 1-2 

ukazuje średnią częstość występowania polskich fonemów w mowie. 

Tabela 1-2. Średnia częstość występowania polskich fonemów na 1000 bieżących fonemów. Dane pochodzą 

z (Pruszewicz, 2000). 

Fonem 

Częstotliwość 

występowania 

Fonem 

Częstotliwość 

występowania 

e a o t j n ɨ m i v p r u s k ɲ d l ʃ 

105 96 85 47 43 40 38 35 34 32 30 29 28 28 25 24 21 19 19 

w ɕ z b f Ʒ g ts tʃ tɕ x ɳ dʑ c ʑ dz ɟ dƷ 

18 16 15 15 13 13 13 12 12 12 10 8 7 7 2 2 1

1.1.3.2 Sposób i miejsce artykulacji 

Sposób artykulacji jest powiązany z przepływem powietrza przez kanał głosowy: tor, 

jakim powietrze przechodzi oraz stopień zwężeń. Głos uzyskuje odpowiedni poziom 

głośności i barwę przez wzmocnienie lub osłabienie niektórych składowych tonu krtaniowego 

w jamach rezonansowych samej krtani, gardła, jamy ustnej i jamy nosowej, a dzięki zmianom 

objętości i kształtu tych komór powstawać mogą różne dźwięki mowy o charakterze: 

• przebiegów periodycznych lub quasi-periodycznych (samogłoski, spółgłoski nosowe, 

np. m, n); 

• przebiegów nieperiodycznych- szumowych (spółgłoski bezdźwięczne trące, np. f, h 

/x/ sz /ʃ/ i zwarto-trące, np. c /ts/, cz /tʃ/, ć /tɕ/); 

• przebiegów nieperiodycznych- quasi-impulsowych (spółgłoski zwarte dźwięczne np. 

b,d,g i bezdźwięczne, np. p,t,k); 

• przebiegów stanowiących superpozycję przebiegów periodycznych i 

nieperiodycznych (spółgłoski dźwięczne trące, np. w /v/,z i zwarto-trące, np. dź /dʑ/, 

dż /dƷ/). 

Podczas, gdy w oparciu o sposób artykulacji można podzielić fonemy na szerokie 

kategorie używane w większości języków, miejsce artykulacji (punkt, w którym tor głosowy 

jest najbardziej zwężony) umożliwia znacznie lepszą dyskryminację fonemów. Poszczególne 

języki różnią się znacznie miejscami, które wykorzystywane do wytwarzania fonemów. 

Praktycznie wszystkie języki wykorzystują samogłoski, spółgłoski nosowe, zwarte i trące, 

jednak liczba i wybór miejsc artykulacji różni się znacznie między poszczególnymi językami. 

Wiele języków używa zaledwie 3-5 samogłosek, podczas gdy w angielskim jest ich 13, a we 

francuskim 15. 

Język polski jest pod względem samogłosek dość ubogi. W jego systemie 

fonologicznym samogłoski są bowiem nieliczne, a zdecydowanie przeważają spółgłoski. 

Występuje tu zaledwie 6 fonemów samogłoskowych ustnych: /i/, /ɨ/, /e/, /a/, /o/, /u/, 

którym to odpowiadają litery (grafemy) samogłoskowe: i, y, e, a, o oraz u. 

W tradycyjnych opisach języka polskiego przyjmuje się też, że istnieją co najmniej dwa 

fonemy samogłoskowe nosowe odpowiadające literom ę i ą. W nowszych opisach fonologii 

polszczyzny współczesnej fonemów samogłoskowych nosowych nie wymienia się, uznając że 

grafemom ę, ą odpowiadają w istocie zawsze ciągi złożone z dwu fonemów, ustnej 

samogłoski /o/, /e/ oraz odpowiedniego fonemu spółgłoskowego nosowego: /m/ /n/, 

/ɲ/ lub /ŋ/. 

Klasyfikacji samogłosek polskich można dokonać ze względu na: 

• poziomy ruch języka - przednie, środkowe, tylne 

• pionowy ruch języka - wysokie, średnie, niskie 

• kształt warg - płaskie, półokrągłe, okrągłe 

• udział rezonatora nosowego - ustne, nosowe 

Typowe miejsca artykulacji przedstawiono na Rys. 1-5. 

15

Rys. 1-5. Miejsca artykulacji: 1- wargi, 2- zęby, 3- dziąsła, 4- podniebienie twarde, 5- podniebienie 

miękkie, 6- języczek, 7- gardło, 8- głośnia. Rysunek zaadaptowano z (O'Shaughnessy, 2000). 

1.1.3.3 Koartykulacja 

Wytwarzanie mowy wymaga generowania czasowej sekwencji ustawień 

artykulatorów. Dlatego też określone, kluczowe, aspekty kształtu toru głosowego muszą 

zachodzić w porządku odzwierciedlającym sekwencję fonemów. Ustawienia i ruchy 

poszczególnych artykulatorów nakładają się na siebie w czasie, dlatego też kształty toru 

głosowego podczas wytwarzania fonów zależą wysoce od ich kontekstu , czyli wzajemnego 

sąsiedztwa. Zjawisko koartykulacji dotyczy zmian w artykulacji fonemów i postaci 

akustycznej fonów w zależności kontekstu. Fon jest zazwyczaj powiązany z fonemem, gdy 

wszystkie artykulatory są w ‘odpowiedniej’ pozycji. Kończy się natomiast kiedy jeden lub 

więcej elementów przesuwa się w kierunku kolejnego fonemu powodując tym samym zmiany 

akustyczne w sygnale mowy. Można intuicyjnie stwierdzić, iż czas artykulacji fonemu 

przekracza jego akustyczny czas trwania ponieważ ruch artykulatorów dla danego fonemu 

zaczyna się już podczas trwania poprzedniego fonu, a kończy podczas następnego. Czas 

pomiędzy największymi zmianami między fonami, określony jako granice fonu, jest 

najczęściej związany ze zmianami sposobu artykulacji. 

1.2 SUPRASEGMENTALNE CECHY MOWY 

1.2.1 RYTM 

Rytm można zdefiniować jako powtarzalność (z zauważalną regularnością) 

podobnych lub jednakowych elementów brzmieniowych. Za najbardziej ogólną cechę rytmu 

przyjmuje się zjawisko izochronizmu, polegające na tendencji do wyrównywania czasowego 

określonych ciągów segmentów, tj. quasiokresowego ich występowania. Język polski w 

swobodnej formie mówionej nie jest silnie rytmiczny. Pruszewicz (1992) podaje przykład 

izochronizmu: „(...)w przypadku braku tendencji do wyrównywania czasowego wymówiony 

oddzielnie wyraz grał (1 sylaba) byłby ok. 2 razy krótszy niż grałby (2 sylaby), 3 razy krótszy 

niż grałyby (3 sylaby) oraz 4 razy krótszy niż gralibyśmy (4 sylaby). Wprawdzie w podanej 

kolejności cytowane wyrazy są coraz dłuższe, ale izochronizm powoduje, że jednostka 

rytmiczna gralibyśmy jest tylko 2 do 3 razy dłuższa niż grał”. 

1.2.2 INTONACJA 

Intonację definiuje się jako przebieg melodyczny danego segmentu językowego, tj. 

charakterystyczne dla niego następstwo tonów o różnej wysokości. Określony kontur 

intonacyjny, czyli funkcja przedstawiająca zmiany częstotliwości tonu krtaniowego w czasie, 

16

jest jedną z cech definicyjnych wypowiedzi językowej i pełni określoną funkcję semantyczną, 

np. charakterystyczna jest intonacja pytania, apelu, czy też wypowiedzi nacechowanych 

emocjonalnie. W niektórych językach intonacja sylaby lub sylab sąsiadujących w granicach 

wyrazu akcentowanego pełni funkcję dystynktywną (tzw. języki toniczne, np. Szwedzki). 

Jednostką intonacyjną jest fraza, czyli część wypowiedzi o pewnym określonym 

przebiegu wysokości dźwięku. Można wyróżnić tu przebiegi rosnące, opadające i równe 

(intonacje rdzenne). Rzadko natomiast pojawiają się w języku polskim przebiegi rosnącoopadające. 

Przebiegi intonacji można przedstawić w dziedzinie częstotliwości przez 

przypisanie każdej sylabie kropki o odpowiednim położeniu. Jeżeli w obrębie sylaby 

wysokość dźwięku się zmienia, oznaczyć to można wężykiem skierowanym odpowiednio w 

górę lub w dół. Normalną skalę głosu zaznacza się ograniczającą linią dolną i górną. 

Najbardziej typowe przebiegi intonacyjne języka polskiego ilustrują przykłady na Rys. 1-6. 

Rys. 1-6. Typowe przebiegi intonacyjne języka polskiego. Rysunek zaadaptowano z (Pruszewicz, 1992). 

1.2.3 AKCENT 

Akcent to wyróżnienie sylaby w wyrazie lub wyrazu w zdaniu za pomocą np. 

specyficznej intonacji lub iloczasu (czasu trwania poszczególnych dźwięków mowy). W 

języku polskim występuje akcent intonacyjny, stały (na określonej sylabie, zwykle 

przedostatniej). 

Fonetycznymi jednostkami suprasegmentalnymi są: zestrój akcentowy (jednostka 

rytmiczna) oraz fraza (jednostka intonacyjna). Zestrój akcentowy może składać się z jednej, 

dwu lub kilku sylab, z jedną sylabą wyróżnioną rytmicznie; może obejmować jeden lub kilka 

wyrazów. Jednocześnie, jeden dłuższy wyraz może stanowić dwa zestroje akcentowe, z 

dwiema sylabami wyróżnionymi rytmicznie, czyli rytmicznie akcentowanymi. Akcent 

rytmiczny jest w języku polskim mało znaczący. Znacznie wyraźniejszy jest akcent 

intonacyjny. Intonacyjnie akcentowana jest pierwsza sylaba rdzennego przebiegu 

intonacyjnego (Pruszewicz, 1992). 

1.3 FIZYCZNE CECHY MOWY 

Z akustycznego punktu widzenia najważniejszą fizyczną charakterystyką sygnału 

mowy jest jego widmo, a parametrem - poziom ciśnienia akustycznego. Dlatego też, w 

niniejszym rozdziale przeanalizowano właśnie fizyczne aspekty mowy. Dane zaprezentowane 

w tym rozdziale oparte są o badania mowy dla języka angielskiego. 

Warto tu także przedstawić zakres poziomów i częstotliwości, jakie zwykle zajmuje 

sygnał mowy pomiędzy progiem słyszenia a progiem bólu. Ogólnie można stwierdzić, iż 

zakres widmowy sygnałów mowy zawiera się pomiędzy częstotliwościami od ok. 100 Hz do 

ok. 8 kHz, a nawet dla niektórych fonemów (np. /s/) 12 kHz, a poziomy składowych 

widmowych między 30 a 90 dB SPL (przy pomiarze w odległości 1 m od ust mówcy). Ze 

17

względu na to, że mowa jest procesem dynamicznym (jej natężenie ulega nieustannym 

zmianom), można zdefiniować wolno zmieniający się poziom mowy, który odzwierciedla 

poziom ciśnienia akustycznego szczytowych wartości sygnału mierzony w czasie 1 s. 

Okazuje się, iż tak mierzony poziom jest optymalny dla zrozumiałości, gdy zawiera się w 

przedziale 60-70 dB SPL (O'Shaughnessy, 2000). 

1.3.1 WIDMO MOWY 

Rys. 1-7 przedstawia procentowy rozkład widma męskiego głosu (zależność jego 

poziomu ciśnienia skutecznego, p rms 

od częstotliwości). Jak można zauważyć w zależności 

od częstotliwości długoterminowe widmo zawiera się w przedziale 20-40 dB SPL. 

Rys. 1-7. Procentowy rozkład widma męskiego głosu mierzonego w interwałach 0,125 s w czasie 2 minut. 

Dane pochodzą z (Kryter, 1994). 

Dane te uzyskano dla mowy o stałym poziomie ciśnienia akustycznego głosu w 

kabinie bezechowej. Zmienność poziomu ciśnienia akustycznego głosu jest tą cechą sygnałów 

mowy, która wpływa na fakt, iż „porcje” tych sygnałów mogą być czasami słyszalne w 

obecności zakłóceń (hałasu, szumu, itp.) nawet wówczas, gdy zdecydowana część 

wypowiedzi nie jest słyszalna. 

Na Rys. 1-8 ukazano natomiast tercjowe widmo sygnału mowy mierzonej w 

odległości 1 m od mówców stosujących różną „siłę” głosu: cicho, normalnie, podniesiony 

głos, głośno, krzyk). 

18

Rys. 1-8. Całkowite poziomy dźwięku oraz tercjowe widmo mowy dla pięciu sił głosu. Dane pochodzą z 

(Kryter, 1994). 

Widać tu wyraźne zmiany w przebiegu widma w zależności od „siły” głosu. Ogólnie 

można stwierdzić, że im głośniejsza mowa, tym maksimum widmowe przesuwa się w 

kierunku większych częstotliwości, natomiast dla jeszcze większych składowych 

częstotliwości następuje spadek o 6-8 dB na oktawę. 

Do przedstawionych badań wykorzystano materiał słowny stworzony przez Bell 

Telephone Laboratories. Przykładowe zdania brzmiały następująco: „Joe took father’s shoe 

bench out” lub „She was waiting at my lawn”. Zdania te zawierają najbardziej typowe 

samogłoski i sylaby. 

Analizie widmowej poddaje się także obwiednię amplitudową mowy. Można wówczas 

zauważyć lokalne maksimum przypadające na częstotliwość 4 Hz (Zwicker, 1952). 

Właściwość tę często wykorzystuje się w automatycznych detektorach sygnału mowy. 

1.3.2 ŚREDNI POZIOM CIŚNIENIA AKUSTYCZNEGO MOWY DLA KOBIET I 

MĘŻCZYZN 

Tabela 1-3 pokazuje średni równoważny poziom ciśnienia akustycznego, 

wraz z 

odchyleniem standardowym, SD mowy dla zróżnicowanej siły głosu. Dokonano także 

dodatkowego podziału na mężczyzn i kobiety powyżej 13 roku życia oraz dzieci poniżej 13 

roku życia. Nagrań dokonywano w ciszy, w kabinie bezechowej, średni poziom tła wynosił 

= 16 dB SPL . Wszystkie wyniki zaokrąglono do jedności. Średni poziom mowy 

L eqT 

mężczyzn jest o ok. 2-3 dB wyższy niż dla kobiet w przypadku głosu cichego, normalnego i 

podniesionego, a dla pozostałych sił głosu różnica ta wzrasta do 5-7 dB. 

Tabela 1-3. Średni poziom ciśnienia akustycznego, 

dla różnych sił głosu. Dane pochodzą z (Kryter, 1994). 

L eqT 

L eqT 

mowy wraz z odchyleniem standardowym, SD 

Poziom mowy [dB SPL] 

Mężczyźni Kobiety Dzieci Średnia 

Siła głosu L SD 

eqT 

L SD 

eqT 

L SD 

eqT 

L 

eqT 

Cicho 52 4 50 4 53 5 52 

Normalnie 58 4 55 4 58 5 57 

Podniesiony 65 5 63 4 65 7 64 

Głośny 76 6 71 6 74 9 73 

19

Krzyk 89 7 82 7 82 9 85 

1.3.3 ZAKRES CZĘSTOTLIWOŚCI DLA GŁOSÓW MĘSKICH I KOBIECYCH 

Istotnym parametrem wyznaczanym w badaniach narządu głosu jest średnie położenie 

maksimum spektralnego i zakres głosu w dziedzinie częstotliwości. Ta cecha zwana jest 

często zakresem częstotliwości podstawowej (lub tonu podstawowego) fonacji (FFR 7 ). 

Średnie położenie maksimum spektralnego głosu określa tę wysokość dźwięku, w której 

zakresie głos w czasie mowy porusza się i nieznacznie przesuwa się ku górze lub dołowi od 4 

do 6 półtonów. Znajduje się ono najczęściej w obrębie ⅓ dolnej części zakresu częstotliwości 

głosu i wynosi u mężczyzn od a (220 Hz) do e (330 Hz), u dzieci i kobiet od a (220 Hz) do e 1 

(660 Hz). Przeciętny zakres częstotliwości głosu wynosi od 1,5 do 2 oktaw. U śpiewaków 

głos może obejmować nawet zakres 3,5 oktawy, a czasami nawet powyżej 4 oktaw. 

1.4 ANALIZA MOWY 

Szczegółowe badania fali dźwiękowej powstającej w procesie mówienia stały się 

możliwe dzięki przetworzeniu jej za pomocą mikrofonu na dokładnie analogiczną funkcję 

czasową napięcia elektrycznego. Stosuje się cztery zasadnicze sposoby wizualizacji sygnału 

mowy: 

• oscylogram- przedstawia wielkość napięcia elektrycznego jako szybkozmienną 

funkcję czasu. Występuje tu sygnał mowy w formie tylko przetworzonej i 

zarejestrowanej, ale nie zanalizowanej. Oś pozioma oscylogramu prezentuje czas, 

a pionowa, szybkozmienną wartość ciśnienia fali dźwiękowej (wartość chwilową 

sygnału); 

• widmo chwilowe- przedstawia rozkład energii (lub mocy) względem 

częstotliwości w bardzo krótkim odcinku czasu, rzędu kilkunastu milisekund; 

• widmo długoterminowe- reprezentuje rozkład energii względem częstotliwości na 

odcinku czasowym rzędu od ok. sekundy do jednej lub kilku minut; 

• spektrogram- jest on najważniejszym sposobem analizy mowy, ukazującym 

zmiany rozkładu energii względem częstotliwości w czasie. Na osi rzędnych 

spektrogramu odłożona jest częstotliwość, na osi odciętych czas, zaś zmian 

amplitudy obrazuje stopień zaczernienia (lub kolor: niebieski- niska wartość 

składowej, czerwony- wysoka wartość chwilowa). Obecnie wykorzystuje się także 

spektrogramy trójwymiarowe. 

Widoczna na spektrogramie zależność ciśnienia akustycznego sygnału mowy od 

częstotliwości oznacza, że w określonych zakresach częstotliwości, składowe 

widma dźwięków mowy mogą przybierać wartości znacznie większe niż w 

pozostałych zakresach. Te właśnie wyróżnione częstotliwości nazywane są 

częstotliwościami formantów, zaś zakresy obwiedni widma, dla których składowe 

przybierają wartości maksymalne nazywa się formantami. Można więc 

powiedzieć, że formant to lokalne maksimum w widmie mowy. 

Na spektrogramie formanty są zaznaczone przez te pasma częstotliwości, które są 

znacznie ciemniejsze (lub mają czerwony odcień) w porównaniu z innymi 

pasmami. Wadą takiej reprezentacji jest fakt, iż analiza widmowa, na podstawie 

której uzyskuje się spektrogramy, nie pozwala na otrzymanie wysokiej 

rozdzielczości w obu dziedzinach równocześnie, co jest bezpośrednią 

konsekwencją zasady nieoznaczoności. Zwiększanie rozdzielczości w dziedzinie 

czasu objawia się jej zmniejszaniem w dziedzinie częstotliwości i vice versa. 

7 Z ang. Fundamental Frequency Range in phonation. 

20

Czasami oprócz spektrogramu wyznacza się tzw. sekcję czyli widmo 

fragmentu sygnału. Na Rys. 1-9 przedstawiono przebieg czasowy, spektrogram 

(oraz sekcję fonemu /e/) zdania: Nie pomogli nam przy budowie. Porównując na 

Rys. 1-9 sekcję z odpowiadającym jej spektrogramem, należy skojarzyć szczyty 

obwiedni widm z zaczerwienionymi miejscami w spektrogramie. Otrzymuje się w 

ten sposób dwa skorelowane przedstawienia formantów samogłoskowych. 

Rys. 1-9. Przebieg czasowy i spektrogram zdania „Nie pomogli nam przy budowie” oraz sekcja fonemu /e/ 

wyznaczona w przedziale 10 ms w chwili 500 ms. 

W rozkładzie poszczególnych formantów w dziedzinie częstotliwości, ich stanach 

przejściowych (bardzo szybkich zmianach częstotliwości formantów) oraz we wzajemnych 

stosunkach ich amplitud, tkwią podstawowe cechy charakterystyczne dla wszystkich 

samogłosek i niektórych spółgłosek. Na Rys. 1-10 przedstawiono formanty w widmach 

samogłosek polskich / i/, /ɨ/ oraz /e/. 

Rys. 1-10. Widma samogłosek polskich / i/, /ɨ/ oraz /e/ z widocznymi formantami- lokalne maksima. 

Rysunek zaadaptowano z (Jassem, 1974). 

21

Widmo chwilowe obejmuje część albo co najwyżej całą głoskę, podczas gdy widmo 

długoterminowe obejmuje co najmniej sylabę, a może odnosić się do całego wyrazu, zdania, a 

nawet dłuższej wypowiedzi. 

Najbardziej typowymi widmami sygnałów mowy są: 

• widmo harmoniczne (dyskretne) - charakterystyczne dla samogłosek i niektórych 

spółgłosek (większość spółgłosek dźwięcznych); 

• widmo fluktuacyjne (ciągłe)- charakterystyczne dla większości spółgłosek i szeptu; 

• widmo mieszane dyskretno-ciągłe. 

Codzienna praktyka wykazuje, że każdy człowiek może rozpoznać po głosie wiele 

znanych sobie osób. Istnieje wiele cech indywidualnych, które pozwalają poznać dany głos. 

Takie indywidualne właściwości głosu objawiają się m. in. w częstotliwościach formantów 

samogłoskowych. Na ogół znacznemu zróżnicowaniu osobniczemu ulegają przede wszystkim 

czwarte oraz drugie formanty samogłosek. Głosy poszczególnych mówców najmniej 

natomiast różnią się między sobą pod względem częstotliwości trzecich formantów. 

1.5 PODSTAWOWE ASPEKTY PERCEPCJI MOWY ORAZ JEJ BADANIE 

Podczas gdy wiele wiadomo o procesie, w którym sygnał mowy jest transformowany 

na odpowiadające mu ciągi wyładowań nerwowych, mechanizm, za pomocą którego mózg 

tłumaczy wyładowania nerwowe na treść lingwistyczną jest o wiele mniej zrozumiały (Allen, 

1994). Zazwyczaj w badaniach percepcji mowy traktuje się słuchacza jako swoistego rodzaju 

„czarną skrzynkę” - jedną całość, bez części, które mogą być przeanalizowane. 

Jak podaje O'Shaughnessy (2000), najistotniejszym, ze względu na zrozumiałość 

mowy, jest zakres częstotliwości między 200 Hz a 5600 Hz 8 . Zakres ten odpowiada 

największej czułości układu słuchowego i największej energii niesionej przez sygnał mowy. 

Fakt ten sugeruje, iż w procesie ewolucji mowy przetrwały te fonemy, które są zarówno 

najłatwiej spostrzegane, jak i najłatwiej wytwarzane przez człowieka. 

Istotność różnych zakresów częstotliwości może być mierzona poprzez 

doświadczenie, w którym analizuje się ich wpływ na percepcję (wyrazistość lub 

zrozumiałość). Jeśli np. z sygnału mowy zostaną odfiltrowane częstotliwości poniżej 1 kHz 

pojawią się niejednoznaczności w rozumieniu spółgłosek p-b-w. Natomiast, jeśli zostaną 

odfiltrowane częstotliwości powyżej 1.2 kHz, pojawią się błędy przy percepcji spółgłosek 

zwartych np. p-t. Dodatkowy szum lub filtracja mogą także powodować mylenie niektórych 

spółgłosek zwartych z trącymi i vice versa (O'Shaughnessy, 2000). 

Na percepcję dźwięków mowy składa się, tak jak na ich generację, kilka faz. Są to: 

• faza aerodynamiczna- drgania powietrza w przewodzie słuchowym; 

• faza akustomechaniczna- przenoszenie drgań od błony bębenkowej do narządu 

Cortiego; 

• faza mechanoelektryczna- zamiana drgań błony podstawnej na impulsy elektryczne; 

• faza neurologiczna- przenoszenie informacji przez włókna nerwowe i jej 

przetwarzanie w ośrodkowym układzie nerwowym; 

• faza psychologiczna- rozpoznanie i zrozumienie informacji. Można tu wyróżnić 

analizę fonetyczną, fonologiczną, leksykalną (słowną), syntaktyczną i semantyczną. 

Percepcję można więc zobrazować jako proces szeregowy, w którym sygnał mowy 

jest transformowany na każdym etapie na coraz bardziej subtelną reprezentację (oraz 

odpowiednio analizowany), kończący się w korze projekcyjnej jako ostateczne wrażenie 

słuchowe. Trzeba jednak podkreślić, iż niektóre procesy muszą zachodzić równolegle 

(możliwe, że równocześnie) ze sprzężeniem, aby umożliwić poprawianie błędnej interpretacji 

na niższych poziomach przetwarzania (np. fonetycznym) poprzez używanie bardziej ogólnej 

8 Współczesne aparaty słuchowe mają pasmo przenoszenia, które nie przekracza 6 kHz. 

22

(zdaniowej lub kontekstowej) wiedzy, a także by umożliwić niskopoziomowym procesom 

możliwość opóźnienia decyzji, gdy sygnał nie dostarcza wystarczającej informacji. 

Istotą zrozumienia percepcji mowy jest zmienna natura przebiegów akustycznych 

percypowanych jako poszczególne fonemy. A. M. Libernan i in. (1985) zasugerowali, iż 

zależna od, wspomnianego już wcześniej kontekstu, zmiana przebiegu akustycznego 

występuje generalnie dla dźwięków spółgłosek. Znalezienie pewnych niezmiennych 

właściwości akustycznych odpowiadających danej spółgłosce jest najczęściej niemożliwe. 

Inaczej jest w przypadku samogłosek, które charakteryzują się pewnym stanem ustalonym 

przebiegu jak i częstotliwości formantów. To właśnie one są w przybliżeniu niezmienniczymi 

czynnikami pozwalającymi na ich identyfikację. Jednakże trzeba pamiętać, iż w mowie 

ciągłej samogłoski są wypowiadane z dużą szybkością pomiędzy spółgłoskami i z tego 

względu sygnał akustyczny w żadnym momencie nie odpowiada wyłącznie samogłosce i jest 

wynikiem nałożenia się samogłoski oraz występujących po niej i przed nią spółgłosek 

(Liberman i in., 1967). Należy więc stwierdzić, iż pojedynczy przebieg zawiera często 

informacje o kilku sąsiednich fonemach, co znacznie komplikuje wskazanie jednoznacznego 

związku między fonemem a przebiegiem akustycznym. Z tego względu Liberman i in. (1967) 

wprowadzili hipotezę postulującą istnienie w mózgu specjalnego dekodera mowy. Fonemy, 

których przebiegi akustyczne są w znacznym stopniu zależne od kontekstu, nazwali 

fonemami zakodowanymi, a fonemy, które w mniejszym stopniu zależą od kontekstu 

(podlegające mniejszym zmianom)- fonemami niezakodowanymi. Zgodnie z tą hipotezą 

percepcja zakodowanych fonemów (np. spółgłoski zwarte) powinna w znacznym stopniu 

odbiegać od percepcji fonemów niezakodowanych (np. samogłosek) oraz dźwięków nie 

będących mową. Jednakże taki podział fonemów nie jest całkowicie jednoznaczny, a stopień 

kodowania można uważać za dodatkowy wymiar: od dużej do małej zależności fonemu od 

kontekstu (Moore, 2003). 

1.5.1 PERCEPCJA KATEGORIALNA 

Jak wykazały badania (Liberman, Cooper, Shankweiler i Studdert-Kennedy, 1967), 

pewne niewielkie zmiany sygnału w przypadku fonemów zakodowanych mogą spowodować 

bardzo małe lub nawet niezauważalne zmiany w percepcji takiego dźwięku. Natomiast inne, 

równie małe, zmiany sygnału wywołują wyraźne zmiany percepcji, wpływając w decydujący 

sposób na identyfikację fonemu. Efekt ten zademonstrowano wykorzystując syntetyczne 

sygnały mowy, w których przejście drugiego formantu było zmieniane w małych krokach, w 

taki sposób, by wytworzyć wrażenie odpowiadające fonemom /bi/, /di/ oraz /gi/. Słuchacze 

nie słyszeli serii małych zmian sygnału akustycznego, lecz właściwie kwantowe skoki z 

jednej kategorii percepcyjnej do drugiej. Co więcej, słuchacze nie słyszeli zmian w fonemach 

z jednej kategorii percepcyjnej, ale słyszeli zmiany z jednego fonemu w inny. Ten sposób 

percypowania dźwięków nazwano percepcją kategorialną. Oznacza to, iż dla sygnału 

akustycznego zmieniającego się tylko względem jednego wymiaru (np. częstotliwości), liczba 

rozróżnianych sygnałów jest znacznie większa niż liczba sygnałów, które w sposób 

bezwzględny potrafimy zidentyfikować jako części mowy (Moore, 2003). 

Percepcja samogłosek jest zupełnie inna. Charakteryzują się one bowiem stanami 

ustalonymi, a niewielka zmiana ich parametrów fizycznych jest bardzo łatwo percypowana i 

w związku z tym jedna samogłoska może być słyszana na tle innej samogłoski, i może temu 

towarzyszyć znaczna międzyfonemowa zmienność. Wynikać to może z faktu, że samogłoski 

są percypowane jak dźwięki nie będące mową. Jednak trzeba pamiętać, iż wypowiadane 

szybko samogłoski podlegają pewnym zmianom i, jak wykazał Stevens (1968), w takim 

przypadku ich postrzeganie jest bliższe percepcji kategorialnej. 

23

1.5.2 REDUNDANCJA SYGNAŁU MOWY 

Dźwięki mowy charakteryzują się dużą liczbą parametrów akustyczno-fonetycznych, 

przy czym tylko niektóre z nich wykorzystywane są w procesie ich percepcji. Ten fakt 

przyczynia się do wysokiej redundancji dźwięków mowy. 

Redundancja jest to nadwyżka informacji zawartej w wiadomości w stosunku do tej 

ilości informacji, która jest niezbędna, aby wiadomość została przekazana bez „uszczuplenia 

treści”. Przeciętny tekst języka naturalnego jest w wysokim stopniu redundantny, co zapewnia 

poprawne przekazanie treści komunikatu; teksty o niskiej redundancji, np. teksty depesz, czy 

też teksty języków formalnych, przy zakłóceniach w procesie komunikacji łatwo ulegają 

zniekształceniu; redundancja bywa w takich wypadkach wprowadzana celowo. Przykładem 

redundancji w tekście polskim są np. konstrukcje z podwójną negacją typu Nie mam nikogo, 

zwroty ekspresywne — Podpiszę swoją własną ręką. W telekomunikacji i informatyce 

kompresja danych, np. w procesie kodowania, polega na zmniejszaniu redundancji. 

Redundancja ma istotne znaczenie dla właściwej percepcji. Ma to miejsce w 

przypadku np. występowania zakłóceń zewnętrznych czy zniekształceń w urządzeniach 

przetwarzających lub ograniczenie pasma przenoszenia, np. w torach telekomunikacyjnych. 

Okazuje się np. iż odfiltrowanie częstotliwości powyżej 1.8 kHz pozwala cały czas na 

poprawne zrozumienie ok. 67 % wszystkich sylab (Moore, 2003). Percepcja fonemu jest 

często zależna od kontekstu: sygnały akustyczne bezpośrednio przed i po aktualnej artykulacji 

są decydujące w procesie percepcji (koartykulacja) (O'Shaughnessy, 2000). Także inne, 

bardziej złożone formy kontekstu mają znaczący wpływ na percepcję mowy. Słuchacze 

dopasowując bowiem swoje ramy percepcyjne tak, by pasowały do oczekiwanego sygnału 

mowy, przewidują go dzięki wiedzy o mówcy, kontekstu konwersacji i wiedzy ogólnej. Z 

tego względu ważne jest, żeby testy badające zrozumiałość mowy w danych warunkach 

akustycznych były jak najbardziej obiektywne i uwzględniały powyższe zjawiska. Z tego 

właśnie względu stosuje się często testy logatomowe, „odcinając” się od kontekstu 

wypowiedzi. 

1.5.3 MODELE PERCEPCJI 

Pomimo wielu prac związanych z percepcją mowy, ciągle nie stwierdzono 

jednoznacznie, jakie są podstawowe jednostki tej percepcji, tzn. czy są to fonemy, sylaby, czy 

też inne elementy mowy. 

1.5.3.1 Modele Aktywne 

Modele aktywne percepcji mowy zakładają, że jest ona procesem wykorzystującym 

bezpośredni dostęp do procesów jej wytwarzania. Aby wyjaśnić różnorodność wyników 

eksperymentalnych w zależności od metod eksperymentalnych, zaproponowano kilka 

aktywnych modeli percepcji mowy. Postuluje się np., że słuchacze używają sygnału mowy do 

dekodowania informacji o układzie i ruchach kanału głosowego, który produkuje sygnał. 

Niektórzy autorzy sugerują, iż istnieje specjalny mod słuchania mowy, który jest włączany, 

gdy słuchacz słyszy mowę po raz pierwszy (Liberman, Cooper, Shankweiler i Studdert- 

Kennedy, 1967; Schouten, 1980). Zwraca on wtedy większą uwagę na charakterystyczne dla 

mowy parametry (np. formanty). Alternatywą jest tzw. teoria motoryczna (Liberman, Cooper, 

Shankweiler i Studdert-Kennedy, 1967; Liberman i Mattingly, 1985). Zakłada się w niej, iż 

słuchacz dekoduje przychodzącą mowę nieświadomie produkując wewnętrzną wersję 

artykulacyjną i porównuje ją z sygnałem (Liberman, Cooper, Shankweiler i Studdert- 

Kennedy, 1967; Moore, 2003). Można więc powiedzieć, iż „obiekty percepcji mowy są 

zamierzonymi fonetycznymi gestami mówcy, reprezentowanymi w mózgu jako niezmienne 

motoryczne polecenia, które wywołują ruchy poszczególnych elementów narządu mowy za 

pośrednictwem istotnych lingwistycznie konfiguracji,” (Liberman i Mattingly, 1985). Teoria 

24

ta zakłada więc bliskie odwzorowanie między fonemami i odpowiadającymi im komendami 

artykulacyjnymi. Z tym podejściem wiąże się teoria analizy przez syntezę, w której zakłada 

się, iż słuchacz nieświadomie produkuje „syntetyczną” wersję sygnału mowy opartą o 

pobieżną analizę słuchową (Rys. 1-11). Jeśli dwie wersje pasują do siebie, analizę uznaje się 

za udaną, jeśli nie- jest stosowany bardziej wyszukany rodzaj przetwarzania sygnału 

wejściowego. Taki dualny model angażuje zarówno procesy kognitywne góra-dół, jak i dółgóra 

w percepcji mowy i sugeruje, iż słuchacz dekoduje szczegóły sygnału tylko do pewnego 

stopnia, od którego niemożliwa jest ich predykcja z kontekstu. Wysoko redundantna rozmowa 

między przyjaciółmi w cichym pomieszczeniu wymaga słabego dekodowania, podczas gdy 

rozmowa na hałaśliwej ulicy wymagająca specyficznego słownictwa polega głównie na 

analizie dół-góra. 

Właśnie percepcja kategorialna jest często podawana jako dowód modelu dualnego 

procesu percepcji mowy z procesem słuchowym przebiegającym dół-góra oraz z procesem 

fonetycznym przebiegającym góra-dół (O'Shaughnessy, 2000). Proces słuchowy identyfikuje 

sygnał mowy w oparciu o cechy akustyczne i przechowuje je w krótkotrwałej pamięci 

słuchowej. Proces fonetyczny, natomiast umożliwia percepcję fonemów opierając się na 

cechach zawartych w pamięci słuchowej. 

Rys. 1-11. Schemat blokowy modelu analizy przez syntezę w procesie percepcji mowy. Rysunek 

zaadaptowano z (O'Shaughnessy, 2000). 

1.5.3.2 Model Pasywny 

Modele pasywne, w odróżnieniu od aktywnych, nie odnoszą się do artykulacji i 

zakładają bezpośrednie odwzorowanie cech akustycznych na kategorie fonetyczne (Rys. 

1-12). Sygnał mowy (A) jest transformowany na wyładowania nerwowe w nerwie słuchowym 

(B) i jest kodowany bezpośrednio na cechy dystynktywne (C), które pozwalają na 

rozpoznanie jednostek lingwistycznych (D) na poziomie fonemów i większych jednostek. 

Wzorce słuchowe na poziomie C są jednostkami mniejszymi od fonemów, co oznacza, iż 

wykorzystują cechy na poziomie zjawisk akustycznych i potrafią poradzić sobie z 

identyfikacją periodyczności lub energii w różnych pasmach częstotliwości. Następnie 

następuje analiza przez syntezę przetwarzając mowę na jednostki lingwistyczne (E). Warto 

podkreślić, iż wytwarzanie mowy jest ściśle związana z jej percepcją, jednak wytwarzanie 

25

mowy uaktywnia proces równoległy, który może oddziaływać z percepcją poprzez cech 

dystynktywne (J). 

Rys. 1-12. Hipotetyczny model funkcji mózgu w procesie percepcji i wytwarzania mowy. Rysunek 

zaadaptowano z (O'Shaughnessy, 2000). 

1.5.4 TREŚĆ LINGWISTYCZNA A PERCEPCJA MOWY 

Specyfika percepcji dźwięków mowy wynika również stąd, że zależy ona także od 

treści lingwistycznej niesionej przez te dźwięki. Miller i in. (1951a) udowodnili, iż 

zrozumiałość mowy w obecności zakłóceń (szumu) jest funkcją prawdopodobieństwa 

występowania dźwięków, słów, czy fraz. Im większy zbiór wiadomości był używany w 

testach, tym mniejsze prawdopodobieństwo wystąpienia poszczególnego elementu z tego 

zbioru i tym bardziej komunikacja jest podatna na wpływ zakłóceń. Jak pokazano to na Rys. 

1-13, zrozumiałość jest w jednakowym stopniu zależna od wielkości zbioru informacji, jak i 

od maskowania szumem. Do badań tych wykorzystano testy jednosylabowe. 

Warto dodać, że znaczący wpływ na percepcję dźwięków mowy mają też ruchy 

twarzy i warg osoby mówiącej. Ta audiowizualna integracja percepcji słuchowej i wzrokowej 

wskazuje na fakt istnienia dodatkowego mechanizmu percepcji mowy wykorzystującego 

informacje artykulacyjną. 

26

zrozumiałość, % 

100 

90 

80 

70 

60 

50 

40 

30 

20 

10 

-18 -15 -12 -9 -6 -3 0 3 6 9 

0 

0 

-18 -15 -12 -9 -6 -3 0 3 6 9 

SNR, dB 

100 

90 

80 

70 

60 

50 

40 

30 

20 

10 

2 

4 

8 

16 

32 

256 

1000 

Rys. 1-13. Zrozumiałość mowy w zależności od stosunku sygnału do szumu. Parametrem jest liczba 

wyrazów w teście. Dane pochodzą z (Kryter, 1994). 

1.5.5 BADANIE PERCEPCJI MOWY 

W tym rozdziale omówiono zależności wiążące wyrazistość i zrozumiałość mowy, 

stosowane pomiary percepcji mowy i zasady tworzenia testów sprawdzających jej 

zrozumiałość, jak i dodatkowe czynniki wpływające na zmianę zrozumiałości mowy. 

1.5.5.1 Pomiary percepcji mowy 

Jassem (1974) wymienia najczęściej stosowane miary percepcyjnej oceny 

przekazywanej mowy. Zalicza do nich: 

• wyrazistość głosek określa w procentach poprawność odbioru w danych warunkach 

każdego fonemu danego języka z osobna. Badania tego typu są ważne zwłaszcza w 

tych przypadkach, kiedy przy bardzo dużych zakłóceniach lub zniekształceniach 

operuje się pewnym ograniczonym zasobem wypowiedzi; 

• wyrazistość głoskowa opisuje ogólny udział procentowy prawidłowo odebranych 

fonemów. Właśnie dla badania wyrazistości głosek i wyrazistości głoskowej układa 

się listy logatomowe; 

• wyrazistość sylabiczna wskazuje procentowy udział w danych warunkach prawidłowo 

odebranych sylab; 

• zrozumiałość wyrazowa określa względną liczbę poprawnie odebranych wyrazów; 

• zrozumiałość zdaniowa w takich badaniach podaje się całe zdania, które słuchacz 

zapisuje, bądź powtarza. Używa się też czasem prostej metody zadawania pytań, na 

które odpowiedź może być tylko jedna (np. Stolica Polski?). 

1.5.5.2 Kryteria lingwistyczne doboru list odsłuchowych 

Listy odsłuchowe są stosowane w różnych dziedzinach, w których badaniom 

podlegają możliwości lub ograniczenia percepcji mowy w zakresie elementów 

segmentalnych, np. w telekomunikacji, akustyce wnętrz, badaniu dobroci ścieżki dźwiękowej 

filmu, w audiometrii słownej, czy też w badaniu wpływu zakłóceń na zrozumiałość mowy. W 

27

zależności od różnych założeń, potrzeb oraz warunków Pruszewicz (2000) wyróżnia kilka 

kryteriów fonetyczno-lingwistycznych stosowanych przy układaniu takich list: 

• zrównoważenie fonematyczne. Listę, lub zespół list traktowanych łącznie, określa się 

jako zrównoważone fonematycznie, jeżeli liczebność poszczególnych fonemów jest 

taka sama (lub w zbliżona) do względnej częstości ich występowania dla danego 

języka; 

• obciążenie fonetyczne. Lista (lub listy) są obciążone fonetycznie, jeżeli dominują w 

nich fonemy o relatywnie wysokich lub relatywnie małych częstotliwościach (w 

sensie akustycznym); 

• wyrównanie fonematyczne. Listę wyrazową określamy jako wyrównaną 

fonematycznie, jeśli częstość występowania w niej wszystkich fonemów jest w 

przybliżeniu taka sama w poszczególnych listach; 

• wyrównanie częstościowe wyrazów. Dla ważniejszych języków istnieją obecnie 

słowniki frekwencyjne podające częstość występowania leksemów 9 w różnego 

rodzaju tekstach pisanych. Jest to tzw. częstość obiektywna leksemów. Jest ona 

skorelowana z częstością subiektywną, która odpowiada wyczuciu częstości użycia 

poszczególnych leksemów w mowie przez użytkowników języka. Częstość 

subiektywna jest ważnym czynnikiem w badaniach audiometrycznych z uwagi na 

docenianą w psychologii mowy jej korelację z łatwością dostępu do leksykonu 

umysłowego. W utrudnionych warunkach słyszenia odbiorca łatwiej odbiera leksemy 

częste (lepiej znane) niż leksemy rzadkie (mniej znane). Wszystkie wyrazy powinny 

mieć w dobrym przybliżeniu taką samą częstość subiektywną, to znaczy powinny 

wszystkie być częste, tj. dobrze znane, albo wszystkie mało znane, tj. rzadkie; 

• częstość wyrazowa. Rozróżnić należy trzy zasadnicze typy składników list 

audiometrycznych: (α) wyrazy częste, dobrze znane badanym, przy czym uwzględnić 

należy wiek i poziomu wiedzy ogólnej słuchacza, (β) wyrazy ogólnie mało znane, 

oraz (γ) logatomy; 

• zrównoważenie strukturalne polega na takim doborze (pseudo) wyrazów, by na liście 

(lub zespole list traktowanych łącznie) reprezentowana była pod względem 

częstościowym struktura wyrazów. 

1.5.5.3 Dodatkowe czynniki wpływające na zrozumiałość mowy 

Oprócz wspomnianego wcześniej stosunku sygnału do szumu, na zrozumiałość mowy 

ma także wpływ wiele innych czynników, które jednak nie są przedmiotem badań 

przeprowadzonych przez autora niniejszej pracy. Z tego powodu ograniczono się jedynie do 

ich wymienienia i krótkiego scharakteryzowania. Można do nich zaliczyć: 

• pogłos pomieszczenia- działanie jego jest podobne w pewnym sensie do efektu 

maskowania. Energia odbić może bowiem maskować nadany sygnał mowy 

(szczególnie dźwięki spółgłoskowe). Optymalny 10 czas pogłosu jest funkcją objętości 

pomieszczenia. Zależność tę pokazano na Rys. 1-14. Dla porównania podano także 

optymalne czasy pogłosu dla sal muzycznych i kinowych. Czas pogłosu dłuższy od 

optymalnego może prowadzić do nakładania się poszczególnych elementów mowy, 

gdyż energia jednego z nich nie zdąży zaniknąć w czasie, gdy pojawi się już kolejny 

element; 

• efekt wygładzania sygnału w pomieszczeniach w dziedzinie czasu- wygładzanie 

związane jest z nakładaniem się odbić różnego rzędu. Wykorzystano to w obiektywnej 

9 Leksemy- wyrazy z leksykonu, hasła słownikowe. 

10 Określenie ”optymalny” odnosi się do czasu pogłosu, dla którego uzyskuje się najlepszą zrozumiałość (w 

przypadku mowy) lub najpełniejsze brzmienie (w przypadku muzyki). 

28

metodzie analizy zrozumiałości mowy w pomieszczeniu- RASTI, w której wyznacza 

się tzw. funkcję przeniesienia modulacji. 

• zniekształcenia nieliniowe sygnału- zniekształcenia te mogą zawierać składowe 

harmoniczne parzyste i nieparzyste oraz składowe sumacyjne i różnicowe. Znaczący 

wpływ na zrozumiałość maja nieparzyste składowe harmoniczne; 

• zniekształcenia fazowe- mają zdecydowanie mniejsze znaczenie; 

• zniekształcenia amplitudowe obwiedni mowy- np. efekt obcinania maksimów 

pogarsza jedynie naturalność brzmienia mowy. Jeśli natomiast usunie się pewne 

fragmenty czasowe sygnału, wówczas zrozumiałość ulega zdecydowanemu obniżeniu; 

Jak można zauważyć istnieje szereg czynników wpływających na percepcję mowy. 

Warto tu podkreślić, iż wiele z tych czynników występuje jednocześnie znacząco wpływając 

na zrozumiałość mowy. 

500 5000 50000 

2,8 

2,6 

2,4 

2,2 

2,0 

sale kinowe 

średnia dla mowy 

muzyka lekka 

średnia dla muzyki 

chór, organy 

2,8 

2,6 

2,4 

2,2 

2,0 

T, s 

1,8 

1,6 

1,4 

1,2 

1,0 

1,8 

1,6 

1,4 

1,2 

1,0 

0,8 

0,8 

500 5000 50000 

V, m 3 

Rys. 1-14. Optymalny czas pogłosu jako funkcja objętości pomieszczenia. Parametrem jest przeznaczenie 

sali. Dane pochodzą z (Śliwiński i Ozimek, 1974). 

29

2 Słyszenie binauralne 

Ponieważ słyszenie binauralne jest bardzo złożonym procesem, toteż w tej pracy 

ograniczono się jedynie do opisu tych zagadnień, które są bezpośrednio powiązane z 

przedmiotem jej badań. Opisano więc procesy lokalizacji i lateralizacji oraz czynniki na nie 

wpływające, tj. międzyuszną różnicę czasów (ITD 11 ) oraz międzyuszną różnicę natężeń 

(IID 12 ). Dużo miejsca poświęcono także zjawisku binauralnej różnicy poziomów maskowania 

(BMLD 13 ), jako, że stanowi ona podstawę zjawiska supresji przestrzennej. Pozostałe efekty 

percepcji binauralnej np. fuzję i dudnienia binauralne, percepcję ruchu źródła, czy też 

binauralną percepcję dźwięków zmodulowanych pominięto. 

Percepcja binauralna oznacza percepcję dźwięku dokonywaną za pomocą obu uszu. 

Dzięki niej możliwa jest ocena położenia źródła dźwięku w przestrzeni (określenie kierunku i 

odległości od obserwatora, czyli jego lokalizacja), bowiem większość czynników 

ułatwiających lokalizację zależy od porównania sygnałów docierających do obydwu uszu. 

Przestrzenna percepcja dźwięków zależy od sposobu prezentacji dźwięku słuchaczowi. 

Jeśli prezentacja ta odbywa się za pomocą głośnika, wówczas obraz dźwiękowy tworzy się na 

zewnątrz głowy słuchacza. Efekt ten nazywany jest eksternalizacją obrazu dźwiękowego. W 

tym przypadku interesuje nas lokalizacja źródła dźwięku. Jeśli natomiast dźwięk 

prezentowany jest za pomocą słuchawek, wówczas obraz dźwiękowy lokalizowany jest 

najczęściej wewnątrz głowy 14 . Efekt ten nazywa się internalizacją obrazu dźwiękowego, 

natomiast wrażenie przemieszczania się tego obrazu wewnątrz głowy na osi łączącej oba uszy 

nazywa się lateralizacją. 

Kierunki źródeł dźwięku w przestrzeni określa się zazwyczaj względem głowy. W tym 

celu definiuje się trzy płaszczyzny przedstawione na Rys. 2-1. Płaszczyzna horyzontalna 

przechodzi przez górne krawędzie wlotów do kanałów słuchowych i dolne krawędzie 

oczodołów, płaszczyzna przednia jest prostopadła do płaszczyzny horyzontalnej i przecina 

górne krawędzie wlotów do kanałów słuchowych zewnętrznych. Płaszczyzna środkowa jest 

prostopadła do pozostałych dwóch płaszczyzn. Wszystkie te płaszczyzny mają wspólny punkt 

przecięcia leżący w przybliżeniu w środku głowy. Punkt ten określa początek układu 

współrzędnych, względem którego określa się kierunki propagacji dźwięku w stosunku do 

obserwatora. Kierunek, z którego dochodzi dźwięk, określa się za pomocą kąta azymutalnego, 

o 

θ oraz kąta biegunowego (horyzontalnego), δ . Np. dźwięk o azymucie 90 i kącie 

o 

biegunowym równym 0 leży dokładnie naprzeciw lewego ucha, podczas gdy dla 

o 

θ = δ = 90 źródło dźwięku leży nad głową słuchacza. 

11 Z ang. Interaural time difference. 

12 Z ang. Interaural intensity difference. 

13 Z ang. Binaural masking level difference. 

14 Jeśli słuchaczowi prezentuje się przez słuchawki nagrania dokonane za pomocą sztucznej głowy, to dochodzi 

do eksternalizacji obrazu dźwiękowego. Nagrania takie wiernie odwzorowują przestrzenne ustawienie źródeł 

dźwięku względem słuchacza. 

30

Rys. 2-1. Układ współrzędnych stosowany do określenia kierunków dochodzenia dźwięków względem 

głowy. azymut oznaczono jako kąt θ , a kąt biegunowy oznaczono przez δ . Odległość źródła dźwięku od 

głowy oznaczono przez r (wg Moore’a, 1999). 

2.1 Czynniki lokalizacyjne 

Rozważmy źródło dźwięku umieszczone po jednej stronie głowy w płaszczyźnie 

horyzontalnej. Tworzy się wówczas binauralna różnica odległości, i dlatego dźwięk 

dochodzący do dalszego ucha jest opóźniony w czasie względem dźwięku dochodzącego do 

bliższego ucha i dodatkowo ma mniejsze natężenie. Tak więc podczas lokalizacji słuchacz 

może porównywać charakterystyki fizyczne sygnałów docierających do prawego i lewego 

ucha. W ten sposób powstaje tzw. międzyuszna różnica czasu (ITD) oraz międzyuszna 

różnica natężeń (IID). Na Rys. 2-2 pokazano różnicę dróg fali akustycznej docierającej do 

lewego i prawego ucha. 

Rys. 2-2. Różnica dróg fali akustycznej docierającej do lewego i prawego ucha w płaszczyźnie 

horyzontalnej, przy padaniu fali pod kątem Θ względem linii Le-Pr (wg Ozimka, 2002). 

31

Zgodnie z tym rysunkiem, fala akustyczna po dotarciu do ucha prawego (Pr) musi 

przebyć drogę dłuższą o ∆ D , aby dotrzeć do ucha lewego (Le). Droga ta jest równa: 

∆D = AB + BLe = r (sin Θ + Θ) , (1) 

gdzie: r - promień głowy, Θ - kąt (w radianach) położenia źródła dźwięku względem 

g 

obserwatora. 

Czas opóźnienia fali akustycznej ∆ t wynikły z różnicy dróg ∆ D jest równy: 

∆D 

∆ t = 

c 

(2) 

gdzie c jest prędkością dźwięku. Wielkość ∆ t określa szukaną międzyuszną różnicę czasu. 

Dla sygnału sinusoidalnego o częstotliwości f można określić dodatkowo międzyuszną 

różnicę fazy ∆Φ (w stopniach), która wynosi: 

o 

∆Φ = ω ∆t 

= 2πf∆t 

= 360 f∆t 

(3) 

Na podstawie wzoru (2) można wyznaczyć zależność międzyusznych różnic czasu 

(ITD.) w funkcji azymutu. Wykres taki przedstawiono na Rys. 2-3. Zakres wartości 

międzyusznych różnic czasu (ITD) rozciąga się od 0 µs (dla dźwięków padających z przodu) 

o 

do 690 µs dla dźwięków, których kierunek propagacji ma azymut równy 90 (padających z 

boku na jedno z uszu). 

g 

Rys. 2-3. Wykres międzyusznych różnic czasu (ITD) w funkcji azymutu (wg Moorea, 1999). 

Dla tonów o małej częstotliwości ten czynnik lokalizacyjny dostarcza wystarczającej 

informacji o położeniu źródła dźwięku. Jednak dla tonów o większych częstotliwościach, 

których długość fal jest porównywalna lub mniejsza od odległości między uszami (ok. 23 

cm), opóźnienie to nie jest jednoznacznym czynnikiem lokalizacyjnym. Dla tonu o dużej 

częstotliwości dana różnica faz sygnałów w obu uszach może odpowiadać różnej liczbie 

okresów fali docierającej do każdego z uszu. Niejednoznaczności zaczynają się pojawiać, gdy 

pół długości fali ma ok. 23 cm, co odpowiada częstotliwości 750 Hz. Ton o takiej 

o 

częstotliwości emitowany ze źródła dźwięku umieszczonego pod kątem azymutalnym 90 

powoduje, że do obydwu uszu dochodzą fale, które mają przeciwne fazy. Ocena położenia 

źródła dźwięku jest wówczas niejednoznaczna, ponieważ fala dochodząca do prawego ucha 

32

może o pół cyklu wyprzedzać lub być o pół cyklu opóźniona względem fali dochodzącej do 

lewego ucha. Ruchy głowy lub źródła mogą tę niejednoznaczność rozstrzygnąć. 

Przy ustalonym kącie padania fali akustycznej wartość międzyusznej różnicy natężeń 

(IID) jest funkcją częstotliwości dźwięku (Rys. 2-4). Dźwięki, których długości fali są 

porównywalne z wymiarami głowy ulegają na niej dyfrakcji, czego skutkiem jest to, że cień 

akustyczny wytwarzany przez głowę jest bardzo mały. Dla dźwięków o dużych 

częstotliwościach, których długość fali jest mała w porównaniu z wymiarami głowy, 

dyfrakcja jest niewielka. Międzyuszne różnice natężenia (IID) są zaniedbywalnie małe dla 

częstotliwości mniejszych od 500 Hz, lecz dla dużych częstotliwości mogą one dochodzić do 

20 dB. 

Rys. 2-4. Zależność międzyusznej różnicy poziomu ciśnienia akustycznego od kąta azymutalnego źródła, 

dla częstotliwości 200, 1000, 3000 i 6000 Hz (wg Ozimka, 2002). 

Podsumowując możemy stwierdzić, że czynniki umożliwiające lokalizację związane z 

międzyuszną różnicą natężeń są najefektywniejsze dla dużych częstotliwości, podczas, gdy 

czynniki odpowiadające międzyusznej różnicy czasu są najefektywniejsze dla małych 

częstotliwości. Koncepcja taka nosi nazwę teorii dupleksowej i zaprezentowana była przez 

Lorda Rayleigha w 1907 roku. Sprawdza się ona dość dobrze dla tonów, jednak nie jest 

wystarczająco ścisła dla dźwięków złożonych. 

Problem lokalizacji bardzo wnikliwie przeanalizowali Shinn-Cunningham i in. (2000). 

Przedstawili oni tzw. krzywe iso-ITD 15 oraz iso-IID 16 . Zostały one przedstawione na rysunku 

16. Lewa część rysunku pokazuje krzywe ITD co 50µ 

s dla płaszczyzny zawierającej oś 

przechodzącą przez oboje uszu (oś międzyuszną). Międzyuszne różnice natężeń (IID) 

pojawiające się dla źródeł znajdujących się bardzo blisko słuchacza pomagają ujednoznacznić 

pozycję źródła, dla którego występują prawie identyczne ITD. W tym przypadku krzywe iso- 

IID i iso-ITD różnią się od siebie dostarczając właściwych informacji o pozycji źródła. Dla 

źródła w pozycji „×” na Rys. 2-5, słuchacz powinien być zdolny do określenia lokalizacji 

źródła gdzieś wewnątrz szarego obszaru w prawej części rysunku bazując jedynie na 

15 Krzywe iso-ITD wyznaczają powierzchnie w przestrzeni o jednakowej międzyusznej różnicy czasów (ITD) w 

płaszczyźnie horyzontalnej. 

16 Krzywe iso-IID wyznaczają powierzchnie w przestrzeni o jednakowej międzyusznej różnicy natężeń (IID) w 

płaszczyźnie horyzontalnej. 

33

informacji z IID. Dodatkowa informacja pochodząca z ITD ogranicza położenie źródła do 

pozycji między przerywanymi krzywymi (w prawej części rysunku). 

Rys. 2-5. Krzywe iso-ITD (po lewej) i iso-IID (po prawej) jako funkcja usytuowania przestrzennego 

źródła dla akustycznie przejrzystej głowy. Przez symetrię te krzywe są identyczne po obu stronach. Uszy 

oznaczono dwoma małymi kólkami w śodku rysunku. Oś odciętych jest równoległa do osi międzyusznej, 

zaś oś rzędnych jest do niej prostopadła. Szare obszary pokazują miejsca w przestrzeni, które mają 

jednakowe ITD dla pozycji źródła oznaczonej przez „ Ο ” (lewa strona rysunku) lub jednakowe IID dla 

źródła w pozycji „× ” (prawa strona rysunku). Linią przerywaną powtórzono krzywe iso-ITD. 

Wyznaczają one tzw. stożek niepewności dla źródła w pozycji „× ”. Przekrój zawarty między tymi 

przerywanymi liniami a szarym obszarem po prawej stronie stanowi jedyne możliwe położenia źródła 

zgodne jednocześnie z ITD i IID w przypadku źródła znajdującego się w miejscu „× ” (wg Shinn- 

Cunningham i in., 2000). 

2.2 Lateralizacja dźwięku 

Prezentacja dźwięku za pomocą słuchawek powoduje najczęściej powstanie wrażenia 

słuchowego wewnątrz głowy. Podobnie jak lokalizacja, także lateralizacja zależy od 

międzyusznej różnicy parametrów fizycznych sygnałów podawanych na lewe i prawe ucho. 

Dla międzyusznej różnicy natężenia (IID) i międzyusznej różnicy czasów (ITD) równej zero, 

obraz dźwiękowy lokalizowany jest w środku głowy. Dla innych wartości tych różnic, 

następuje przemieszczenie (lateralizacja) obrazu dźwiękowego w kierunku lewego bądź 

prawego ucha, co zależy od wartości i znaku ITD 17 i IID. Zależność położenia obrazu 

dźwiękowego wewnątrz głowy od wartości międzyusznej różnicy faz (IPD), dla sygnału o 

częstotliwości 500 Hz przedstawiono na rysunku Rys. 2-6.a). Oś rzędnych odpowiada skali 

potencjometru wykorzystywanego przez słuchaczy do oceny przemieszczenia się obrazu 

17 Dla sygnałów sinusoidalnych międzyuszna różnica czasu jest równoważna z międzyuszną różnicą fazy (IPD- z 

ang. interaural phase difference). 

34

dźwiękowego wewnątrz głowy. Wartość zero oznacza położenie obrazu w środku głowy, zaś 

10 lub –10 odpowiada położeniu tego obrazu, odpowiednio, w prawym lub lewym uchu. Jak 

o 

o 

można zauważyć, wraz ze wzrostem IPD w granicach od 0 do 60 , obraz dźwiękowy 

przemieszcza się w kierunku ucha, w którym sygnał wyprzedza w fazie sygnał podawany na 

o 

o 

ucho przeciwległe. W przedziale 60 do 120 przemieszczenie obrazu dźwiękowego staje się 

o 

wolniejsze. Dla wartości 180 ocena położenia obrazu nie jest już jednoznaczna i niektórzy 

słuchacze sygnalizują jego położenie w uchu przeciwnym. Zależność położenia obrazu 

dźwiękowego wewnątrz głowy od wartości IPD maleje wraz ze wzrostem częstotliwości 

sygnału i praktycznie zanika dla częstotliwości powyżej 1500 Hz. 

Położenie obrazu dźwiękowego wewnątrz głowy zależy również od międzyusznej 

różnicy poziomu ciśnienia akustycznego. Przedstawiono to na rysunku Rys. 2-6.b). Jak 

widać, dla wartości różnic tego poziomu w granicach 16-18 dB, słuchacze sygnalizują już 

maksymalne boczne położenia obrazu dźwiękowego. 

Rys. 2-6. a) Zależność położenia obrazu dźwiękowego wewnątrz głowy od międzyusznej różnicy fazy, dla 

sygnału o częstotliwości 500 Hz; b) Zależność położenia obrazu dźwiękowego wewnątrz głowy od 

międzyusznej różnicy poziomu ciśnienia akustycznego, dla sygnału o częstotliwości 200Hz. 

Licklider (1948) w swojej pracy poświęconej badaniu wpływu międzyusznych różnic 

fazy na maskowanie mowy przez szum biały przedstawił również wpływ IPD na lateralizację 

źródeł zarówno mowy, jak i szumu. Wyniki tych badań zilustrowano na rysunku 18. Symbol 

„+” oznacza, że sygnały (mowa lub szum) w obydwu uszach były w fazie, zaś symbol „-”, że 

odpowiednie sygnały były w przeciwfazie. Przez „0” oznaczono sytuację, w której sygnały 

docierające do obu uszu były nieskorelowane. 

Dla tych sześciu sytuacji, jak również dla sytuacji, gdy sygnał mowy lub szum był 

podawany monauralnie do lewego (L) lub prawego (R) ucha Licklider wyznaczył lokalizację 

źródeł dźwięku wewnątrz głowy (Rys. 2-7). „OFF” oznacza, że dany sygnał był wyłączony. 

Rozpatrując międzyuszne relacje fazowe sygnału oraz szumu, Licklider 

wywnioskował, że: 

• mowa „przesuwa się do góry”, jak gdyby chciała się „uwolnić z otaczającego ją 

szumu”; 

• szum „zasłania” głównie tę część mowy, która zajmuje tę samą przestrzeń, co szum 

wewnątrz głowy; 

35

• mowa i szum słabiej się nakładają, kiedy sygnały te w obu uszach są w antyfazie w 

porównaniu z sytuacją, gdy są one zgodne w fazie. 

Jak łatwo zauważyć w zależności od relacji fazowych obrazy mowy, jak i szumu 

powstają w różnych częściach głowy. Fakt ten umożliwia rozseparowanie poszczególnych 

sygnałów i owocuje obniżeniem progu detekcji sygnału lub, w przypadku mowy, poprawą jej 

zrozumiałości. 

Rys. 2-7. Wpływ IPD na lokalizację mowy i szumu białego wewnątrz głowy. Symbol „+” oznacza, że 

sygnały (mowa lub szum) w obydwu uszach były w fazie, zaś symbol „-”, że odpowiednie sygnały były w 

przeciwfazie. Przez „0” oznaczono sytuację, w której sygnały docierające do obu uszu były 

nieskorelowane. Zakropkowane obszary oznaczają miejsce lokalizacji szumu, zaś obszary czarne- miejsce 

lokalizacji mowy wewnątrz głowy w danej sytuacji odsłuchowej (wg Licklidera, 1948). 

2.3 Binauralne różnice poziomu maskowania 

Oprócz zasadniczej roli, jaką spełnia binauralna percepcja w lokalizacji źródła 

dźwięku, ma ona również znaczny swój udział w zmniejszeniu efektu maskowania sygnału 

przez zakłócenia zewnętrzne. Okazuje się bowiem, iż próg maskowania sygnału w warunkach 

odsłuchu dwuusznego może być czasami znacznie niższy od progu wyznaczanego przy 

odsłuchu jednousznym (Moore, 1999). Na Rys. 2-8 przedstawiono kilka możliwych sytuacji. 

36

Rys. 2-8. Ilustracja dwóch sytuacji, w których występują binauralne różnice poziomów maskowania 

(BMLD). W warunkach a) i c) wykrywalność sygnału jest niewielka, a w warunkach b) i d) międzyuszne 

relacje pomiędzy sygnałem i maskerem są różne, a wykrywalność sygnału jest dobra (obrazuje to 

uśmiechnięta twarz) (wg Moore’a, 1999). 

Przez słuchawki stereofoniczne podawany był szum biały pochodzący z generatora. 

Tony, również pochodzące z tego samego generatora, dostarczane są oddzielnie do każdego z 

uszu i mieszane z szumem- wypadkowe sygnały dochodzące do obydwu uszu są takie same, a 

ich poziomy wyregulowane w ten sposób, by ton był zaledwie maskowany przez szum 

(osiągał próg maskowania). Ten poziom sygnału sinusoidalnego oznaczono symbolem L o 

dB. Złóżmy też, że sygnał (ton) został odwrócony w fazie, co odpowiada sytuacji, w której 

został on przesunięty o π radianów. W wyniku takiej zmiany ton staje się znowu słyszalny 

(Rys. 2-8.b). Poziom tego tonu można ponownie zmniejszyć, doprowadzając go ponownie do 

wartości progu maskowania tego tonu przez szum, oznaczonej jako dB. Różnica dwóch 

opisanych poziomów L o 

− L π 

(dB) jest znana pod nazwą Różnicy Poziomu Maskowania 

(MLD), a ponieważ różnica ta jest wynikiem odsłuchu dwuusznego, często mówi się o 

binauralnej różnicy poziomu maskowania (BMLD 

18 ). 

L π 

18 BMLD- z ang. binaural masking level difference. 

37

Jak wynika z badań (dane takie przedstawiają np. Zwicker i Fastl, 1999 oraz Moore, 

1999) wartość różnicy poziomu maskowania dla małych częstotliwości (do 500 Hz) osiąga 15 

dB, a dla częstotliwości większych od 1500 Hz zmniejsza się do wartości 2-3 dB. Zatem, jak 

już wspomniano we wstępie, proste odwrócenie fazy sygnału w jednym uchu może 

spowodować, że sygnał będzie znacznie łatwiej spostrzegany. 

Bardziej zaskakujący przykład pokazano na rysunku Rys. 2-8.c). Szum i sygnał są 

podawane tylko do jednego ucha i sygnał jest dopasowany tak, aby osiągał próg maskowania 

przez szum. Następnie do drugiego ucha podawany jest tylko szum biały (rysunek 19.d) i 

wówczas znów słychać sygnał. Można więc stwierdzić, iż dodanie szumu do ucha, do którego 

nie podaje się tonu, powoduje, że ton ten staje się lepiej słyszalny. Jednakże, co warte 

podkreślenia, ton ten przestaje być słyszalny, gdy do drugiego ucha doda się oprócz szumu 

także taki sam ton, jak do ucha pierwszego. 

Warto przeanalizować kilka możliwych wariantów doświadczenia. Rozpatrywaną 

sytuację można najogólniej opisać symbolami N (dla szumu) i S (dla sygnału), dodając do 

nich wskaźnik opisujący względną fazę tych sygnałów w obydwu uszach. Odwrócenie fazy 

odpowiada przesunięciu fazy o π radianów (np. N o 

S π 

odpowiada sytuacji, gdy szum w 

obydwu uszach ma tę samą fazę, sygnał zaś jest przesunięty w fazie o π radianów). Litera m 

wskazuje na prezentację monauralną. N u 

będzie oznaczać, że szum w obydwu uszach jest 

nieskorelowany 

19 . 

W Tabeli 5 podano wartości różnic poziomu maskowania dla różnych kombinacji 

sygnału i szumu. 

Tabela 4. Wartości różnic poziomu maskowania dla różnych międzyusznych relacji pomiędzy sygnałem i 

maskerem (wg Moore’a, 1999). 

Związek pomiędzy sygnałem i szumem w Różnica poziomu maskowania w dB 

obydwu uszach 

N u 

3 

S π 

N uS o 

4 

N π 

S m 

6 

N oS m 

9 

N π 

S o 

13 

N o 

S π 

15 

Wiele danych na temat BMLD przedstawili Zwicker i Fastl (1999). Analizowali oni 

m. in. wpływ szerokości pasma maskera na binauralną różnicę poziomu maskowania. Na Rys. 

2-9 przedstawiono zależność progu detekcji sygnału sinusoidalnego od szerokości pasma 

szumu. Próg ten wyznaczano w dwóch przypadkach- przy zachowaniu poprzednich oznaczeń 

były to sytuacje: So N o 

oraz S π 

N 

o 

). Częstotliwość tonu i częstotliwość środkowa pasma 

szumu dla przypadku Rys. 2-9.a) wynosiła 250 Hz, zaś dla przypadku Rys. 2-9.b) 800 Hz. 

Poziom szumu był stały i wynosił 50 dB SPL. W dolnej części rysunku wykreślono BMLD 

19 Opis własności nieskorelowanych sygnałów znajduje się w Dodatku 4. 

38

( L − L ). Ukazuje ona szerokie maksimum między 32 Hz a 100 Hz, gdzie osiągane są 

SoM 

o 

Sπ 

M o 

wartości 18 dB w przypadku 20.a) lub 12 dB w przypadku 20.b). przy większych i 

mniejszych szerokościach pasma szumu binauralna różnica poziomów maskowania obniża 

się. Badania przeprowadzone dla innych częstotliwości środkowych wykazują podobny efekt. 

Ogólnym wnioskiem wynikającym z badań nad binauralną różnicą poziomu 

maskowania jest to, że największe wartości tego efektu znajdowano zazwyczaj dla sygnałów 

o małych częstotliwościach. Dla maskerów szerokopasmowych i dla sygnałów o 

częstotliwościach większych od 1500 Hz różnica poziomu maskowania maleje do 2-3 dB. 

Rys. 2-9. Próg detekcji tonu o częstotliwości 250Hz (a) i 800 Hz (b) jako funkcja szerokości pasma szumu 

maskującego. Symbole pełne połączone linią przerywaną ukazują wyniki przypadku S o 

N o 

, symbole 

puste połączone linią ciągłą przedstawiają wyniki sytuacji 

S π 

N o 

. Poziom ciśnienia akustycznego szumu 

wynosił 50 dB SPL. Dolna część rysunku ukazuje BMLD jako funkcję szerokości pasma maskera (wg 

Zwickera i Fastla, 1999). 

Na podstawie tych danych można stwierdzić, że ważnym czynnikiem wpływającym na 

binauralną detekcję sygnału prezentowanego na tle szumu maskującego jest międzyuszna 

korelacja bodźców binauralnych (sygnału i maskera). Ozimek (2002) podaje, że 

współczynnik międzyusznej korelacji ρ 

k 

, dla bodźców binauralnych o konfiguracji S π 

N o 

jest równy: 

1− 

S / N 

ρ 

k 

= , (4) 

1+ 

S / N 

gdzie S / N jest stosunkiem mocy sygnału do szumu. 

Zjawisko różnicy poziomów maskowania dotyczy nie tylko tonów. Analogiczne 

badania przeprowadzono dla dźwięków złożonych, impulsów i sygnałów mowy, otrzymując 

podobne rezultaty. Wydaje się więc prawdziwe stwierdzenie, że gdy różnice faz lub 

poziomów sygnałów w obydwu uszach różnią się od odpowiednich różnic faz i poziomów 

(czyli IPD i IID) maskerów, wówczas zdolność detekcji i identyfikacji sygnałów polepsza się 

w porównaniu z sytuacją, gdy sygnały i maskery w obydwu uszach mają takie same fazy i 

takie same różnice poziomów. Naturalnym wydaje się też wniosek, iż w otaczającym nas 

39

środowisku różnice takie występują zawsze wtedy, gdy sygnał i masker pochodzą ze źródeł 

usytuowanych w różnych miejscach przestrzeni, a zjawisko to jest ściśle związana z efektem 

„coctail party”. 

2.4 Binauralna różnica poziomu maskowania a zrozumiałość mowy 

W tym rozdziale przedstawiono wyniki badań dotyczących wpływu międzyusznej 

różnicy fazy na zrozumiałość mowy. W doświadczeniach tych przesunięcia fazowe 

wytwarzano sztucznie, nie zajmując się zupełnie wpływem ustawień przestrzennych 

sygnałów (np. ich separacji). Przestrzenne aspekty BMLD zostaną opisane w rozdziale 3, 

jako, że stanowią one podstawę supresji przestrzennej. 

Już w 1846 roku Seebeck wykazał, że międzyuszne relacje fazowe mają ogromny 

wpływ na słyszalność dźwięków. Pomimo tych odkryć i pomimo tego, że międzyuszne 

różnice faz od dawna były uznawane za ważne czynniki przy określaniu umiejscowienia 

źródła dźwięku, analizy IPD w eksperymentach psychoakustycznych dokonano znacznie 

później. Wpływ międzyusznej relacji fazowych (prowadzących do zjawiska BMLD) na 

maskowanie mowy przez szum biały przeanalizował Licklider (1948) w 102 lata po 

odkryciach Seebecka. Zastosował on 6 sytuacji w zależności od międzyusznych relacji 

sygnału mowy i szumu. Wszystkie kombinacje zilustrowano w tabeli 6. 

Tabela 5. Międzyuszne różnice faz dla mowy i szumu dla sześciu scenerii. (wg Licklidera, 1948). 

Lp. Mowa Szum Symbol Klasa 

1 W fazie W fazie + + Współfazowe 

2 W fazie W przciwfazie + - Antyfazowe 

3 W fazie Faza przypadkowa + 0 Heterofazowe 

4 W przciwfazie W fazie - + Antyfazowe 

5 W przciwfazie W przciwfazie - - Współfazowe 

6 W przciwfazie Faza przypadkowa - 0 Heterofazowe 

Okazuje się, że w sytuacji , gdy mowa była prezentowana w przeciwfazie, a szum w 

fazie (oznaczenie - +) osiągnięto trochę lepszą zrozumiałość niż w przypadku odwrotnym 

(oznaczenie + -). Dodatkowo wykazano, że efekt BMLD jest także zależny w pewien sposób 

od poziomu ciśnienia akustycznego szumu. Stwierdzono też, że istotność międzyusznej 

różnicy faz zależy od stosunku sygnału do szumu (SNR), będąc bardziej zauważalną przy 

SNR wynoszącym –10 dB w porównaniu z sytuacją gdy SNR wynosił 0 dB. 

Wyniki zrozumiałości mowy w zależności od scenerii przedstawiono w tabeli 7. Na 

Rys. 2-10 przedstawiono natomiast zrozumiałość mowy w funkcji stosunku sygnału do 

szumu. Parametrem jest klasa prezentowanych sygnałów (zgodnie z tabelą 6). Krzywa 

oznaczona jako „współfazowe” reprezentuje średnią z sytuacji „+ +” i „- -”, itd. Krzywe 

pokazują, podobnie, jak poprzednio, że zrozumiałość jest najlepsza w przypadku klasy 

sygnałów „antyfazowych”, a najgorsza dla klasy sygnałów „współfazowych”. W miarę 

wzrostu SNR krzywe te zbiegają się. Ten fakt potwierdza poprzednie eksperymenty 

wykazując, że efekt BMLD jest większy dla niskich SNR w porównaniu z wysokimi 

stosunkami sygnału do szumu. 

Tabela 6. Wpływ międzyusznych relacji fazowych na zrozumiałość mowy maskowanej szumem białym 

(wg Licklidera, 1948). 

40

SNR 

[dB] 

Poziom 

szumu 

[dB SPL] 

Międzyuszne relacje fazowe 

1 2 3 4 5 6 

+ + + - + 0 - + - - - 0 

Procent poprawnych odpowiedzi 

0 90 69,4 77,4 73,6 79,4 68,4 72,3 

-10 90 14,4 40,3 29,7 43,7 11,3 27,9 

-10 80 18,0 35,4 27,4 43,0 15,8 27,3 

Rys. 2-10. Wpływ BMLD na zależność zrozumiałości mowy od stosunku sygnału do szumu. Krzywa 

oznaczona "współfazowe" przedstawia średnią dla sytuacji ++ i --, "antyfazowe", +- i -+; a 

"heterofazowe", +0 i -0 (wg Licklidera, 1948). 

Durlach i in. (1986) opisali teoretycznie zależność zrozumiałości mowy od stosunku 

sygnału do szumu (SNR) dla różnych międzyusznych relacji fazowych. Na tej podstawie 

można było przewidzieć przebieg krzywych psychometrycznych dla danych IPD. Wykreślili 

oni takie krzywe (rysunek 22) dla trzech relacji sygnał-szum: (π | 0) 

, (M | 0) oraz (0|U). W 

tej notacji symbol poprzedzający pionową kreskę określa międzyuszną relację fazową 

sygnału, zaś sygnał za tą kreską- tę samą relację dla szumu maskującego. 0 oznacza, że dany 

sygnał jest w fazie (IPD wynosi 0), π oznacza międzyuszne przesunięcie fazy sygnału o 

o 

180 , M- odsłuch monauralny, zaś U oznacza, że sygnały w obu uszach były nieskorelowane. 

Rys. 2-11. Przewidywane krzywe psychometryczne dla trzech międzyusznych konfiguracji | 0) 

(M | 0) oraz ( 0 | U ) (wg Durlach i in., 1986). 

(π , 

41

Efekt BMLD staje się oczywisty w sytuacjach, kiedy np. w pomieszczeniu 

prowadzimy rozmowę z drugą osobą, w obecności głośno rozmawiających innych osób. 

Wówczas, pomimo niekiedy bardzo głośnego otoczenia jesteśmy w stanie dość dobrze 

zrozumieć słowa rozmówcy. Warunkiem uzyskania dobrej zrozumiałości mowy jest, aby nasz 

rozmówca (źródło sygnału) oraz rozmowy innych osób (źródła dźwięku maskującego) 

usytuowane były w różnych miejscach sali (a mówca znajdował się z przodu). W takich 

bowiem sytuacjach tworzą się złożone międzyuszne różnice czasu (a co za tym idzie także 

faz), dzięki czemu sygnał jest lepiej słyszalny na tle zakłóceń. Fakt ten stanowi podstawę 

przestrzennego odmaskowywania mowy. 

42

3 3. Przestrzenne odmaskowywanie mowy. Supresja 

przestrzenna 

Wielu naukowców analizowało fakt odmaskowywania mowy w zależności od kąta 

ustawienia maskera, tzn. poprawy jej zrozumiałości lub obniżenie progu jej zrozumienia 

(SRT 20 ). W tym rozdziale przedstawione zostały najważniejsze wyniki badań, ukazujących 

wpływ przestrzennej separacji sygnału i szumu na zrozumiałość mowy. Warto podkreślić, że 

wszystkie wyniki dobrze korelują z teorią binauralnej różnicy poziomu maskowania. 

Przedstawiono tu także dane z prac dotyczących wpływ wielu zakłóceń na 

zrozumiałość mowy. Jednakże trzeba wspomnieć, że takich badań przeprowadzono 

stosunkowo niewiele. Okazuje się jednak, że liczba źródeł ma na zrozumiałość znaczący 

wpływ. 

Dla przykładu Kryter (1994) przedstawił wpływ liczby konkurujących ze sobą głosów 

na zrozumiałość mowy (rysunek 23). Ogólnie można stwierdzić, że im większa liczba głosów, 

tym mniejsza zrozumiałość. 

Rys. 3-1. Zrozumiałość testów słownych jako funkcja poziomu ciśnienia akustycznego różnej liczby 

maskujących głosów. Poziom testów słownych był utrzymany na poziomie 94 dB SPL (wg Krytera, 1994). 

Co ważniejsze, a co stanowi podstawę tej pracy, przy wielu rozseparowanych 

przestrzennie zakłóceniach może dochodzić do tzw. supresji przestrzennej, czyli 

„wzajemnego tłumienia” sygnałów zakłócających, prowadzącego do polepszenia 

zrozumiałości mowy. Okazuje się bowiem, że dwa sygnały maskujące mające ten sam 

poziom całkowity, ale dochodzące z różnych kierunków są często mniej skutecznymi 

maskerami niż jeden sygnał maskujący o tym samym poziomie. Stąd też mówi się często o 

„wzajemnym tłumieniu się dwóch sygnałów maskujących”, choć nie jest to tłumienie 

rozumiane jako zmniejszenie amplitudy (poziomu) sygnałów a raczej jako zmniejszenie 

maskujących właściwości szumu. 

Stwierdzono jednakże, iż bezpośrednie sąsiedztwo zakłócających źródeł względem 

ustawionego naprzeciw słuchacza mówcy miało zdecydowanie większy wpływ na 

20 SRT- z ang. speech reception threshold; określa on poziom ciśnienia akustycznego mowy (lub stosunek 

sygnału do szumu), przy którym 50% wyrazów w zdaniu jest zrozumiałych dla słuchacza. 

43

zrozumiałość niż liczba źródeł (Hawley, Litkovsky i Colburn, 1999). Łatwo to zjawisko 

wyjaśnić w oparciu o binauralne różnice poziomów maskowania (BMLD). 

W pierwszych pracach analizujących te zagadnienia (np. Cherry, 1953; Pollack i 

Picket, 1958) za pomocą słuchawek prezentowano binauralnie dwa jednoczesne sygnały 

mowy, w taki sposób, że do każdego ucha dochodził inny bodziec. Okazało się, że pod 

pewnymi warunkami słuchacze są zdolni zignorować informację dochodzącą do jednego ucha 

i skupić się na informacji dochodzącej do drugiego ucha. Zauważono także, że zrozumiałość 

mowy była zdecydowanie gorsza, gdy oba sygnały były podawane do jednego ucha. W 

oparciu o te doświadczenia zasugerowano, że zdolność rozumienia mowy w hałasie jest 

najgorsza, gdy mowa i szum dochodzą z tego samego punktu przestrzeni, a polepsza się ona, 

w miarę przestrzennego rozseparowywania mówcy i szumu. 

Ten problem został dość łatwo wyjaśniony (Shinn-Cunningham, i in., 2001). Jeśli 

bowiem interesujący słuchacza sygnał, S, jest umieszczony na wprost niego, to lateralizacja 

szumu (przemieszczenie jego obrazu wewnątrz głowy), N, powoduje zmiany w: 

• względnych poziomach S i N dla poszczególnych uszu (zmianie ulega stosunek 

sygnału do szumu, SNR) 

• międzyusznych różnicach czasu (ITD) oraz natężenia (IID) pomiędzy S i N 

Dla stosunkowo odległych źródeł pierwszy efekt wzrasta, gdyż poziom szumu docierającego 

do dalszego ucha maleje (szczególnie dla średnich i wysokich częstotliwości) w miarę jak 

zmienia się lokalizacja maskera. Stąd wniosek, że jeśli sygnał i szum są od siebie oddalone 

(rozseparowane przestrzennie) to do jednego z uszu będzie docierać mniejsza energia 

pochodząca od szumu. Jednocześnie duży przyczynek do wzrostu zrozumiałości mowy, a 

zatem i do supresji przestrzennej wnoszą międzyuszne różnice czasów pociągające za sobą 

międzyuszne różnice faz zarówno dla S jak i dla N. 

Hirsh (1950) jako jeden z pierwszych badał wpływ różnych konfiguracji 

przestrzennych mowy i szumu na zrozumiałość. Ograniczył się on do 4 pozycji źródeł 

względem głowy: z przodu (F), z tyłu (B), z lewej (L) i z prawej (R). Spośród 16 możliwych 

kombinacji pozycji źródeł mowy i szumu, 10 wykorzystano w cytowanej pracy (pierwsza 

litera będzie oznaczać pozycję źródła mowy, druga zaś- pozycję źródła szumu): 

FF LF BF RR FR BB RB FB BL RL 

Wszystkie źródła znajdowały się zawsze na okręgu o promieniu 1 m, zaś sztuczna głowa lub 

słuchacz znajdował się w jego środku. Jako zakłócenie wybrano szum biały przefiltrowany 

filtrem dolnoprzepustowym o częstotliwości odcięcia 7000 Hz lub 2000 Hz. Badania 

zrozumiałości przeprowadzono zarówno w kabinie bezechowej, jak i w pomieszczeniu 

pogłosowym. W tabeli 8 przedstawiono uzyskane w tym doświadczeniu wyniki. 

Tabela 7. Poziom ciśnienia akustycznego mowy [dB SPL] na progu jej rozumienia (SRT) dla 10 

przestrzennych ustawień źródeł. Poziom ciśnienia akustycznego szumu wynosił 80 dB SPL (wg Hirsha, 

1950). 

Mowy 

Pozycja 

Źródła 

Kabina bezechowa 

Pasmo szumu 

0-7000 Hz 

Pasmo szumu 

0-2000 Hz 

Pomieszczenie pogłosowe 

Pasmo szumu 

0-7000 Hz 

szumu 

F F 65 65 66 

L F 63 64 65 

B F 69 69 68 

R R 68 68 69 

F R 67 65 66 

B B 65 64 67 

R B 61 63 64 

F B 68 68 68 

B L 65 64 67 

44

R L 64 63 65 

Zauważalne są tu wyraźne różnice progu rozumienia mowy (SRT) dla różnych 

ustawień przestrzennych. Najwyższe progi otrzymano dla sytuacji, gdy nie może zadziałać 

zjawisko binauralnej różnicy poziomu maskowania, a więc w sytuacjach, gdy zarówno mowa, 

jak i szum docierają z tego samego miejsca w przestrzeni (FF, RR, BB) lub gdy nie było 

międzyusznych różnic fazy i natężenia (FB, BF, a także FF) . Najniższe progi rozumienia 

mowy uzyskano, natomiast, dla ustawień, w których sygnał i zakłócenie były dobrze 

rozseparowane przestrzennie. 

Dość złożone i interesujące badania przeprowadzili Bronkhorst i Plomp (1988). 

Badali oni binauralną różnicę zrozumiałości mowy (BILD 21 ). Nagrali oni w kabinie 

o 

bezechowej za pomocą sztucznej głowy szum mowopodobny pod 7 różnymi kątami (od 0 

o 

o 

do 180 z krokiem 30 ). Szum taki oznaczono jako FF. Następnie dla każdej sytuacji, na 

drodze analitycznej wyznaczono IID oraz ITD szumu. Kolejnym etapem było stworzenie 

takich szumów, które charakteryzowały się jedynie IID (szum taki jest oznaczony jako dL), 

bądź też jedynie ITD (oznaczenie dT) przy danym ustawieniu przestrzennym. W 

eksperymencie wyznaczono stosunek sygnału do szumu, przy którym osiągany był próg 

rozumienia mowy (SRT) dla różnych sytuacji przestrzennych i różnych szumów (FF, dL lub 

dT). Na rysunku 24 przedstawiono wyniki tych badań. Przedstawiono tu średni próg 

rozumienia mowy (SRT) dla trzech różnych typów szumu: FF ("naturalny"), dL 

(uwzględniający jedynie cień akustyczny powodowany przez głowę, który prowadzi do 

międzyusznej różnicy natężenia, IID) oraz dT (uwzględniający jedynie ITD). Wypełnione 

kółka pokazują dane z pracy Plompa i Mimpena (1981). 

Rys. 3-2. Średni próg rozumienia mowy (SRT) dla trzech różnych typów szumu: FF ("naturalny"), dL 

(uwzględniający jedynie cień akustyczny powodowany przez głowę) oraz dT (uwzględniający jedynie 

ITD). Wypełnione kółka pokazują dane z pracy Plompa i Mimpena (1981) (wg Bronkhorsta i Plompa, 

1988). 

Peissig i Kollmeier (1997) przeanalizowali natomiast dość wnikliwie wpływ liczby 

źródeł oraz kąta ustawienia jednego z nich na próg zrozumiałości mowy (SRT). Pozostałe 

21 BILD- z ang. binaural intelligibility level difference. 

45

źródła były nieruchome, mowa była podawana z przodu słuchacza. Na rysunku 25 

przedstawiono wyniki otrzymane w tym doświadczeniu. Oznaczenia różnych konfiguracji są 

o 

następujące: oznacza sygnał mowy dochodzący pod kątem (z przodu słuchacza), N 

S o 

o 

oznacza szum dochodzący pod kątem x . Pozycja kolejnego interferującego szumu jest 

oznaczona kolejną literą N z odpowiednim indeksem oznaczającym kąt położenia tego 

źródła (np. N oznacza, że sygnał mowy dochodzi z przodu słuchacza, dwa szumy 

So N105 

255N x 

0 

x 

o 

o 

o 

są ustawione pod kątami 105 oraz 255 , trzeci szum dochodzi pod zmiennym kątem x ). 

SNR oznacza stosunek sygnału do szumu na progu rozumienia mowy. Poziomy zostały tak 

o 

dobrane, by dla kąta 0 SNR wynosił 0 dB, a poziom zakłóceń w każdym przypadku wynosił 

75 dB SPL. 

Jak łatwo zauważyć wraz ze zmianą odległości kątowej między sygnałami 

zakłócającymi, a sygnałem mowy (zmiana ta pociąga za sobą zmianę międzyusznych różnic 

natężenia i fazy) zmienia się także próg rozumienia mowy. W doświadczeniu tym wykazano 

również, iż w miarę wzrostu liczby zakłócających źródeł próg rozumienia mowy zostaje 

podwyższony. 

Rys. 3-3. Wyniki uzyskane w doświadczeniu przez Peissiga i Kollmeiera (1997). 

a) Próg rozumienia mowy dla słuchaczy o słuchu normalnym (wartość średnia z odchyleniem 

standardowym) jako funkcja kąta azymutalnego źródła zakłócającego (konfiguracja S o 

N x 

). 

Ciągłą linią oznaczono wyniki uzyskane przy użyciu ciągłego szumu jako źródła zakłócającego, 

46

przerywaną linią natomiast oznaczono wyniki uzyskane przy użyciu innego mówcy (czytającego 

fragment „Alicji w Krainie Czarów”) jako źródła zakłócającego; 

b) podobnie, jak w przypadku a), lecz użyto dodatkowego źródła zakłóceń, usytuowanego pod kątem 

o 

105 (konfiguracja So 

N105N 

x 

); 

c) podobnie, jak w przypadku a), lecz użyto dwóch dodatkowych źródeł zakłóceń, usytuowanych 

o 

o 

odpowiednio pod kątami 105 oraz 255 (konfiguracja So 

N105N 

255N 

x 

). 

Okazuje się jednak, że dla zrozumiałości mowy nie bez znaczenia jest efekt 

rozumienia zakłócenia. Chodzi tutaj o fakt, iż inna mowa (rozumiana przez słuchacza) jest 

często lepszym maskerem niż szum mowopodobny. Badania poświęcone temu zagadnieniu 

przeprowadzili Freyman i in. (2001). Badali oni zrozumiałość mowy maskowanej mową 

dwóch innych osób (włączanej bądź do przodu, bądź też wstecz). Parametrem było w tym 

eksperymencie przestrzenne ustawienie źródeł a przeanalizowano dwie sytuacje: 

• F-F- źródło interesującej słuchacza mowy oraz źródło zakłóceń (także mowa) 

znajdowały się z przodu, 

• F-RF -źródło interesującej słuchacza mowy znajdowało się z przodu, natomiast 

zakłócenie (druga mowa) było rozłożone na dwa głośniki (jeden z przodu, drugi z 

prawego boku). 

Wyniki otrzymane w tych badaniach zaprezentowano na rysunku 26. Jak można zauważyć 

zrozumiałość mowy, w przypadku odtwarzania maskera (drugiej mowy) wstecz jest lepsza. 

Sugeruje to, że w przypadku braku zrozumienia sygnału maskującego, polepsza się zdolność 

rozumienia. Dodatkowy wzrost zrozumiałości uzyskano przy rozłożeniu zakłócenia na dwa 

rozseparowane przestrzennie źródła, co wskazuje na zaistnienie zjawiska supresji 

przestrzennej. 

Rys. 3-4. Zrozumiałość mowy maskowanej mową dwóch innych osób. Symbole wypełnione oznaczają 

sytuację, w której masker był włączany wstecz, natomiast puste symbole oznaczają sytuację, w której 

masker był włączany do przodu. F-F oznacza, że zarówno sygnał, jak i zakłócenie dochodziły z przodu, a 

F-RF oznacz, że sygnał dochodził z przodu, a zakłócenie było rozłożone na dwa głośniki (z przodu i 

prawego boku słuchacza) (wg Freymana i in., 2001). 

Warto podkreślić, iż znakomita większość badań poświęconych przestrzennemu 

odmaskowywaniu mowy rozważała obiekt (mówcę) i masker (szum) w tej samej, relatywnie 

dużej odległości. Takie samo podejście do tego problemu zastosowano badaniach 

47

przeprowadzonych przez autora niniejszej pracy. Odstępstwo od tej reguły zaprezentowali 

natomiast Shinn-Cunningham i in. (2001). Oni również, podobnie jak wielu poprzedników 

badali próg rozumienia mowy w zależności od przestrzennych ustawień sygnału (mowy), T i 

maskera (szumu mowopodobnego), M. Jednakże zmieniał się zarówno kąt ustawienia źródeł 

o o o 

w płaszczyźnie horyzontalnej ( 0 , 45 i 90 ), jak i ich odległość od słuchacza (1 m lub 15 

cm). Przeanalizowali oni stosunek sygnału do szumu w pasmach tercjowych (rysunek 27) dla 

lewego (linia kropkowana) i prawego (linia ciągła) ucha jako funkcję częstotliwości 

środkowej na progu rozumienia mowy (SRT). Linią przerywaną na wszystkich rysunkach 

zaznaczono SNR na progu rozumienia mowy w sytuacji prezentacji diotycznej 

22 mowy i 

szumu (-7.6 dB we wszystkich pasmach częstotliwości). Ta konfiguracja stanowi 

konfigurację odniesienia. 

Wyniki przedstawione na rysunku 27 pokazują, że różnice w wartościach stosunku 

sygnału do szumu, SNR w obu uszach mogą być znaczne, jeśli sygnał lub zakłócenie jest 

blisko słuchacza. Jest to bezpośrednia konsekwencja dużych międzyusznych różnic 

poziomów, które powstają dla tak zlokalizowanych źródeł. Te różnice są ważne w 

zrozumieniu zalet, jakie niesie za sobą posiadanie dwojga uszu. Jeśli np. słuchacz ma 

uszkodzony słuch tylko w uchu, w którym jest mniejszy poziom maskera (w przypadku z 

rysunku 27 jest to ucho lewe), to osoba taka będzie miała większe trudności ze zrozumieniem, 

gdy źródła będą w różnych odległościach od niej. Wówczas bowiem nie będzie dużych różnic 

w stosunkach sygnału do szumu w obu uszach. 

22 Diotyczność- sytuacja, gdy dźwięki docierające do obu uszu są identyczne. 

48

Rys. 3-5. Stosunek sygnału do szumu (SNR) w pasmach tercjowych dla lewego (linia kropkowana) i 

prawego (linia ciągła) ucha jako funkcja częstotliwości środkowej na progu rozumienia mowy (SRT). W 

ramkach w lewym dolnym rogu pokazano symbolicznie ustawienia źródeł względem siebie (wg Shinn- 

Cunningham i in., 2001). 

0 

0 

Warunki: a) T ustawione w pozycji ( 0 , 1 m); b) M ustawione w pozycji ( 0 , 1 m); c) T i M pod kątem 

o 

90 (wg Shinn-Cunningham i in., 2001. 

Na rysunku 28 przedstawiono natomiast wartości przestrzennego odmaskowywania (w 

dB) dla każdej z konfiguracji. 

49

Rys. 3-6. Przestrzenne odmaskowywanie (poziom ciśnienia akustycznego sygnału mowy na progu jej 

rozumienia przy stałym poziomie szumu) w odniesieniu do konfiguracji diotycznej. Dodatnie wartości 

oznaczają zmniejszenie poziomu sygnału mowy na progu jej rozumienia w stosunku do sytuacji 

0 

0 

odniesienia. Warunki: a) T ustawione w pozycji ( 0 , 1 m); b) M ustawione w pozycji ( 0 , 1 m); c) T i M 

o 

pod kątem 90 (wg Shinn-Cunningham i in., 2001). 

Wartość przestrzennego odmaskowywania określono jako spadek poziomu ciśnienia 

akustycznego sygnału na progu rozumienia mowy (SRT) dla danej konfiguracji przestrzennej 

(w porównaniu z konfiguracją odniesienia). Poziom szumu był niezmienny. Konfiguracją 

odniesienia była sytuacja diotyczna. Założono, że SRT zależy tylko od stosunku sygnału do 

szumu i jest niezależne od poziomu ciśnienia akustycznego samego szumu. 

o 

W przypadku 28.a) (sygnał, T jest ustawiony cały czas pod kątem 0 i w odległości 1 

o 

m) największą poprawę uzyskuje się, gdy masker jest w odległości 1 m i pod kątem 45 . W 

porównaniu z sytuacją odniesienia poziom ciśnienia akustycznego na progu rozumienia 

mowy obniżył się o około 6 dB. Zrozumiałość nieznacznie spada (podwyższa się wartość 

o 

SRT), gdy masker, M jest pod kątem 90 . Jak łatwo zauważyć przesunięcie M z odległości 1 

m do odległości 15 cm powoduje pogorszenie zrozumiałości (wartości przestrzennego 

odmaskowywania są ujemne). Różnica wartości przestrzennego odmaskowywania między 

sytuacją, w której M był w odległości 1 m, a sytuacją, gdy M, był w odległości 15 cm jest 

taka sama dla każdego kąta ustawienia maskera, tzn. przemieszczenie M z odległości 1 m do 

50

15 cm powoduje około 13 dB wzrost wymaganego poziomu sygnału, T dla każdego z trzech 

o o o 

ustawień kątowych ( 0 , 45 i 90 ). 

o 

W przypadku 28.b) (masker, M jest ustawiony cały czas pod kątem 0 i w odległości 

1 m) przemieszczenie sygnału (T) znajdującego się w odległości 1 m (kwadraty) z pozycji 

o 

o 

45 do pozycji 90 nie powoduje zmian w odmaskowywaniu. Natomiast przemieszczenie, T 

bliżej głowy (15 cm) daje w efekcie duży wzrost przestrzennego odmaskowania. 

Spowodowane jest to oczywiście znacznym wzrostem poziomu sygnału docierającego do 

ucha. 

Rysunek 28.c) obrazuje sytuację, gdy zarówno sygnał, T, jak i masker, M są 

o 

zlokalizowanie pod kątem 90 . Kiedy T i M są w tej samej odległości (15 cm- kółko w lewej 

części rysunku 28.c) lub 1 m- kwadrat w prawej części rysunku 28.c), poziom ciśnienia 

akustycznego sygnału na progu rozumienia mowy musiałby być o około 3 dB wyższy w 

porównaniu z konfiguracją odniesienia. 

4 Eksperyment 

4.1 GENERACJA I REJESTRACJA SYGNAŁÓW 

Do generacji i rejestracji sygnałów zastosowano sztuczną głowę. Każdy z sygnałów 

(sygnał testowy- Polski Test Zdaniowy oraz trwający trzy minuty sygnał zakłócający- babble 

noise) był nagrywany osobno za pomocą sztucznej głowy oraz dodatkowo za pomocą 

wszechkierunkowego mikrofonu referencyjnego (Svantek SV 01A) umieszczonego tuż ponad 

sztuczną głową. Sygnał z tego mikrofonu, po wzmocnieniu w przedwzmacniaczu 

mikrofonowym Svantek SV 08A, był kierowany, podobnie jak sygnały z obu uszu sztucznej 

głowy do konsoli Yamaha 01V96. 

Dzięki zastosowaniu mikrofonu referencyjnego, odpowiedni stosunek sygnału do 

szumu można było uzyskać już bezpośrednio w komputerze w fazie odsłuchu (tuż przed 

podaniem sygnału na słuchawki). Odpowiedni SNR (stodunek sygnału do szumu) był 

wyliczany na podstawie wartości średniokwadratowej (z ang. Root-Mean Square, RMS) 

sygnału testowego i sygnału zakłócającego pochodzących z mikrofonu referencyjnego. 

Wyznaczenie SNR bezpośrednio z sygnałów pochodzących z uszu sztucznej głowy nie było 

możliwe, gdyż stosowano różne konfiguracje przestrzenne zarówno źródła sygnału testowego, 

jak i źródła sygnału zakłócającego. Wynika to z faktu, iż nagrań dokonywano za pomocą 

sztucznej głowy, uwzględniającej efekt BMLD, tak więc SNR był ustalany przy 

wykorzystaniu sygnałów nagranych tuż ponad sztuczną głową. Takie podejście wydaje się 

być najbardziej obiektywne w przypadku wyznaczania stosunku sygnału do szumu, gdyż dla 

różnych ustawień źródeł sygnałów można pominąć efekty cienia akustycznego 

wprowadzanego przez sztuczną głowę. 

4.2 KONFIGURACJA PRZESTRZENNA ŹRÓDEŁ W KABINIE BEZECHOWEJ 

Ze względu na znaczne przyspieszenie procesu wyznaczania SRT możliwe było 

wykorzystanie wielu konfiguracji przestrzennych obu źródeł. Sygnał testowy (Polski Test 

Zdaniowy (Ozimek, Kutzner, Sęk, Wicher i Szczepaniak, 2006)) nagrano pod następującymi 

o o o o o 

kątami (zgodnie z ruchem wskazówek zegara): 0 , 30 , 60 , 90 , 180 oraz dodatkowo pod 

o 

o 

o 

kątem 0 , lecz głowa była pochylona względem pozycji pionowej o 45 lub 90 . Ustawienia 

odwzorowują sytuację, w której źródło mowy jest umieszczone powyżej głowy słuchacza pod 

51

o 

o 

kątem 45 lub nad głową słuchacza (kąt 90 ). Sygnał zakłócający (babble noise) został 

o o o o o o o o 

natomiast nagrany w następujących konfiguracjach: 0 , 15 , 30 , 45 , 60 , 75 , 90 , 180 

(zgodnie z ruchem wskazówek zegara). Zostały przeanalizowane wszystkie kombinacje 

wzajemnych ustawień obu źródeł. Wszystkie źródła znajdowały się w odległości 2 m od 

środka sztucznej głowy. Ogólnie schemat ustawień został przedstawiony na Rys. 4-1. 

Rys. 4-1. Schemat konfiguracji przestrzennych wykorzystanych w eksperymencie. 

4.3 PREZENTACJA SYGNAŁÓW 

Zadaniem słuchacza jest, poprawne wprowadzenie usłyszanego zdania za pomocą 

klikania na wyrazy pojawiające się na panelu składającym się z 18 wyrazów (Rys. 4-5). Do 

wysnaczenia progu rozumienia mowy (SRT 23 ) zastosowano metodę adaptacyjną z procedurą 

1-up, 1-down, z krokiem 1 dB zbieżną do punktu odpowiadającego 50% poprawnych 

odpowiedzi na funkcji psychometrycznej, czyli SRT. Oznacza to, iż po jednej niepoprawnej 

odpowiedzi słuchacza następne zdanie było prezentowane dla stosunku sygnału do szumu o 1 

dB wyższym (1-up), a po każdej poprawnej odpowiedzi, kolejne zdanie prezentowane było 

dla SNR o 1 dB niższym (1-down). W ten sposób możliwe było wyznaczenie progu 

rozumienia mowy na podstawie uśredniania tzw. punktów zwrotnych, czyli SNR, przy 

którym następowała zmiana znaku kroku zmian SNR. 

Warto tu podkreślić, że wszystkie przestrzenne konfiguracje źródeł były dobrane tak, 

by źródła te znajdowały się po prawej stronie sztucznej głowy lub na wprost niej (ewentualnie 

na wprost, ale dodatkowo powyżej sztucznej głowy). Procedura i schemat układu 

wykorzystywanego przy prezentacji znajduje się na Rys. 4-2 (z pominięciem elementu 

odpowiedzialnego za separację sygnałów za pomocą wcześniej wyznaczonych filtrów 24 ). W 

przypadku odsłuchów sygnałów przed zastosowaniem BSS pominięty był element separujący 

sygnały. 

23 SRT określa się jako taki stosunek sygnału do szumu, przy którym słuchacz osiąga 50% zrozumiałość mowy, 

np. zrozumianych zostało 5 z 10 zaprezentowanych zdań. 

24 Ten element nie jest wykorzystywany w niniejszym eksperymencie. 

52

Rys. 4-2. Procedura miksowania sygnałów i układ wykorzystywany w czasie odsłuchów. W przypadku 

odsłuchów sygnałów przed zastosowaniem BSS pominięty był element separujący sygnały. Procedura ta 

była stosowana przy każdym odtwarzaniu kolejnego zdania (on-line). 

W fazie odsłuchów wykorzystuje się układ przedstawiony na 4-3 z tą różnicą, że 

pominięto układ tłumików PA5, a odpowiednie dopasowanie poziomów (70 dB SPL) jest 

dokonywane bezpośrednio w programie w środowisku Matlab. 

Rys. 4-3. Schemat układu wykorzystywanego w odsłuchach w Eksperymentach 1-5. 

Zadaniem słuchacza jest wysłuchanie prezentowanych wypowiedzi, a następnie 

ułożenie ich z 18 wyrazów zaprezentowanych na ekranie komputera. Oprócz wyrazów 

występujących w zdaniu na panelu znajdowały się także wyrazy o brzmieniu podobnym do 

wyrazów znajdujących się w prezentowanym zdaniu, tzw. paronimy. W ten sposób 

możliwość poprawnego ułożenia zdania w przypadku, gdy nie zostało ono usłyszane, jest 

53

znacznie utrudniona. Metoda zastosowana w tym eksperymencie znacznie usprawniła i 

przyspieszyła badania. 

Program odtwarzający sygnały i rejestrujący odpowiedzi słuchacza jest stworzony w 

środowisku Matlab. Odsłuch przebiega w następujących fazach: słuchaczowi prezentuje się 

sygnał (uprzednio nagrane zdanie wraz z zakłóceniami, przed lub po BSS). W tym momencie 

na ekranie pojawia się informacja o prezentacji (Rys. 4-4). 

Rys. 4-4. Na chwilę przed prezentacją sygnału na ekranie pojawiało się okno, które informowało słuchacza 

o tym, że będzie prezentowany sygnał. 

Po wysłuchaniu wypowiedzi na ekranie pojawia się panel z wyrazami, z których 

należy ułożyć usłyszane zdanie, wybierając w odpowiedniej kolejności poszczególne wyrazy 

za pomocą myszki (Rys. 4-5). 

Rys. 4-5. Panel odpowiedzi, składający się z 18 wyrazów, w tym z kilkunastu paronimów. 

Po wpisaniu zdania lub jego usłyszanej części słuchacz naciska przycisk ‘OK’, po 

czym następuje prezentacja kolejnego zdania z listy. W przypadku wprowadzenia błędnego 

wyrazu słuchacz miał możliwość poprawienia pomyłki wciskając przycisk ‘Cofnij’ na panelu. 

Odpowiedzi słuchacza są automatycznie zapisywane w plikach tekstowych. 

4.4 PROGRAM STERUJĄCY 

Poniżej przedstawiono przykładowy skrypt programu sterującego odsłuchami: 

start_from=1; 

54

for xxx_o=start_from:1:27 

subject='imienazwisko'; 

subject_initials='IN'; 

subject_name='Imie Nazwisko'; 

n_level=70; 

comment=’kometrza’; 

FS_TDT=24414.0625; 

listorder = [3 11 16 6 17 20 4 12 25 23 19 15 22 9 21 

2 1 10 14 8 13 18 24 5 7 3 11]; 

paradigmorder=[10 11 12 13 14 15 16 18 28 29 30 31 32 33 

34 36 55 56 57 58 59 60 61 63 17 35 62]; 

if (length(listorder)==27 & length(paradigmorder)==27) 

paradigm = paradigmorder(xxx_o); 

plomp_list = listorder(xxx_o); 

krok_SNR=2; 

chngsnrstep = 4; 

p = set_paradigm_jen(paradigm); 

noise_angle=num2str(p.noise_angle); % kąt pod którym dociera szum 

speech_angle=num2str(p.speech_angle); %dozwolone kąty horyzontalne 

if (paradigm>=46 & paradigm=55 & paradigm 25 

clc; 

disp('Only 25 lists ate in sentence test'); 

break, end 

end 

if test_type=='words' 

l_zdan=440; 

if max(plomp_list)> 22 

clc; 

disp('Only 22 lists ate in word test'); 

break, end 

end 

clz=20; % całkowita liczba zdań w jednej OLSA/PLOMP 

chk_subject_bin; 

disp(' ') 

55

disp(' ') 

disp('Nacisnij teraz Spacje lub Enter !!!!') 

u0=10^(-95/20); 

rms_70=u0*10^(n_level/20); 

pause 

clc 

europa_bin_jen 

clc 

disp('Jeśli chcesz zrobić sobie chwilę PRZERWY- teraz jest na to 

czas...'); 

disp(' '); 

disp(' '); 

disp('Jeśli chcesz słuchać dalej, to naciśnij Enter lub spację i 

lecimy...'); 

clear a* b* c* d* e* f* g* h* i* j* k* l* m* n* o* p* q* r* s* t* 

u* v* w* y* z* 

pause 

pause(2) 

else 

disp('Zla liczebnosc listorder i paradigmorder, powinny miec po 27 

elementow') 

end 

end 

Najważniejsze zmienne w skrypcie wypełniane przez eksperymentatora to: 

1) subject='imienazwisko'; 

w miejsce imienazwisko wpisuje się nick słuchacza 

2) subject_initials='IN'; 

w miejsce IN wpisuje się inicjały słuchacza 

3) subject_name='Imie Nazwisko'; 

w miejsce Imie Nazwisko wpisuje się Imię i Nazwisko słuchacza 

4) comment=’komentarz'; 

W miejsce komentarz można wpisać dodatkowe informacje 

5) listorder = [3 11 16 6 17 20 4 12 

25 23 19 15 22 9 21 2 1 10 14 8 

13 18 24 5 7 3 11]; 

w miejsce liczb w nawiasach kwadratowych wpisuje się numer kolejnej listy (liczbę między 1 

a 25) 

6) paradigmorder=[10 11 12 13 14 15 16 

18 28 29 30 31 32 33 34 36 55 56 

57 58 59 60 61 63 17 35 62]; 

w miejsce liczb w nawiasach kwadratowych wpisuje się kolejność konfiguracji 

przestrzennych szum-sygnał (każda liczba odpowiada konkretnej konfiguracji). 

4.5 PLIK WYJŚCIOWY 

Poniżej przedstawiono przykładowy wycinek pliku wyjściowego: 

-------------------------------------------------------------------------------------------------------------155 

56

Output data from EUROPA_BIN experiment& 20-Sep-2006 15:15:16 

Subject initials& JK 

Subject name& Jan Kowalski 

Test Type& 

SENTENCES 

Noise Angle& 15 

Speech Angle& 60 

VERTICAL& 0 

Vertical Angle& 0 

Krok SNR& 2 

Comment& paradigm 19:45 

Username& 

jen 

Nominal signal level dB& 70 

Lista numer:& 13 

LP& &KOD& &ZDANIE NADANE& &ODPOWIEDŹ& 

&SEN& &WORDS% &SNR& &TYP TESTU& &Nr.zd.& &Typ Szumu& &Kąt& 

----------------------------------------------------------------------------------------------------------------- 

W tym miejscu przedstawione są odpowiedzi słuchacza, które dla pominięcia efektu uczenia 

się zostały wycięte. 

############################### FINAL SCORE 

############################### 

TURNPOINTS: -26 -26 -28.5 -28.5 -30.5 -30.5 -30.5 -29.5 -29.5 -28.5 

THRESHOLD (SRT): -28.8 

NUM OF TURPOINTS: 10 

MINIMUM OF SNR: -31 

MAXIMUM OF SNR: -25 

MEAN: -28.3846 

MEDIAN OF SNRs: -29 

STANDARD DEVIATION: 1.8502 

############################ END OF FINAL SCORE 

############################ 

----------------------------------------------------------------------------------------------------------------- 

Najważniejszym parametrem odczytywanym z pliku jest wartość THRESHOLD (SRT). 

Wartości te wykreślone w funkcji konfiguracji przestrzennej sygnał-szum (np. w funkcji kąta 

szumu przy ustalonym kącie sygnału mowy) stanowią główny wynik badań, a interpretacja 

tych wyników i wykresów jest celem niniejszego eksperymentu 

5 Bibliografia 

Allen, J. (1994). “How do humans process and recognize speech?” IEEE Trans. Speech Audio 

Proc. 2: 567-577. 

Bronkhorst, A. W., and Plomp, R. (1988). „The effect of head-induced interaural time and 

level differences on speech intelligibility in noise.” J. Acoust. Soc. Am. 83, 1508- 

1516. 

Bronkhorst, A. W., and Plomp, R. (1990). „A clinical test for the assessment of binaural 

speech perception in noise.” Audiology 29, 275-285. 

57

Cherry, E. C. (1953). „Some experiments on the recognition of speech, with one and with two 

ears.” J. Acoust. Soc. Am. 25, 975-979. 

Driks, D. D., and Wilson, R. H. (1969). „The effect of spatially separated sound sources on 

speech intelligibility.” J. Speech Hear. Res. 12, 5-38. 

Durlach, N. I., Gabriel, K. J., Colburn, H. S., and Trahiotis, C. (1986). „Interaural correlation 

discrimination: II. Relation to binaural unmasking.” J. Acoust. Soc. Am. 79, 1548- 

1557. 

Feng, G. i E. Castelli (1996). “Some acoustic features of nasal and nasalized vowels: A target 

for vowel nasalization.” Journal of the Acoustical Society of America 99: 3694-3706. 

Freyman, R. L., U. Balakrishnan i K. S. Helfer (2001). “The release from informational 

masking in speech recognition.” Journal of the Acoustical Society of America 109: 

2112-2122. 

Hamlet, S., H. Bunnell i B. Struntz (1986). “Articulatory asymmetries.” Journal of the 

Acoustical Society of America 79: 1164-1169. 

Hawley, M. L., R. Y. Litovsky i H. S. Colburn (1999). “Speech intelligibility and localization 

in a multi-source environment.” Journal of the Acoustical Society of America 105: 

3436-3448. 

Hirsh, I. J. (1950). „The relation between Localization and Intelligibility.” J. Acoust. Soc. 

Am. 22, 196-200. 

Jassem, W. (1974). Mowa a nauka o łączności. Warszawa, PWN. 

Kocinski, J. i A. P. Sek (2005). “Speech intelligibility in various spatial configurations of 

background noise.” Archives of Acoustics 30(2): 173-191. 

Kollmeier, B. i R. Koch (1994). “Speech enhancement based on physiological and 

psychoacoustical models of modulation perception and binaural interaction.” Journal 

of the Acoustical Society of America 95: 1593-1602. 

Kollmeier, B. i M. Wesselkamp (1997). “Development and evaluation of a sentence test for 

objective and subjective speech intelligibility assessment.” Journal of Acoustical 

Society of America 102(4): 1085-1099. 

Kryter, K. D. (1994). The handbook of Hearing and the Effects of Noise. Physiology, 

Psychology, and Public Health. San Diego, Academic Press. 

Liberman, A. M., F. S. Cooper, D. P. Shankweiler i M. Studdert-Kennedy (1967). “Perception 

of the speech code.” Psychol. Rev. 74: 431-461. 

Liberman, A. M. i I. G. Mattingly (1985). “The motor theory of speech perception revised.” 

Cognition 21: 1-36. 

Licklider, J. C. R. (1948). „The influence of interaural phase relations upon the masking of 

speech by white noise.” J. Acoust. Soc. Am. 20, 150-159. 

Miller, G. A., G. A. Heise i W. Lichten (1951a). “The intelligibility of speech as a function of 

the context of the test materials.” Exp. Psychol. 41: 329-335. 

Miller, G. A., G. A. Heise i W. Lichten (1951b). “The intelligibility of speech as a function of 

the context of the test materials.” J. Exp. Psych. 41: 329-335. 

Moore, B. C. J. (1990). “How much do we gain by gain control in hearing aids?” Acta 

Otolaryngologica Suppl. 469: 250-256. 

Moore, B. C. J. (1999). Wprowadzenie do psychologii słyszenia. Poznań, PWN. 

Moore, B. C. J., B. R. Glasberg i M. A. Stone (1999). “Use of a loudness model for hearing 

aid fitting. III. A general method for deriving initial fittings for hearing aids with 

multi-channel compression.” British Journal of Audiology 33: 241-258. 

58

Moore, B. C. J. (2000). “Use of a loudness model for hearing aid fitting. IV. Fitting hearing 

aids with multi-channel compression so as to restore "normal" loudness for speech at 

different levels.” British Journal of Audiology 34: 165-177. 

Moore, B. C. J. (2003). An Introduction to the Psychology of Hearing, 5th Ed. London, 

Academic Press. 

O'Shaughnessy, D. (2000). Speech Communications. Human and Machine. Second Edition. 

Piscataway, IEEE Press. 

Ozimek, E. (2002). Dźwięk i jego percepcja. Aspekty fizyczne i psychoakustyczne. 

Warszawa-Poznań, Wydawnictwo Naukowe PWN. 

Ozimek, E., D. Kutzner, A. P. Sęk, A. Wicher i O. Szczepaniak (2006). “The Polish Sentence 

Test for Speech Intelligibility Measurements.” Archives of Acoustics 31(4 

Supplement). 

Peissig, J. i J. Kollmeier (1997). “Directivity of binaural noise reduction in spatial multiple 

noise-source arrangements for normal and impaired listeners.” Journal of the 


Plomp, R. (1988). “The negative effect of amplitude compression in multichannel hearing 

aids in the light of the modulation-transfer function.” Journal of the Acoustical Society 

of America 83: 2322-2327. 

Plomp, R., and Mimpen, A. M. (1981). „Effect of the orientation of the speaker’s head and the 

azimuth of a noise source on the speech reception thresholds for sentences.” Acoustica 

48, 325-328. 

Pollack, I., and Pickett, J. M. (1958). „Stereophonic listening and speech intelligibility against 

voice babbles.” J. Acoust. Soc. Am. 30, 131-133. Praca zbiorowa 1999. 

„Multimedialna Nowa encyklopedia powszechna PWN.” Wydawnictwo naukowe 

PWN, Warszawa. 

Pruszewicz, A. (1992). Foniatria kliniczna. Warszawa, Państwowy Zakład Wydawnictw 

Lekarskich. 

Pruszewicz, A., Wika, T., Surmanowicz-Demenko, G., Richter, L. (1999). „Polski test 

liczbowy i słowny do badania słuchu oraz testy do treningu słuchowego.” Płyta CD 

audio, Marke-Med. Sp. z o.o. 

Pruszewicz, A. (2000). Zarys audiologii klinicznej. Wydanie drugie. Poznań, Wydawnictwa 

Akademii Medycznej im. Karola Marcinkowskiego w Poznaniu. 

Sapożkow, M. A. (1966). Sygnał mowy w telekomunikacji i cybernetyce. Warszawa, WNT. 

Schouten, M. (1980). “The case against a speech mode of perception.” Acta Psychologica 44: 

71-98. 

Sęk, A., E. Ozimek, E. Skrodzka i A. Wicher (2003). “Intelligibility of speech presented 

against a speech-shaped noise for normal and hearing-impaired subjects.” submitted. 

Sęk, A., E. Skrodzka, E. Ozimek i A. Wicher (2004). “Intelligibility of speech processed by a 

spectral contrast enhancement procedureand binaural procedure.” Archives of 

Acoustics 29(1): 1-10. 

Shinn-Cunningham, B. G., Kopčo, N. (2000). „Tori of confusion: Binaural localization cues 

for sources within reach of a listener.” J. Acoust. Soc. Am. 107, 1627-1636. 

Shinn-Cuningham, B. B., J. Schickler, N. Kopocko i R. Litovsky (2001). “Spatial unmasking 

of nearby speech sources in a simulated anechoic enviroment.” Journal of the 


Stevens, K. N. (1968). “On the relations between speech movements and speech perception.” 

Z. Phonetik Sprachwiss. Kommunikationforsch. 21: 102-106. 

59

Śliwiński, A. i E. Ozimek (1974). Akustyka Laboratoryjna część III. Wybrane zagadnienia i 

metody pomiarowe z akustyki ciała stałego oraz z akustyki pomieszczeń. Warszawa- 

Poznań, PWN. 

Versfeld, N. J., L. Daalder, J. M. Festen i T. Houtgast (2000). “Method for the selection of 

sentence material for efficient measurement of the speech reception threshold.” 

Journal of Acoustical Society of America 107: 1671-1684. 

Wagener, K. (2003). Factors influencing sentence intelligibility in noise. University of 

Oldenburg. 

Zwicker, E. (1952). “Die Grenzen der Hörbarkeit der Amplitudenmodulation und der 

Frequenzmodulation eines Tones.” Acustica 2: 125-133. 

60

6 Dodatki 

6.1 Dodatek 1. Podział polskich samogłosek i spółgłosek 

Tabela 8. Podział polskich spółgłosek (wg Multimedialnej nowej encyklopedii powszechnej PWN, 1999). 

Tabela 9. Klasyfikacja polskich samogłosek (wg Multimedialnej nowej encyklopedii powszechnej PWN, 

1999). 

61

6.2 Dodatek 2. Ciśnienie skuteczne, prms 

Dla przebiegów periodycznych, sinusoidalnych, amplituda jest stała w czasie dlatego 

też jest ona jedną z ważniejszych wielkości fizycznych. Jednakże dla sygnałów bardziej 

złożonych (m. in. aperiodycznych), amplituda jest zmienna w czasie (najczęściej 

nieregularnie), dlatego nie jest ona odpowiednią wielkością charakteryzującą dane przebiegi. 

Z tego powodu dla tego rodzaju sygnałów wyznacza się zamiast amplitudy średni kwadrat 

wartości chwilowej przebiegu p(t) 

w przedziale czasu T (nazywany też wartością 

średniokwadratową lub mocą chwilową). Średni kwadrat wartości przebiegu p(t) określa 

więc wyrażenie: 

T 

2 1 2 

p ( t) 

= ∫ p ( t) 

dt , (5) 

T 

0 

gdzie T - czas uśredniania, zaś t - bieżąca chwila czasu. Jak łatwo zauważyć wartość 

średniego kwadratu ciśnienia zależy od czasu uśredniania T . Wyznaczając dodatnią wartość 

pierwiastka kwadratowego ze średniego kwadratu ciśnienia otrzymuje się tzw. ciśnienie 

skuteczne (z ang. root-mean square): 

p rms 

p 

rms 

= 

1 

T 

T 

∫ 

0 

2 

p ( t) 

dt 

lub, dla N dyskretnych wartości p przebiegu p(t) 

: 

p 

i 

1 

N 

2 

rms 

= ∑ p i 

N i= 

0 

(6) 

(7) 

63

WpÅyw separacji przestrzennej ÅºrÃ³deÅ zakÅÃ³cajÄ cych na ...

Create successful ePaper yourself

Delete template?

Save as template?

WpÅyw separacji przestrzennej ÅºrÃ³deÅ zakÅÃ³cajÄcych na ...