-
Diese
Erfindung bezieht sich auf nicht-beeinflussende Beurteilung der
Sprachqualität
mit Modellen des Sprechapparates, insbesondere zum Prüfen von
Telekommunikationssystemen und -ausrüstung.
-
Die
Kunden können
nun einen Telekommunikationsdiensteanbieter nach Preis und Qualität der Dienste
auswählen.
Die Entscheidung ist nicht länger
durch ein Monopol festgelegt oder durch begrenzte Technologie beschränkt. Ein
Spektrum von Diensten ist mit verschiedenen Kosten und Qualitäten der
Dienste verfügbar. Die
Diensteanbieter benötigen
die Fähigkeit,
die Wahrnehmung der Qualität
des Kunden vorherzusagen, sodass Netzwerke optimiert und gewartet
werden können.
Traditionell werden Netzwerke durch lineare Beurteilungsverfahren,
Signale auf der Basis von Tönen
und durch einfache Messgrößen aus
dem Ingenieurbereich charakterisiert, wie etwa das Signal-Rausch-Verhältnis. Wenn
die Netzwerke komplexer werden und nichtlineare Elemente wie etwa
Hallunterdrücker
und Kodierer für
Sprachkompression enthalten, besteht eine Forderung nach einem Beurteilungssystem,
das eine engere Beziehung zur menschlichen Wahrnehmung von Signalqualität aufweist.
Diese Rolle fiel typischerweise teuren und zeitaufwendigen subjektiven
Tests mit Testpersonen zu. Diese Tests werden zur Inbetriebnahme
neuer Netzwerkelemente, während
des Entwurfs neuer Kodierungsalgorithmen und zum Testen verschiedener
Netzwerktopologien eingesetzt.
-
Die
neuesten Fortschritte der Modellierung von Wahrnehmung haben zum
Aufbau von objektiven Gehörmodellen
geführt,
die die wahrgenommene Sprachqualität von Telefonie aus der Perspektive
eines Hörers vorhersagen
können.
Die Beurteilungsmethoden erfordern einen bekannten Teststimulus,
um die Netzwerkverbindung anzuregen und dann einen Vergleich bezüglich der
Wahrnehmung zwischen einer Referenzversion des bekannten Teststimulus
und einer von dem zu testenden System verschlechterten Version desselben Stimulus
zu verwenden, um ein Maß für die Qualität der verschlechterten
Version, wie sie von einem menschlichen Hörer wahrgenommen würde, zur
Verfügung
zu stellen.
-
1 zeigt das Prinzip des
BT Laboratories Perceptual Analysis Measurement System (PAMS), das in
den internationalen Patentanmeldungen WO94/00922, WO95/01011 und
WO95/15035 veröffentlicht
ist. In diesem System umfasst das Referenzsignal 11 einen
sprachähnlichen
Teststimulus, der verwendet wird, um die zu prüfende Verbindung 10 anzuregen
und ein verschlechtertes Signal 12 zu erzeugen. Die zwei
Signale werden dann in dem Analyseprozess 1 verglichen,
um ein Ergebnis 18 zu erzeugen, das den subjektiven Einfluss
auf die Verschlechterung des Signals 12 anzeigt, wenn es
mit dem Referenzsignal 11 verglichen wird.
-
Solche
Beurteilungsmethoden sind als „beeinflussend" bekannt, weil dafür erforderlich
ist, die Verbindung 10 aus dem normalen Dienst herauszunehmen,
sodass sie mit einem bekannten Teststimulus 11 angeregt
werden kann. Das Herausnehmen einer Verbindung aus dem normalen
Dienst macht sie für
die Kunden nicht mehr verfügbar
und ist für
den Diensteanbieter teuer. Außerdem
könnten
die Bedingungen, die Verzerrungen und Fehler erzeugen, in einem
Ausmaß der
Netzauslastung begründet
sein, das nur zu den Spitzenzeiten auftritt. Eine Beurteilung außerhalb
der Betriebszeiten könnte
deshalb falsche Qualitätsbeurteilungen erzeugen.
Dies bedeutet, dass verlässliches
beeinflussendes Testen einer Netzwerkverbindung eines Kunden unter
Lastbedingungen relativ teuer ist.
-
Im
allgemeinen wäre
es vorzuziehen, die Sprachqualität
an einem bestimmten Punkt des Netzwerkes kontinuierlich zu überwachen.
In diesem Fall ist eine „nicht-beeinflussende" Lösung attraktiv,
die das Signal im Betrieb nutzt, um Vorhersagen der Qualität zumachen.
Mit dieser Information kann der Netzwerkverkehr durch weniger überfüllte Teile
des Netzwerkes geleitet werden, wenn die Qualität sinkt.
-
Eine
fundamental verschiedene Vorgehensweise ist erforderlich, um ein
verschlechtertes Sprachsignal ohne ein Referenzsignal zu analysieren.
Der ganze Vorgang findet „stromabwärts" von der zu prüfenden Ausrüstung statt.
Nicht-beeinflussender Methoden werden in den internationalen Patentanmeldungen WO96/06495
und WO96/06496 diskutiert. Aktuelle nicht-beeinflussende Ausrüstung zum
Beurteilen führt Messungen
z. B. von Echo, Verzögerung,
Rauschen und Lautstärke
durch, um so zu versuchen, die Klarheit der Verbindung vorherzusagen.
Die Wahrnehmung der Sprachqualität
durch einen Kunden wird jedoch auch durch Verzerrungen und Unregelmäßigkeiten
in der Sprachstruktur beeinflusst, die durch solche einfachen Messungen
nicht beschrieben werden.
-
Die
internationale Patentanmeldung WO97/05730 beschreibt System von
diesem allgemeinen Typ, das darauf abzielt, ein Ergebnis zu erzeugen,
das anzeigt, wie plausibel es ist, dass der vorbeifließende Strom von
Audiodaten von einem menschlichen Lauterzeugungssystem erzeugt wurde.
Dieser Vorgang erfordert Mustererkennung, um die spektralen Merkmale
von Sprache und Verzerrungen zu unterscheiden, sodass ihr Vorhandensein
identifiziert werden kann.
-
Diese
Analyseprozesse verwenden spektrale Modelle, obwohl vorher physiologischen
Modelle für
die Spracherzeugung verwendet worden sind – siehe z. B. die Verwendung
von jedem Modelltyp für
den jeweiligen Zweck in den internationalen Patentanmeldungen WO96/06496
und WO97/00432. Im Gegensatz zu einem physiologischen Modell sind
spektrale Modelle empirisch und haben keine intrinsische Basis,
mit der identifiziert werden kann, welche Laute der Sprachapparat
erzeugen kann. Die physiologischen Artikulationsmodelle, die bei
der Erzeugung von kontinuierlicher Sprache verwendet werden, verwenden
jedoch Zwangsbedingungen, die sicherstellen, dass die erzeugte Sprache
weich und natürlich
klingt. Diese Modelle wären
deshalb für einen
Beurteilungsprozess ungeeignet, da in solch einem Prozess die erzeugten
Parameter auch „unerlaubte" Formen des Sprechapparates
darstellen können
müssen,
die durch die Zwangsbedingungen, die von einem solchen Erzeugungsmodell
verwendet werden, normalerweise entfernt würden. Es sind die Bereiche
mit Fehlern, oder die verzerrt sind, die die Informationen für eine solche
Beurteilung beinhalten; diese in der Stufe der Parametrisierung
zu entfernen, würde
eine nachfolgende Analyse ihrer Eigenschaften überflüssig machen.
-
Wie
in den Ansprüchen
1 bis 15 der vorliegenden Erfindung beansprucht wird, wird ein Verfahren
zur Identifizierung von Verzerrungen in einem Signal, das Sprache überträgt, vorgeschlagen,
bei dem das Signal nach Parametern untersucht wird, die aus einem
Satz von Regeln auf physiologischer Basis unter Verwendung eines
parametrischen Modells des menschlichen Sprechapparates abgeleitet
sind, um Teile des Signals zu identifizieren, die nicht von einem
menschlichen Sprechapparat erzeugt worden sein können. Dies weicht von den oben
beschriebenen Systemen nach dem Stand der Technik ab, die Regeln
für die
empirische Spektralanalyse verwenden, um Sprache von anderen Signalen
zu unterscheiden. Der in der Erfindung verwendete Analyseprozess
betrachtet statt dessen, ob physiologische Kombinationen existieren,
die einen gegebenen Laut erzeugen können, um zu bestimmen, ob es
als möglich
identifiziert werden soll, dass der Laut von einem menschlichen
Sprechapparat erzeugt worden ist.
-
Vorzugsweise
umfasst der Analyseprozess den Schritt der Reduzierung eines Sprachflusses
auf einen Satz von Parametern, die auf die Typen von Verzerrungen,
die beurteilt werden sollen, reagieren.
-
Methoden
zur Nachverfolgung der Hohlräume
und kontextbasierte Fehlersuche können verwendet werden, um Signalfehler
zu identifizieren. Damit können
sowohl Anormalitäten
in einem Moment als auch sequenzielle Fehler identifiziert werden.
Artikulatorische Steuerparameter (Parameter, die aus den Bewegungen der
individuellen Muskeln abgeleitet sind, die den Sprechapparat steuern)
sind für
Anwendungen in der Spracherzeugung extrem nützlich, wo ihre direkte Beziehung
zu den Spracherzeugungssystem genutzt werden kann. Sie sind jedoch
für die
Analyse schwierig zu verwenden, weil die artikulatorischen Steuerparameter
starken Zwangsbedingungen unterliegen, um ihre Übereinstimmung mit der Spracherzeugung
durch reale Anordnungen des Sprechapparates aufrechtzuerhalten.
Es ist deshalb schwierig, fehlerhafte Zustände zu modellieren, die notwendigerweise
die Modellierung von Zuständen
erfordern, die der Sprechapparat nicht erzeugen kann. Es werden
deshalb bevorzugt akustische Röhrenmodelle
verwendet. Solche Modelle ermöglichen
die Ableitung von Beschreibungsgrößen für den Sprechapparat direkt
aus dem Signalverlauf der Sprache, was für das vorliegende Analyseproblem
attraktiv ist, da physiologisch unwahrscheinliche Zustände leicht
identifiziert werden können.
-
Nun
wird eine Ausführung
der Erfindung mit Bezug auf die Figuren im Anhang beschrieben, in
denen
-
1 eine schematische Darstellung
des beeinflussenden Beurteilungssystems PAMS ist, das schon diskutiert
wurde;
-
2 eine schematische Darstellung
des Systems nach der Erfindung ist;
-
3 die Verwendung einer variablen
Fensterlänge
darstellt;
-
4 eine Darstellung der Grenzen
einer Schwingung mit der Grundtonhöhe eines ausgesprochenen Sprachereignisses
ist;
-
5 ein vereinfachtes Röhrenmodell
mit gleichförmiger
Querschnittsfläche
darstellt, das in der Erfindung verwendet wird;
-
6 eine Darstellung des menschlichen
Sprechapparates ist; und
-
7 eine Folge von Querschnittsflächen von
Hohlräumen
darstellt.
-
Nicht-beeinflussende
Beurteilungsprozesse für
die Sprachqualität
erfordern Parameter mit bestimmten Eigenschaften, die aus dem Sprachfluss
extrahiert werden. Sie sollten für
die Typen von Verzerrungen empfindlich sein, die in dem zu prüfenden Netzwerk
auftreten, sie sollten für
alle Sprecher gleichartig arbeiten und sie sollten keine mehrdeutigen
Zuordnungen zwischen Sprachereignissen und Parametern erzeugen.
-
2 zeigt veranschaulichend
die Schritte, die von dem Prozess nach der Erfindung ausgeführt werden.
Es ist klar, dass diese von einer Software ausgeführt werden
können,
die einen Rechner für
allgemeine Zwecke steuert. Das Signal, das von einem Sprecher 27 erzeugt
wird, wird von dem zu prüfenden
System 28 verschlechtert. Es wird am Punkt 20 abgetastet
und gleichzeitig an den Endnutzer 29 übertragen. Die Parameter und
Merkmale, die von diesem Prozess identifiziert werden, werden verwendet,
um ein Ergebnis 26 zu erzeugen, die den subjektiven Einfluss
der Verschlechterung des Signals 2 im Vergleich zu dem
Signal anzeigt, von dem angenommen wird, dass es von der Quelle 27 an
das zu prüfende
System 28 geliefert wurde.
-
Das
verschlechterte Signal 2 wird zuerst abgetastet (Schritt 20),
und dann werden verschiedene einzelne Prozesse mit den abgetasteten
Werten ausgeführt.
-
Ein
Hauptproblem bei nicht-beeinflussender Beurteilung von Sprachqualität ist das
Fehlen von Informationen bezüglich
der Eigenschaften des Sprechers. Im Labor ist es möglich, sprecherspezifische
Algorithmen mit nahezu perfekten Fähigkeiten in den Fehlersuche
zu erzeugen. Dies funktioniert sogar ohne Verwendung einer Referenz
gut, weil in der Entwicklung zuvor bekanntes Wissen über den
Sprecher verwendet wurde. In der realen Anwendung ist der Betrieb
mit vielen Sprechern erforderlich, und die Unterschiede zwischen einzelnen
Sprechern können
signifikante Verringerungen der Leistungsfähigkeit hervorrufen.
-
Der
Prozess nach der vorliegenden Erfindung kompensiert diesen Fehlertyp,
indem die Merkmale von Sprechern sowohl in die Parametrisierungsstufe
als auch in die Beurteilungsphase des Algorithmus eingebunden werden.
Die Merkmale des Sprechers werden auf die begrenzt, die aus dem
Signalverlauf der Sprache selbst abgeleitet werden können, die
aber noch zu Verbesserungen der Leistungsfähigkeit führen.
-
Es
wird ein Modell verwendet, bei dem die gesamte Form des menschlichen
Sprechapparates für
jede Schwingung in der Grundtonhöhe
beschrieben wird. Bei diesem Vorgehen wird angenommen, dass die
zu analysierende Sprache gesprochen ist (das heißt, dass die Stimmbänder vibrieren,
zum Beispiel bei Vokallauten), sodass der anregende Stimulus als
Impuls angenommen werden kann. Die stimmlichen Merkmale des einzelnen
Sprechers 27 werden zuerst identifiziert (Prozess 21).
diese Merkmale, sind für
den Sprecher 27 invariant, wie etwa die durchschnittliche
Grundfrequenz f0 der Stimme, die von der
Länge des
Sprechapparates abhängt.
Dieser Prozess 21 wird wie folgt ausgeführt. Er verwendet einen Abschnitt
der Sprache in der Größenordnung
von 10 Sekunden, um den Sprecher zu charakterisieren, indem er Informationen über die
Werte von Grundfrequenz und der dritten Formanten (dritte Harmonische)
extrahiert. Diese Werte werden nur für die gesprochenen Abschnitte
des Sprachsignals berechnet. Der Mittelwert und die Standardabweichung
der Grundfrequenz werden später
während
der Identifikation der Schwingungen der Grundtonhöhe verwendet. Der
Mittelwert der dritten Formanten wird verwendet, um Länge des
Sprechapparates zu schätzen.
-
Die
Anzahl der Röhren,
die verwendet werden, um die Querschnittsflächen zu berechnen, wird auf
die Länge
des Sprechapparates des Sprechers bezogen, die (als Ableitung von
einem angenommenen Wert von 17 Zentimeter) den Informationen über die
Positionen der Formanten im Sprachsignalverlauf entsprechend gemessen
wird. Durch die Verwendung der dritten Formanten, die im allgemeinen
innerhalb der Bandbreitenbegrenzung der Telefonie vorhanden ist,
ist es möglich,
die Anzahl der Röhren
zu ändern,
um das äquivalente verlustfreie
Röhrenmodell
zu erstellen.
-
Die
geeignete Anzahl von Röhrenabschnitten
ist durch die nächste
ganze Zahl zu Nt gegeben, wobei Nt = 2lfs/cwobei
l = Länge
des Sprechapparates, fs = Abtastfrequenz,
c = Schallgeschwindigkeit (330 m/s).
-
Unter
der Annahme einer Abtastfrequenz von 16 kHz für den durchschnittlichen Sprecher
mit einer Länge
des Sprechapparates von 17 cm und einer durchschnittlichen Frequenz
der dritten Formanten von 2500 Hz führt dies zu 16 Querschnittsflächen, die
erforderlich sind, um das Röhrenmodell
zu erstellen. Mit einer direkten Proportionalität zwischen der durchschnittlichen
Frequenz der dritten Formanten eines Sprechers und der Länge des
Sprechapparates ist es möglich,
den Wert l in der obigen Gleichung zu schätzen. Der Schätzwert lm wird aus lm/17
= 2500/dberechnet, wobei d der Durchschnittswert der dritten
Formanten ist.
-
Für einen
weiblichen Sprecher mit einer durchschnittlichen Frequenz der dritten
Formanten von 3 kHz ergibt dies eine geschätzte Länge des Sprechapparates von
14 cm und eine Anzahl der Röhrenabschnitte
Nt von 14.
-
Dieses
Verfahren zur Normung der Länge
des Sprechapparates reduziert die Variation in den Parametern, die
aus dem Sprachfluss extrahiert werden, sodass ein allgemeiner Satz
von Regeln zur Fehleridentifikation verwendet werden kann, der nicht
durch Variationen zwischen Sprechern beeinflusst wird, wobei von den
Variationen hauptsächlich
die Grundtonhöhe
betroffen ist.
-
Eine
Charakterisierung wurde mit einem Abschnitt von 10 Sekunden Länge am Anfang
durchgeführt, wobei
die identifizierten Parameter (mittlere Grundfrequenz, Standardabweichung
und Länge
des Sprechapparates) für
den Rest des Sprachflusses verwendet werden können, wobei der anfängliche
Prozess periodisch wiederholt wird, um Änderungen des Sprechers 27 zu
detektieren.
-
Die
von dem Signal 2 abgetasteten Werte (Schritt 20)
werden als nächstes
verwendet, um Sprachparameter aus diesen Merkmalen zu erzeugen.
Eine Stufe zur Synchronisation der Grundtonhöhe am Anfang wird ausgeführt (Schritt 22).
Diese Stufe erzeugt einen mit der Schwingungsdauer der Grundtonhöhe gekennzeichneten
Sprachfluss, der die Extraktion von Parametern aus den gesprochenen
Abschnitten des Sprachsignals auf einer variablen Zeitbasis ermöglicht.
Dies erlaubt die Synchronisierung mit dem Erzeugungssystem des Sprachsignalverlaufs,
nämlich
den menschlichen Sprechorganen, was es ermöglicht, Parameter von ganzen
Zeiträumen
von Grundtonhöhen
abzuleiten. Dies wird erreicht, indem die Anzahl der Messwerte in
jedem Fenster so ausgewählt
wird, dass die Fensterbreite einer Schwingung des Sprachsignals
des Sprechers entspricht, wie in 3 gezeigt
ist. Wenn also die Sprachsignale des Sprechers in ihrer Grundtonhöhe steigen und
fallen, folgt dem die Fensterbreite. Dies reduziert die Abhängigkeit
der Parametrisierung von groben physikalischen Eigenschaften der
Sprecher, wie etwa ihre durchschnittliche Grundfrequenz. Es sei
bemerkt, dass die tatsächliche
Abtastrate, die in dem Abtastschritt 20 angewendet wird,
konstant bei 16 kHz bleibt – es
ist die Anzahl der Messwerte, die jedes Fenster bilden, die variiert
wird.
-
Es
existieren verschiedene Methoden zur Erzeugung von synchronen Begrenzungen
der Schwingungen mit Grundtonhöhe
für die
Parametrisierung. Die vorliegende Ausführung verwendet einen hybrides
zeitliches Spektralverfahren, wie es von den Erfindern in ihrer
Veröffentlichung „Constraint-based
pitch-cycle identification using a hybrid temporal spectral method" – 105th AES
Convention, 1998 beschrieben wurde. Dieser Prozess verwendet die
mittlere Grundfrequenz f0 und die Standardabweichung
von diesem Wert, um die Suche nach diesen Grenzen einzuschränken.
-
Das
Ergebnis dieses Verfahrens, das nicht in Echtzeit arbeitet, kann
in 4 betrachtet werden,
die die Grenzen der Schwingungen der Grundtonhöhe (markiert als „X") für ein gesprochenes
Sprachereignis zeigt. Man kann sehen, dass diese mit den größten Spitzen
im Sprachsignals synchronisiert sind, und folglich mit der selben
Frequenz wie Grundfrequenz der Stimme des Sprechers auftreten. Die
Länge der
Schwingungen der Grundtonhöhe
variiert, weil sie Änderungen
in der Grundtonhöhe
der Stimme des Sprechers folgt.
-
Nachdem
die zur Grundtonhöhe
synchronen Parameter identifiziert wurden, kann nun die Parametrisierung
des Sprechapparates durchgeführt
werden (Schritt 23). Es ist wichtig, dass keine Zwangsbedingungen während der
Parametrisierungsstufen bestehen, die Signalfehler durch Glätten eliminiert
oder Signalfehler entfernen, weil sie dann nicht zur Identifizierung
in der Fehleridentifizierungsstufe zur Verfügung stehen. Modelle für die Artikulation,
die bei der Erzeugung von kontinuierlicher Sprache verwendet werden,
verwenden Zwangsbedingungen, um sicherzustellen, dass die erzeugte
Sprache weich und natürlich
klingt. Die Parameter, die bei einer nicht-beeinflussenden Beurteilung erzeugt
werden, müssen
unerlaubte Formen des Sprechapparates darstellen können, die
normalerweise von den Zwangsbedingungen entfernt würden, wenn
ein Modell zur Erzeugung von Sprache benutzt würde. Es sind die Bereiche,
die fehlerhaft oder verzerrt sind, die die Informationen für eine solche
Beurteilung enthalten, diese in der Parametrisierungsstufe zu entfernen
würde eine
nachfolgende Analyse ihrer Eigenschaften überflüssig machen.
-
Im
Prozess nach der vorliegenden Ausführung werden die Reflexionskoeffizienten
zuerst direkt aus dem Sprachsignals über die Periode einer Schwingung
der Grundtonhöhe
berechnet, diese werden verwendet, um die Größe jeder Änderung der Querschnittsfläche des
Modells für
den Sprechapparat zu bestimmen, wobei die Anzahl von einzelnen Röhrenelementen
verwendet werden, die schon aus den Merkmalen des Sprechers abgeleitet
wurden (Schritt 21). die Durchmesser der Röhren, wie
in dem Modell benutzt werden sollen, kann dann aus diesen Grenzbedingungen
abgeleitet werden (Schritt 23). Eine Illustration dieser
Darstellung ist in 5 gezeigt,
die ein vereinfachtes Modell mit gleichförmiger Querschnittsfläche eines
Sprechapparates zeigt. In diesem Modell ist der Sprechapparat als
eine Reihe von zylindrischen Röhren
moduliert, die gleiche Länge
und individuelle Querschnittsflächen
haben, die so gewählt
werden, dass sie den verschiedenen Teilen des Sprechapparates entsprechen.
Die Anzahl solcher Röhren
wurde im Vorverarbeitungsschritt 21 bestimmt. Zum Vergleich
ist die wirkliche Form des menschlichen Sprechapparates in 6 dargestellt. Im linken Teil
der 6 ist ein Schnitt
einer Seitenansicht des unteren Kopfes und die Kehle mit 6 Schnittlinien
gezeigt, die von 1 bis 6 nummeriert sind. Im rechten Teil der 6 sind Ansichten gezeigt,
die auf diesen Schnittlinien liegen. Die nicht kreisförmige Form
des wirklichen Sprechapparates und die Tatsache, dass die wirklichen Übergänge nicht
in abrupten Schritten geschehen, resultieren darin, dass höhere Harmonische
durch das Röhrenmodell
in 5 weniger gut modelliert
werden, aber diese beeinflussen die Analyse zum vorliegenden Zweck
nicht. Wir können
deshalb ein Röhrenmodell
mit gleichförmiger
Querschnittsfläche
verwenden, um den momentanen Zustand des Sprechapparates zu beschreiben.
-
Gewisse
Fehler können
in einzelnen Parametern des Sprechapparates selbst offensichtlich
werden, und können
direkt identifiziert werden. Allgemeinere Regeln zur Identifizierung
von Fehlern können
jedoch aus den Parametern abgeleitet werden, indem diese Bedingungen
zusammengefasst werden. Aus diesem Grund wird die Anzahl der Dimensionen
in der Beschreibung des Sprechapparates an dieser Stelle sogar weiter
reduziert, um eine konstante Anzahl aufrechtzuerhalten (Schritt 24).
Verfahren, die Verengungen im Sprechapparat nachverfolgen, bringen
während
ausgewogener sauberer Sprache große Variationen in den ersten
Parametern der Hohlräume,
die auf kleinere Unterschiede in der Berechnung des Verengungspunktes
zurückführbar sind.
Diese Unterschiede sind signifikant genug, dass gewisse Fehler in
dem verschlechterten Sprachfluss nicht sichtbar werden.
-
Experimentell
wurde gefunden, das die besten Ergebnisse erzeugt werden, wenn der
Sprechapparat in drei Regionen aufgeteilt wird: vorderer Hohlraum,
hinterer Hohlraum und Kieferöffnung.
Die begleitende Tabelle zeigt für
jede Anzahl von betrachteten Röhren
die Anzahl der Röhrenelemente,
die jeden der drei Hohlräume
bilden.
-
-
Die
gesamte Querschnittsfläche
in jeder der Untermengen von Röhren
wird zusammengefasst, um für jeden
Fall die Öffnung
des Hohlraums anzugeben.
-
Beispiele
der Nachverfolgung von Hohlräumen
kann man in 7 sehen,
die (im unteren Teil der Figur) die Variation der Fläche in jeder
der 3 definierten Hohlräume
während
des Ablaufs des (englischen) Sprachsignals „He was genuinely sorry to
see them go" zeigt,
dessen analoge Darstellung in dem oberen Teil der Figur gezeigt
ist. Die freien Abschnitte entsprechen nicht gesprochenen Geräuschen und
Schweigen, die mit diesem System nicht modelliert werden. Dies liegt
daran, dass die Querschnittsflächenparameter
nur während
Sprechereignissen mit Stimme berechnet werden kann, wie etwa die,
die glottale Anregung enthalten, die von der Schwingung der Stimmbänder verursacht
wird. Unter diesen Umständen
können
die Parameter aus dem Sprachsignalverlauf extrahiert werden, der
ihren Zustand beschreibt. Der Rest der Ereignisse ist stimmlos und
wird von Verengungen an verschiedenen Stellen im Sprechapparat verursacht,
was einen turbulenten Luftstrom oder sogar einen kompletten Verschluss
verursacht. Der Zustand des Artikulators ist für solche Ereignisse nicht so
einfach einzuschätzen.
-
Für die aus
den Parametern des Sprechapparates für jedes Fenster der Grundtonhöhe extrahierten Größen der
Hohlräume
(Schritt 24) wird als nächstes
abgeschätzt,
ob Verletzungen der Physiologie vorliegen (Schritt 25).
Für jede
solche Verletzung wird angenommen, dass sie durch die Verschlechterung
des Signals 2 bewirkt wurde, und sie verursacht einen zu
identifizierenden Fehler. Diese Fehler sind im Ergebnis 26 identifiziert.
Die Fehler können
in zwei Hauptklassen kategorisiert werden, momentan und sequenziell.
-
Momentane
Fehler werden identifiziert, wenn für die Größe eines Hohlraumwertes zu
einem gegebenen Zeitpunkt eingeschätzt wird, dass sie eine Form
impliziert, die von einem menschlichen Sprechapparat nicht eingenommen
werden kann. Ein extremes Beispiel davon ist, dass bestimmte Signalverzerrungen übermäßig groß erscheinende
Kieferöffnungen
liefern – z.
B. 30 cm, und die von einem menschlichen Sprechapparat nicht hätten erzeugt
werden können.
Es gibt andere subtilere Situationen, die empirisch gefunden wurden,
in denen gewisse Kombinationen von Größen von Hohlräumen in
menschlicher Sprache nicht auftreten. Jegliche solche physiologisch
unmöglichen
Konstellationen werden entsprechend als ein Anzeichen für eine Signalverzerrung
gekennzeichnet.
-
Einer
der am häufigsten
vorkommenden Bereiche der Verschlechterung im Sprachfluss in modernen Telefonienetzwerken
liegt in der Sprachkodierung. Spezialisierte Kodierungsschemen,
speziell für
Sprachsignale, können
Verzerrungen erzeugen, wenn unrichtige Ausgaben aus dem kodierten
Strom von Parametern erzeugt werden. In dieser Situation können die
einzelnen Fenster völlig
geeignet erscheinen, wenn sie isoliert betrachtet werden, aber wenn
die Eigenschaften der angrenzenden Fenster mitberücksichtigt
werden, wird ein Fehler in dem verschlechterten Signal sichtlich.
Diese Typen von Verzerrungen werden „sequenzielle Fehler" genannt. Sequenzielle
Fehler treten ziemlich oft in stark kodierten Sprachflüssen auf.
Wenn wegen Fehlkodierung oder Korruption während der Übertragung unrichtige Parameter
am Dekoder ankommen, kann der rekonstruierte Sprachfluss ein unerwünschtes
Sprachereignis enthalten. Dieses Ereignis kann „erlaubt" sein – das heißt, wenn es isoliert über eine
kurze Zeitdauer betrachtet wird, erfordert es keine physiologisch
unmögliche momentane
Konstellation des Sprechapparates – aber wenn es gehört wird, würde offensichtlich,
dass ein Fehler vorlag. Diese Typen von Verzerrungen werden im Fehleridentifikationsschritt
identifiziert, indem die Größen der
Hohlräume
und die Parameter des Sprechapparates in Verbindung mit den Werten
der vorhergehenden und nachfolgenden Fenster beurteilt werden, um
Folgen von Größen der
Hohlräume
zu identifizieren, die eine Signalverzerrung anzeigen.
-
Der
Prozess der Fehleridentifizierung 25 arbeitet gemäß den vorher
festgelegten Regeln, die dazu eingerichtet sind, einzelne Werte
von Hohlräumen
oder Folgen solcher Werte zu identifizieren, die physiologisch nicht
auftreten können.
Die Erzeugung einiger Sprachereignisse kann durch mehr als die Konstellation
des Sprechapparates geschehen. Dies kann offensichtliche sequenzielle
Fehler liefern, wenn der Prozess auf eine Folge reagiert, die ein
solches Ereignis enthält
und wenn der Prozess eine Konstellation des Sprechapparates wählt, die
von der tatsächlich
von dem Sprecher benutzten abweicht. Der Prozess ist dazu eingerichtet,
jegliche offensichtliche sequenzielle Fehler zu identifizieren,
die aus solchen Mehrdeutigkeiten resultieren können, sodass er vermeiden kann,
diese als Fehler falsch zu kennzeichnen.
