Vorverarbeitung

Auszug

Die erste Aufgabe zur Spracherkennung ist die Detektion von Sprache. Es gilt, aus dem kontinuierlichen Aufnahmesignal zu erkennen, wann genau eine Spracheingabe beginnt und endet. Übliche Verfahren basieren auf der Lautstärke des Signals. Wenn man davon ausgeht, dass sich die Spracheingabe deutlich vom Hintergrundgeräusch abhebt, lassen sich an Hand der Stärke des Signals s(t) die Grenzen der Äußerung feststellen. Als Maß für die Stärke berechnet man über kurze Signalabschnitte (typisch ca. 10 ms) die Energie als Summe der Quadrate:

$$ e = \sum\limits_{t = t_a }^{t_e } {s(t)^2 .} $$

(4.1)

Zur besseren Vergleichbarkeit kann man die logarithmierten Werte

$$ e_l = \log _{10} e $$

(4.2)

. Bild 4.1 zeigt für eine Äußerung den Verlauf der so berechneten Werte e_l. In diesem Beispiel sind gut die Grenzen des Wortes zu erkennen. Zur Sprachdetektion werden die berechneten Energiewerte mit geeigneten Schwellen verglichen. Liegt der Wert oberhalb der Schwelle, wird auf Sprache entschieden.