Jahresbericht informatik 2009 - KIT – Fakultät für Informatik

Modellierung zu ermöglichen.
Speaker Recognition
Institut für Anthropomatik
(T. Schultz, Q. Yang)
Die Zuweisung von Stimmen zu Personen unter Verwendung von Informationen aus der
Stimme wird als "Speaker Tracking" bezeichnet. In ein Speaker Tracking System gibt man
den Audio File eines Sprechers. Ausgegeben werden die Bereiche des Audio Files, in denen
der Zielsprecher eine Äußerung macht. Um die Identität eines Sprechers auszugeben, müssen
die Namen der zu erkennenden Sprecher zuvor in das System eingegeben werden sowie
Beispiel-Äußerungen der Sprecher, die für das Training des Systems verwendet werden.
"Speaker Tracking" kann als eine Kombination aus unterschiedlichen Sprecher-
Erkennungsdisziplinen verstanden werden wie die Speaker Diarization und die Open-set
Speaker Identification. Es gibt viele potentielle Anwendungen wie z.B. das automatische
Strukturieren und Indexieren von Audiodaten im Internet ohne manuellen Aufwand. Das
Speaker Tracking System, das wir im Rahmen des Quaero Projektes entwickelten, besteht
aus zwei Hauptkomponenten: Der Speaker Segmentation und der Open-set Speaker
Identification. Für eine gegebene Audiodatei werden zunächst nicht-sprachliche Regionen
entfernt, gefolgt von einer Segmentierung der Sprachregionen basierend auf den Wechseln
der Sprecher. Die Sprachsegmente werden dann in einem Open-set Speaker Identification
(SID) System weiterverarbeitet, um die entsprechenden Sprecher zu erkennen. Unsere
Experimente wurden auf den ESTER2-Daten durchgeführt, die aus französischen
Nachrichten bestehen. Das Baseline-System erreichte eine Half Total Error Rate in Bezug
auf die Zeit (HTER-time) von 25.30% und 31.94% HTER im Bezug auf den Spracher
(HTER-speaker). Nach der Frame-base Score Competition-Methode (FSC) sanken die
HTER-time und die HTER-speaker auf 24.098% bzw. 31.319%. Für die Verbesserung des
Baseline-Systems wurden verschiedene Ansätze untersucht. Beispielsweise kann multimodale
Information kombiniert werden, um die Robustheit des Systems zu erhöhen, wie z.
B. aus Video.
Spektrale Methoden zur EMG-basierten Erkennung lautloser Sprache
(T. Schultz, M. Wand)
Diese Arbeit präsentiert neue Analysen und Resultate für die Spracherkennung mittels
Elektromyographie (EMG), bei der die Aktivität der artikulatorischen Muskeln mittels
geeigneter Elektroden direkt an der Hautoberfläche abgegriffen wird. Diese Technik ermöglicht
Silent Speech Interfaces, da ein bloßes Artikulieren, ohne Produktion von akustischen
Signalen, für die Spracherkennung ausreichend ist. Es hat sich herausgestellt, dass eine
hohe Diskrepanz zwischen EMG-Signalen bei hörbarer und lautloser Sprache besteht, was
negative Auswirkungen auf die Erkennungsleistung von EMG-basierten Spracherkennern
hat.
In dieser Arbeit wird eine Methode der spektralen Analyse vorgestellt, die es ermöglicht,
diese Unterschiede zu analysieren und zu quantifizieren.
257
3