Objektive Sprachqualitätsvorhersage mittels einer gehörorientierten Vorverarbeitung

Einleitung

Methode der Sprachqualitätsmessung

Die implementierte Signalvorverarbeitung zur Berechnung der internen Repräsentation ist in Abbildung 1 dargestellt.
Die Signalvorverarbeitung besteht aus einer Filterbank, die das Signal in frequenzgruppenbreiten Bändern mit Mittenfrequenzen von 300 bis 4000 Hz bandpaßfiltert, gefolgt von einer Halbwellengleichrichtung und Tiefpaßfilterung, die das Übertragungsverhalten der Haarzellen angenähert nachbildet. Zur Modellierung zeitlicher Verdeckungseffekte und adaptiver Kompression schließt sich eine Kette von Nachregelschleifen /7/ an. Diese bestehen aus fünf hintereinandergeschalteten Dividierern, deren Divisor jeweils ihr tiefpaßgefiltertes Ausgangssignal ist. Die Nachregelschleifen haben die Eigenschaft, stationäre Eingangssignale auf die 32. Wurzel, y = x^(^1/32) ~= log(x), in ihrer Amplitude zu komprimieren. Schnelle Schwankungen der Einhüllenden am Eingang werden dagegen nahezu linear übertragen, da die Divisoren sich nur gemäß der Zeitkonstanten der Tiefpässe ändern können. Die fünf Zeitkonstanten sind linear aufsteigend zwischen 5 ms und 500 ms verteilt. Am Ende der Nachregelschleifen begrenzt ein einfacher Tiefpaß 1. Ordnung mit einer Zeitkonstante von 20 ms das Auflösungsvermögen für zeitliche Einhüllendenfluktuationen.
Die einzelnen Frequenzbänder werden gewichtet. Als Wichtungsfunktion wurde die 40-Phon Isophone gemäß ISO 226 im Bereich von 300 bis 4000 Hz verwendet. Als Maß Q für die Unterschiede zwischen den beiden Repräsentationen wird der Korrelationskoeffizient zwischen den entsprechenden Samplen berechnet. Der maximale Wert von 1 entspricht also einem transparenten Codec. Das so definierte Qualitätsmaß Q kann durch eine monotone Funktion auf die subjektive Mean Opinion Score-Skala (MOS) abgebildet werden.

Ergebnisse

In Abbildung 2 sind die Ergebnisse der Sprachqualitätsvorhersage dargestellt. Die subjektiv gemessene Sprachqualität (MOS) ist als Funktion des objektiven Maßes Q aufgetragen. Jeder Datenpunkt ist mit der Nummer des Codecs (1-6) innerhalb des Tests bzw. durch ein m für den MNRU markiert.
Aus Abbildung 2 erkennt man eine hohe Korrelation der Q/MOS Datenpunkte und eine geringe Schwankungsbreite, innerhalb der die subjektiven MOS-Werte bei festem Q variieren. Der Rang-Korrelationskoeffizient beträgt 0,924, die Standardabweichung für ein angepaßtes Polynom 2. Grades beträgt 0.279. Der Korrelationskoeffizient ist damit sehr hoch und vergleichbar mit dem Wert, den z.B. Beerends gibt für sein Sprachqualitätsmaß PQSM /2/ für den niederländisch-sprachigen Teil desselben Tests angibt (0,94). Obwohl die Codecs und besonders der MNRU jeweils sehr unterschiedliche Verzerrungen erzeugen und verschiedene subjektive Klangeindrücke mit sich bringen, läßt sich in Abbildung 2 keine Gruppierung der Datenpunkte für einzelne Codecs erkennen. Dies deutet darauf hin, daß die verwendete Vorverarbeitung, in Kombination mit dem Korrelationskoeffizienten als Qualitätsmaß, für verschiedene Arten von Verzerrungen eine "perzeptiv richtige" Sprachsignalanalyse leistet. Diese Annahme wird durch Untersuchungen von Tchorz et al. /8/ bestätigt, der dieselbe Vorverarbeitung zur Merkmalsextraktion für Spracherkennungsalgorithmen verwendet.

Literatur