@InProceedings{Gutscher2022_1153,
author = {Lorenz Gutscher and Nicola Klingler and Michael Pucher},
booktitle = {Studientexte zur Sprachkommunikation: Elektronische Sprachsignalverarbeitung 2022},
title = {Einfluss von Entrauschungsverfahren auf die automatische Segmentierung mit WebMAUS},
year = {2022},
editor = {Oliver Niebuhr and Malin Svensson Lundmark and Heather Weston},
month = mar,
pages = {147--153},
publisher = {TUDpress, Dresden},
abstract = {Archivierte Audioaufnahmen von Sprecher*innen ermöglichen es,
Sprachentwicklungen über viele Jahrzehnte hinweg zu untersuchen. Aufgrund der
technischen Beschaffenheit früherer Aufnahmegeräte, wie beispielsweise eines
Phonographen, weisen solche Aufnahmen ein niedriges Signal-Rausch-Verhältnis
(SRV) auf und sind geprägt von Nebengeräuschen und Verzerrungen. Für phonetische
Untersuchungen stellt das ein großes Problem dar, da wichtige Informationen
maskiert werden. Entrauschungsmethoden bieten die Möglichkeit, das Nutzsignal
teilweise wiederherzustellen, was jedoch mit Verlusten einhergeht. Während
spektrale Analysen (wie Formantanalysen) bei stark verrauschten Daten dementsprechend
schwierig sind, können zeitliche Informationen sinnvoller ausgewertet
werden. In dieser Studie wird untersucht, ob Entrauschungsmethoden auf stark
verrauschtes Archivmaterial eines Phonographen aus dem Jahr 1910 angewendet
werden können und welche der drei angewandten Tools (Audacity [1], iZotope [2]
und Praat [3]) sinnvolle Ergebnisse liefern, wenn auf den Output eine automatische
Segmentierung angewandt wird. Für einen Vergleich der Ergebnisse wird von
einer Linguistin eine manuell segmentierte Version angefertigt, die als Referenz
dient. Damit können zeitliche Abweichungen zwischen manuell gesetzten und automatisch
gesetzten Segmentgrenzen gemessen und objektiv evaluiert werden. Die
Studie zeigt, dass sowohl Audacity als auch iZotope gute Ergebnisse erreichen und
eine sinnvolle automatische Segmentierung ermöglichen. Bei der mit Praat entrauschten
Version kommt es dagegen zu Fehlern bei der automatischen Segmentierung
und damit zu großen Abweichungen von der Referenz.},
isbn = {978-3-95908-548-9},
issn = {0940-6832},
keywords = {Poster},
url = {https://www.essv.de/pdf/2022_147_153.pdf},
}