List of previous theses

Im Motorsport hängt die Güte der Kommunikation zwischen Fahrer und Team von der Qualität der Funkübertragung ab. Erfahrungen aus der Praxis zeigen, dass aktuelle Lösungen in dem Bereich nur schlechte Sprachverständlichkeit bei vergleichsweise hohen Latenzen bieten. Das Ziel dieser Arbeit ist die Umsetzung eines Audioübertragungssystems für hochqualitative Fahrerkommunikation im Motorsport. Zu diesem Zweck werden zwei verschiedene Fahrzeugsysteme in Tests an der Rennstrecke evaluiert und auf Basis dessen ein eigenes Hardwaresystem spezifiziert. Weiterhin werden Sender-, sowie Empfängerapplikationen und entsprechendes Monitoring für diese entwickelt. Zusätzlich wird ein MUSHRA-Hörversuch mit Aufnahmen aus dem Rennfahrzeug durchgeführt, um den optimalen Audiocodec für den Anwendungszweck zu finden. Bei 24kBit/s Bitrate erzielen EVS und AAC ELD die höchste Qualität im Test und sind signifikant besser als OPUS. Das entwickelte Übertragungssystem wurde in den produktiven Betrieb überführt und ist seit 3 Monaten bei der DTM im Einsatz.

Sprache ist eines der häufigsten und wichtigsten Mittel bei der Interaktion von Menschen. Daher wäre es ideal, wenn die Menschen dieselbe Sprache verwenden könnten, um mit Maschinen zu kommunizieren, nicht wahr? Eine Reihe von internationalen Forschungs- und Entwicklungsinstituten hat auf den Gebieten der Spracherkennung und Sprachsynthese gearbeitet, um die Mensch-Maschine Interaktion zu erleichtern. Dank dieser Anstrengungen können Computer inzwischen sprechen, hören und sogar Sprache erkennen. Heutige Anwendungen von Sprache in der Mensch-Maschine-Interaktion umfassen Satellitennavigationssysteme, automatisierte Call-Center und intelligente persönliche Assistenten. Sprechen ist eine Fähigkeit des Menschen und Menschen können dies ohne darüber nachzudenken. Dennoch ist es für Computer schwierig, diese Aufgabe zu erfüllen. Forscher haben mehrere Ansätze vorgeschlagen, um Sprache zu synthetisieren. Die einfachste Art besteht darin, aufgezeichnete Klangsegmente aus einem Sprachkorpus in möglichen Kombinationen zu verketten. Der Erfolg eines Mensch-Maschine-Interaktionssystems hängt in hohem Maße von der Qualität einer synthetisierten Sprache ab, oder mit anderen Worten: Die synthetisierte Sprache muss verständlich sein. Der Standard des Sprachsynthesizers wird durch den Mangel an Natürlichkeit, dem Vorhandensein von Artefakten in der synthetisierten Sprache und Rauschen oder unerwünschten / nicht-semantischen Klangereignissen in der aufgezeichneten natürlichen Sprache beeinträchtigt. Daher ist es notwendig, einen hohen Standard der aufgezeichneten Sprache zu erhalten und einen Synthesizer mit möglichst wenigen Artefakten zu gestalten. Mit der Weiterentwicklung von Computertechnologie tritt auch das Gebiet der Künstlichen Intelligenz (KI) immer weiter in Erscheinung. In dieser Arbeit wurden KI-Techniken untersucht und vielversprechende Ansätze gefunden, um Artefakte in synthetisierter Sprache zu identifizieren und zu lokalisieren. Ein großer Korpus natürlicher und synthetischer Sprache wurde analysiert, um die Eigenschaften von menschlichen Sprachäußerungen und von Verkettungsartefakten zu untersuchen. Es wurden Listenexperimente mit Probanden durchgeführt, um menschliche Artefakte in natürlich aufgezeichneter Sprache zu untersuchen. Zwei verschiedene Algorithmen wurden zur Detektion von menschlichen und Verkettungsartefakten in natürlicher bzw. synthetischer Sprache vorgeschlagen. Zusätzlich wurde die Leistungsfähigkeit verschiedener Maschinenlernalgorithmen zusammen mit einem eindeutigen Satz von vorgeschlagenen Merkmalsvektoren verglichen. Die vorgeschlagen Algorithmen ermöglichen eine schnellere Validierung der Qualität von natürlich aufgezeichneter Sprache und auch von synthetisch erzeugter Sprache. Für Menschen hingegen ist eine solche Validierung sehr komplex und aufwändig. Die Ergebnisse der im Rahmen dieser Arbeit durchgeführten Experimente bestätigen, dass die vorgeschlagenen Algorithmen funktionieren. Die hier vorgestellten Algorithmen zur Erkennung von Artefakten können je nach Anwendungsfall herkömmliche Hörexperimente ergänzen oder ersetzen.

Innerhalb dieser Bachelorarbeit wurde die Funktionsweise, eines seitens der Firma HEAD acoustics entwickelten Demonstrators zur Qualitätsanalyse von Ende zu Ende Telefonverbindungen verifiziert. Insbesondere wurde Wert auf die Qualitätsüberwachung dynamischer Verbindungsänderungen während des Gesprächs gelegt. Zur Verifizierung des Demonstrators wurde ein Konversationstests durchgeführt. Innerhalb dieses Konversationstests wurden zur Qualitätsänderung der Telefonverbindung Endgeräte genutzt, die gezielt in ihren akustischen Eigenschaften modifiziert wurden. Ebenfalls konnten während der Konversation Netzparameter (Packet Loss, Delay) und die Stärke eines im Signalweg eingespeisten Echos dynamisch verändert werden. Die Bewertungen des Konversationstests und die Kommentare der Versuchspersonen wurden mit den berechneten Ergebnissen des Demonstrators verglichen und analysiert. Daraus konnten zu einigen Eingangsgrößen des Demonstrators Verbesserungsvorschläge abgeleitet werden. Die Werte einer verbesserten, zweiten Version des Demonstrators konnten ebenfalls noch mit den Daten des Konversationstests verglichen werden.

Das extrahieren von zeitlicher Information aus Musikaufnahmen ist eine der kritischsten Aufgaben für viele Music Information Retrieval Systeme. Onset Erkennung ist eine Methode zur Erkennung der Startzeiten von Noten und wird in vielen Musikverarbeitungsaufgaben als ein erster Schritt genutzt. Beispiele dafür sind die automatische Musiktranskription, das Beat Tracking und die Abschätzung der Geschwindigkeit. Onset Erkennung kann, zum Beispiel im Fall von Schlaginstrumenten, sehr einfach sein. Allerdings gibt es auch Audiosignale welche für diesen Zweck eine deutlich größere Herausforderung darstellen. Die schwierigsten werden von harmonischen Instrumenten wie der Violine oder dem Cello erzeugt. Das Ziel dieser Arbeit ist die Entwicklung eines Systems zur Verbesserung der Onset Erkennung für nicht-perkussive, monophone Musiksignale auf Basis des aktuellen Stands der Forschung. Dafür werden Methoden, welche dem aktuellen Stand der Forschung entsprechen, untersucht und analysiert. Zwei angemessene Ansätze werden dabei als Vergleichsmethoden für die Implementierung und die Bewertung gewählt. Verbesserungen für die Vergleichsmethoden werden mithilfe der Gaussian mixture models ermittelt und abschließend werden die Resultate der Vergleichsmethoden und der neu erarbeiteten Methoden sorgfältig analysiert und miteinander verglichen.

In dem Telefonkonferenzsystem kann das räumliche Audio oder das sogenannte 3D-Audio die wahrgenommene Qualität des Zuhörers verbessern, insbesondere für Mehrpersonengespräche. Mit der räumlichen Information ist es möglich, einzelne Sprecher zu identifizieren und zu unterscheiden. Dies ist insbesondere wichtig für den Fall, dass mehrere Sprecher gleichzeitig sprechen. In Bezug auf die Anwendung von Telefonkonferenzen spielen Beeinträchtigungen auf der Aufnahmeseite wie Lärm und Nachhall eine Rolle bei der Qualitätsbewertung. Die Interaktion von aufnahmeseitigen Beeinträchtigungen und die Vorteile des räumlichen Audio-Renderings werden jedoch nicht vollständig verstanden. Ob das 3D-Audio immer noch besser funktioniert als das nicht-räumliche Audio unter den Beeinträchtigungen, wurde noch nicht diskutiert. Daher ist es das Ziel dieser Arbeit, die Auswirkung und Zuordnung der aufnahmebedingten Beinträchtigungen auf die wahrgenommene Qualität aufzudecken. Um dieses Ziel zu erreichen, wurde ein Hörversuch entworfen, implementiert und durchgeführt. Das Hörmaterial wurde durch die Verarbeitung hochqualitativer Sprachaufnahmen mit verschiedenen Methoden erzeugt. Die Integration von PJSIP und SoundScape Renderer wurde implementiert, um 3D-Audio zu erzeugen. Und die ITU-T G.191 Toolbox wurde verwendet, um die Verschlechterungen zu simulieren. Der Vergleich von Gegensprechen, dem s.g. Double-Talk (zwei Sprecher sprechen gleichzeitig) und Wechselsprechen, dem s.g. Single-Talk (zwei Sprecher sprechen alternativ) ist ebenfalls in dieser Arbeit enthalten. Insgesamt werden vier Kategorien von Stimuli erzeugt und jede Kategorie enthält 25 experimentelle Bedingungen. Die Ergebnisse dieser Studie zeigen, dass das 3D-Audio immer besser als das 1D-Audio ist und das Single-Talk besser als das Double-Talk bei gleicher Beeinträchtigung ist. Das heißt, mit der Beeinträchtigung profitiert das 3D-Audio auch von der räumlichen Wirkung. Darüber hinaus verbessert 3D-Audio bei hochqualitativen Stimuli die Qualität für Double-Talk deutlich, aber für Single-Talk nur wenig. Wenn die Sprache durch Rauschen beeinträchtigt wird, erhöht das 3D-Audio die Qualität von Double-Talk und Single-Talk. Der Vorteil von 3D-Audio, der für ungestörte Sprachsignale bekannt ist, ist ebenfalls für verschiedene aufnahmebedingte Beeinträchtigungen erkennbar.