gms | German Medical Science

Untersuchungen darüber, wie emotionale Charakteristika der Stimme erzeugt und wahrgenommen werden ist sowohl für die Mensch-zu-Mensch- als auch für die Mensch-Maschine-Kommunikation von wachsender Bedeutung. Für die grundlegenden Emotionen Angst, Ekel, Freude, Trauer und Wut wurden die „klassischen“ prosodischen Merkmale (Tonhöhe, Dauer, Intensität) als basale Determinanten des Sprechausdrucks beschrieben [1], [2]. Darüber hinaus hat sich auch die Phonationsart als wichtiges Merkmal dieser Emotionen herausgestellt [3]. Bislang fehlt es jedoch an Untersuchungen weiterer Merkmale. Aufgrund physiologischer Zusammenhänge ist ein Einfluss von Vokaltraktlänge, Artikulationsgenauigkeit und Nasalität als „sekundäre“ prosodische Merkmale anzunehmen. Es war Ziel dieser Arbeit zu prüfen, ob sich mittels artikulatorischer Sprachsynthese perzeptiv überzeugende Sequenzen in den grundlegenden Emotionen durch die Modulation von klassischen prosodischen Merkmalen generieren lassen. Zusätzlich sollte der Einfluss der sekundären prosodischen Merkmale auf die Wahrnehmung synthetisch generierter emotionaler Äußerungen untersucht werden.

Für die Querschnittsstudien wurden fünf einphrasige emotional unbestimmte neutrale Sätze von einem deutschen Profisprecher eingesprochen. Diese Äußerungen wurden möglichst originalgetreu mit dem Programm VocalTractLab 2.1 [4] resynthetisiert. Auf der Basis bisheriger Erkenntnisse aus der Literatur sowie zusätzlichen Analysen von natürlichem Sprachmaterial wurde mit dem Programm VocalTractLab 2.1 aus den re-synthetisierten neutralen Äußerungen durch die Modulation klassischer Merkmale (Tonhöhe und -umfang, subglottischer Druck, Sprechgeschwindigkeit, Phonationsart) emotionales Sprachmaterial erzeugt (vgl. Tabelle 1 [Tab. 1]). Diese Sequenzen wurden anschließend hinsichtlich der Merkmale Nasalität, Vokaltraktlänge und verminderter Artikulationsgenauigkeit selektiv oder in Kombination manipuliert. In zwei Hörexperimenten wurden die generierten Stimuli von insgesamt 48 normalhörenden Probanden (Experiment 1: 20♀, 10♂, zwischen 17–39 Jahren; Experiment 2: 9♀, 9♂, zwischen 23–33 Jahren) den grundlegenden Emotionen oder einer neutralen Kategorie zugeordnet. Die Daten der Experimente wurden hinsichtlich der Erkennung über Zufallsniveau auf Signifikanz überprüft (exakte Binomialverteilung mit Anpassung des Signifikanzniveaus). Zudem wurde der Einfluss der Merkmalsmanipulationen auf die Emotionserkennung mittels des exakten Cochran-Tests auf Signifikanz getestet (spezifische Paarvergleiche erfolgten anschließend mit Hilfe des McNemar Tests, das Signifikanzniveau wurde mit der Bonferroni-Holm-Prozedur adjustiert).

Die synthetisch erzeugten Sequenzen konnten von den Probanden für die Emotionen Angst, Freude und Trauer (sowie in der neutralen Variante) in allen Untertests signifikant über dem Zufallsniveau der korrekten Kategorie zugeordnet werden (vgl. Tabelle 2 [Tab. 2]). Durch die zusätzliche systematische selektive oder kombinatorische Manipulation der „sekundären“ prosodischen Merkmale konnten für die Kategorien Ekel, Freude, Trauer und Wut signifikant höhere Erkennungsraten erzielt werden (vgl. Tabelle 3 [Tab. 3]). Eine Ausnahme zeigte sich bei der Kategorie Angst. Hier führte die Manipulation dieser Merkmale zu signifikant niedrigeren Erkennungsraten.

Die Erkennungsraten der synthetisch erzeugten Sequenzen für die Emotionskategorien Angst, Ekel, Freude und Trauer sind vergleichbar mit der Erkennungsleistung von geschauspielerten natürlich-sprachigen Emotionsäußerungen. Die Erkennungsraten in der Kategorie Wut zeigen hingegen, dass sich die Synthese dieser Sequenzen unter Berücksichtigung weiterer Merkmals-manipulationen möglicherweise verbessern ließe. Die vorliegende Arbeit konnte dazu beitragen, weitere Merkmale zur Beschreibung des emotionalen Sprechausdrucks zu finden. Darüber hinaus tragen die Ergebnisse dazu bei, die Entwicklung der emotionalen Sprachsynthese und der emotionalen Spracherkennung voranzutreiben. Einen denkbaren Zugewinn könnten sie beispielsweise im Bereich der Dialogsysteme („Personal Assistants“) der Mensch-Maschine-Kommunikation liefern oder auch im therapeutischen Bereich bei elektronischen Kommunikationshilfen („Augmentative and Alternative Communication“) bedeuten.