Laserbasierte Messverfahren für die Erforschung der menschlichen Stimme

Jeder Mensch braucht eine Stimme! Sprache unterscheidet uns von anderen Säugetieren, sie ist unsere Hauptverbindung zur modernen Welt; sie hat eine entscheidende Bedeutung in der aktuellen Gesellschaft. Die Physik, die unserem Sprachapparat zugrunde liegt, ist allerdings erstaunlich komplex, außerdem ist der Vokalapparat von außen schwer zugänglich für Messgeräte.

Eine präzise und korrekte Erfassung der biomechanischen Vorgänge beim Sprechen führt zwangsläufig zu enormen Fortschritten in der Medizin: Ärzte können dann besser beurteilen, wodurch Stimmprobleme verursacht werden, wie sie diagnostiziert und therapiert werden können. Auch andere Felder in der Wissenschaft wie die computerbasierte Erzeugung künstlicher Stimmen, zum Beispiel bei der Sprachsteuerung, profitieren von diesen Erkenntnissen. Sogar Sprachs- und Gesangskünstler können ein noch besseres Verständnis über die Vorgänge in ihrem Körper erlangen und sich so nochmals verbessern.

Anhand modernster Particle Image Velocimetry (PIV) wird am LSTM das Strömungsfeld im Bereich der Stimmlippen örtlich und zeitlich hochaufgelöst quantifiziert. Mit dieser Technologie werden Doppelpuls-Laser und extrem schnelle Kameras zur Aufzeichnung der Strömung verwendet und anhand aktueller Korrelationsverfahren ausgewertet. Laser-Scanning-Vibrometrie und High-speed Imaging wird zur Erfassung der strukturellen Bewegung der Stimmlippen herangezogen, während die abgestrahlte Akustik im lehrstuhleigenen Akustikraum erfasst wird. So kann die komplette Fluid-Struktur-Akustik Interaktion während der Stimmlippenschwingung quantifiziert und charakterisiert werden.

In einer parallelen Messtechnik-Entwicklung wird die „Hybrid Acoustic PIV“ am iPAT entwickelt. Dieses Vorgehen ermöglicht es uns, an der Lokalisation der akustischen Quellen im menschlichen Kehlkopf zu arbeiten und so eine Antwort zu finden auf die Frage: wo und durch welche Mechanismen entsteht unsere menschliche Stimme? In Zukunft sollen auch Techniken des maschinellen Lernens dabei helfen, Experimente und Simulationen zu vereinen, um die bestehenden Modelle weiter zu verbessern.