Prototypische Intonationsmuster in deutscher Lese- und Spontansprache *

Transkript

1 Prototypische Intonationsmuster in deutscher Lese- und Spontansprache * Benno Peters * Dies ist die überarbeitete Fassung einer von der Philopsophischen Fakultät der Christian-Albrechts-Universität zu Kiel im Mai 1999 angenommenen Magisterarbeit. 1

2

3 Inhaltsverzeichnis 1 Beschreibungskategorien der Intonation in der Literatur Produktionsphänomene Phonation Deklination Zusammenhänge zwischen Dauerrelationen im Sprachsignal und neuralen und muskulären Strukturen Physiologische Korrelate der Intensität Mikroprosodie Akustisches Signal Grundfrequenz Dauer Intensität Perzeptionsphänomene Grundfrequenz Isačenko und Schädlich (1970) Kohler (1991d) Adriaens (1991) Dauer Intensität Wahrnehmung von Mikroprosodie und intrinsischem F Prominenz

4 4 Benno Peters 2 Datenbasis Datenerhebung Lesesprache Spontansprache Datenweiterverarbeitung Transliteration Kanonische Transkription Segmentelle Etikettierung Prosodische Etikettierung KielDat Datenbank Datenbasis des empirischen Teils dieser Arbeit Prototypische Intonationsmuster Das Kieler Intonationsmodell (KIM) Kombination von Mikro- und Makroprosodie Trennung phonologisch relevanter Muster von kontextuellen Varianten und Einordnung dieser Muster in ein phonologisch orientiertes System Erfassung der Beziehungen zwischen den prosodischen Erscheinungen und der Semantik, der Pragmatik und der Syntax von Äußerungen Akzentuierungsstufen in KIM Beispiele zu prototypischen F0-Konturen und deren Konkatenation Gipfelkonturen Der frühe Gipfel Der mittlere Gipfel Der späte Gipfel Konkatenation von Gipfelkonturen Konkatenation ohne Einbuchtung Konkatenation mit Einbuchtung Phraseninitiale Melodiemuster ( prehead ) Phrasenfinale Melodiemuster nach Gipfelkonturen Ebener F0-Verlauf am Phrasenende Leicht fallender F0-Verlauf am Phrasenende

5 Prototypische deutsche Intonationsmuster Stark fallender F0-Verlauf am Phrasenende Semikolon-Konturen Kombinierte Konturen Talkonturen und deren Konkatenation Das frühe Tal Das späte Tal Ebene Konturen Weitere suprasegmentelle Beschreibungskategorien Prosodische Phrasierung Downstep und Upstep Downstep und upstep bei aufeinanderfolgenden Gipfelkonturen Downstep und upstep bei aufeinanderfolgenden Talkonturen Downstep und upstep zwischen Gipfel- und Talkonturen Register Sprechgeschwindigkeit Häufigkeitsverteilungen prototypischer Intonationsmuster Einleitung Verhältnis von Inhalts- und Funktionswörtern Verhältnis von deakzentuierten und satzakzentuierten Inhalts- und Funktionswörtern Verteilung der Akzentstufen über Inhalts- und Funktionswörtern Verteilung der Gipfeltypen über default -satzakzentuierten Silben Gipfelkonkatenation Gipfelkonkatenation ohne Einbuchtung (Hutmuster) Verteilung der Gipfeltypen bei Gipfelkonkatenation mit Einbuchtung Phrasierung Durchschnittliche Wortanzahl der prosodischen Phrasen

6 6 Benno Peters Häufigkeitsverteilung der phrasenfinalen Melodiemuster Verhältnisse von Konkatenationsmustern innerhalb prosodischer Phrasen und phrasenfinal Auftreten von Register- und Sprechgeschwindigkeitswechseln in der Spontansprache Schlußbemerkungen 121 A Anhang 129 A.1 awk-programme A.1.1 ProsLabelsGesamt.awk A.1.2 ProsLabelsGesamtSpontan.awk A.1.3 TextundLabels.awk A.1.4 TextundLabelsSpontan.awk A.1.5 Wortanfang.awk A.1.6 WortanfangSpontan.awk A.1.7 funktion.awk A.1.8 Hutmuster.awk A.1.9 HutmusterSpontan.awk A.1.10 OhneHut.awk A.1.11 OhneHutSpontan.awk A.1.12 VorPGN.awk A.1.13 VorPGNSpontan.awk A.1.14 MinusHut.awk A.1.15 MinusHutSpontan.awk A.2 Berliner Sätze A.3 Marburger Sätze A.4 Die Buttergeschichte A.5 Nordwind und Sonne

7 Einleitung Die Intonation einer Äußerung ist entscheidend für deren Bedeutung. Ein auf der lexikalischen Ebene konstanter Satz kann durch die prosodische Strukturierung, die ein Sprecher vornimmt, sehr unterschiedliche semantische und pragmatische Funktionen erfüllen. Bestimmte Melodiemuster unterscheiden zwischen Aussage- und Fragesatz in syntaktisch unmarkierten Konstruktionen. Die Positionierung von Satzakzenten und die Unterteilung in prosodische Einheiten steuert die Thema-Rhema-Strukturierung. Bestimmte intonatorische Parameter können Überraschung signalisieren, während andere in kategorischen Aussagen eingesetzt werden. Auch Stimmungslagen wie Freude, Langeweile oder Ärger finden ihren Ausdruck in der Prosodie einer Äußerung. Das Ziel dieser Arbeit ist die Zusammenfassung der grundliegenden Parameter der Intonation und die Darstellung der wichtigsten prosodischen Muster des Deutschen. Im ersten Kapitel erläutere ich die Beschreibungskategorien der Intonation gesprochener Sprache unter den Gesichtspunkten der Sprachproduktion, der akustischen Manifestation im Sprachsignal und der perzeptiven Einordnung durch den Hörer. Diese sehr komplexen Bereiche können nicht erschöpfend behandelt werden. Es soll dem Leser vielmehr in Form einer Einführung ein Einblick in diese verschiedenen Themenbereiche gegeben werden, die für ein tieferes Verständnis der prosodischen Gestaltung von Sprache wichtig sind. Die folgenden Kapitel befassen sich mit spezifischen Melodiemustern des Deutschen und ihrer akustischen, perzeptuellen, semantischen und statistischen Klassifizierung auf einer empirischen Basis. Im zweiten Kapitel stelle ich die Datenbasis der vorliegenden Arbeit 7

8 8 Benno Peters vor. Im dritten Kapitel werden prototypische Intonationsmuster der deutschen Lese- und Spontansprache exemplifiziert. Die Basis der Kategorienbildung der intonatorischen Phänomene bildet das Kieler Intonationsmodell (KIM), das hier eingeführt wird. Die Beispiele zu prototypischen Intonationsmustern, die den Kern dieser Arbeit darstellen, sind einerseits als Abbildungen in den Text eingebunden, andererseits als Sprachsignaldateien per http über erhältlich. Die Signale können über einen Browser, der für das Abspielen von Windows WAV-Dateien konfiguriert ist, abgespielt werden. Das html-dokument Proto.htm enthält ein Inhaltsverzeichnis der über Textlinks abspielbaren WAV- Dateien. In den Abbildungen im Text sind die Sprachsignale, zu denen Tonbeispiele vorhanden sind, durch das Lautsprechersymbol gekennzeichnet. Viele dieser Sprachsignale sind von mir mit einer von M. Scheffers entwickelten LPC-Grundfrequenzsynthese in xassp (IPDS 1997b) manipuliert worden, um verschiedene Grundfrequenzmuster in einem identischen segmentellen Kontext zu generieren. An jeder Abbildung zu Sprachsignalen habe ich eine Referenz (z.b. k07mr080) zu der ursprünglichen, unmanipulierten Version des Signals angegeben. Wenn ein unmanipuliertes Signal als Beispiel verwendet wurde, ist dies als Original gekennzeichnet. Alle Signale stammen aus der Datensammlung The Kiel Corpus of Read Speech (IPDS 1994)) oder The Kiel Corpus of Spontaneous Speech (IPDS 1995, 1995, 1996, 1997a), die als CD-ROM über das Institut für Phonetik und digitale Sprachverarbeitung Kiel zu beziehen ist. Das vierte Kapitel zeigt Häufigkeitsverteilungen verschiedener prosodischer Strukturen in der untersuchten Datenbasis.

9 Kapitel 1 Beschreibungskategorien der Intonation in der Literatur 1.1 Produktionsphänomene Die lautsprachliche Kommunikation basiert auf der artikulatorischen Manipulation eines Luftstromes, die zu einem akustischen Resultat in Form eines Klanges bzw. Geräusches führt. Im Deutschen, wie in den meisten Sprachen, steht hierbei der pulmonale Luftstrommechanismus im Vordergrund. Das heißt, die aus den Lungen ausgeatmete Luft wird in Kehlkopf und Ansatzrohr modifiziert. Da Grundfrequenz, Dauer und Intensität bestimmter Abschnitte im Sprachsignal die entscheidenden Parameter der Intonation darstellen, sollen hier kurz die physiologisch/artikulatorischen Grundlagen dieser wahrnehmbaren und akustisch meßbaren Größen erläutert werden Phonation Wie alle an der Sprachproduktion beteiligten physiologischen Strukturen haben auch Lunge und Kehlkopf primär vegetative Funktionen. Der Kehlkopf unterstützt den Schluckvorgang und das Husten. 9

10 10 Benno Peters Die Atmung dient primär der Sauerstoffaufnahme. Während der Einatmungsphase werden die im Thorax gelegenen Lungenflügel durch Abflachen des im Ruhezustand nach oben gewölbten Zwerchfells und/oder durch Heben des Brustkorbs durch Kontraktion der externen Zwischenrippenmuskulatur expandiert und so mit Luft gefüllt. Das Ausströmen der Luft in der Ausatmungsphase ist ein passiver Vorgang: Verursacht durch sein Gewicht, senkt sich der Brustkorb bzw. kommt es durch elastische Kräfte zu einer Rückkehr des Zwerchfells in seine Ruheposition. Durch diese Vorgänge, die bei nachlassender Kontraktion der Einatmungsmuskulatur eintreten, wird die eingeatmete Luft wieder aus den Lungen herausgedrückt. Während der Sprechatmung, im Gegensatz zur Ausatmungsphase der Ruheatmung, wird Lungenluft mit Hilfe der Atmungsmuskulatur kontrolliert zum Ausströmen durch Kehlkopf und Ansatzrohr gebracht. Diese kontrollierte Ausatmungsphase ist deutlich länger als die der Ruheatmung und ermöglicht im Zusammenspiel mit der Muskulatur des Kehlkopfs die Stimmtonerzeugung (Phonation). Der Stimmtonerzeugung liegt eine quasiperiodische Öffnungsund Schließbewegung der Stimmlippen zugrunde, die durch myoelastisch-aerodynamische Vorgänge an der Glottis ermöglicht wird. In einem zyklischen Prozeß werden zuerst die Stimmlippen durch die Ary-Knorpel (Stellknorpel) adduziert, dann wird der glottale Verschluß durch den aufgebauten subglottalen Druck gesprengt, und Luft beginnt durch den entstandenen Spalt zu strömen. Durch das Entweichen von Luft in den supraglottalen Raum sinkt nun der Luftdruck in der Glottis ab, und es kommt an der Durchflußöffnung an der Glottis zu einer erhöhten Fließgeschwindigkeit der ausströmenden Luft. Diese Faktoren bedingen das Auftreten von Bernoulli-Kräften, die im Zusammenspiel mit den elastischen Kräften in den Stimmlippen zu einer erneuten Verschlußbildung führen. Die Rate der Stimmlippenschwingung, das physiologische Korrelat der Grundfrequenz, ist von verschiedenen Faktoren abhängig: Masse und Länge der Stimmlippen bedingen interindividuelle und geschlechtsspezifische Unterschiede in der mittleren Stimmtonhöhe (bei Männern ca. 120Hz, bei Frauen ca. 240Hz).

11 Prototypische deutsche Intonationsmuster 11 die Stärke des subglottalen Drucks sorgt für Variation des Schwingungsverhaltens (Zunahme des Drucks führt zu Erhöhung der Frequenz). die muskulär kontrollierte Ausrichtung und Spannung der Stimmlippen ist der dritte entscheidende Faktor für die Höhe des Stimmtons (stärkere Spannung führt zu einer Erhöhung der Frequenz). Für eine Erhöhung der Grundfrequenz durch Streckung und Verdünnung der Stimmlippen ist hauptsächlich der Cricothyroid- Muskel verantwortlich. Er wird hierbei unterstützt durch die adduzierende Funktion des lateralen Cricoarythenoids. In gesprochener Sprache ist der Kehlkopf auch für verschiedene Typen der Phonation, wie z.b. die Knarrstimme oder Verhauchung verantwortlich. Weiterhin wird von hier aus die segmentelle Gliederung in stimmhafte und stimmlose Signalabschnitte gesteuert. Eine detailliertere Beschreibung des sehr komplexen Aufbaus des Kehlkopfs und dessen Funktionsweise soll in dieser Arbeit nicht gegeben werden, findet sich aber z.b. bei Borden et al. (1994) Deklination Betrachten wir den Verlauf der Grundfrequenz über intonatorischen Phrasen, läßt sich häufig ein Phänomen beobachten, das als Deklination bezeichnet wird. Hierbei handelt es sich um ein Absinken der oberen und der unteren Extrempunkte der F0-Kurve in Richtung auf das Ende der Phrase. Die Ursache dieses wahrscheinlich universellen Phänomens liegt im nachlassenden subglottalen Druck, bedingt durch das allmähliche Entweichen der Luft während des Sprechens. Im Rahmen der myoelastisch-aerodynamischen Phonationstheorie ist zu erwarten, daß die Frequenz der Stimmlippenschwingung bei nachlassendem subglottalem Druck abfällt, wenn keine Erhöhung der Muskelspannung im Kehlkopf eintritt. Zwar wäre eine ständige Kompensation der Deklination durch ein Nachjustieren der Muskelspannung möglich, artikulatorisch weniger aufwendig ist es jedoch, eine leichte Deklination zuzulassen. Dies ist wahrscheinlich der Grund für die universelle Tendenz zur Deklination.

12 12 Benno Peters Die Abbildung 1.1 (p.12) zeigt den schematischen Grundfrequenzverlauf innerhalb einer intonatorischen Phrase. Die Linien, die die obere und untere Grundfrequenz markieren werden Deklinationslinien ( topline und baseline ) genannt. Die Abbildung verdeutlicht außerdem ein weiteres verbreitetes Phänomen: Der Bereich, in dem die Grundfrequenz variiert ( pitch range ) (Cruttenden 1986), verringert sich zum Phrasenende hin. Abbildung 1.1: Deklination: Schematischer Grundfrequenzverlauf innerhalb einer intonatorischen Phrase (nach Pompino-Marschall 1995) Das Prinzip der Deklination steht in engem Zusammenhang mit dem Auftreten von downstep zwischen Gipfelkonturen (siehe 3.3.2, p.86) Zusammenhänge zwischen Dauerrelationen im Sprachsignal und neuralen und muskulären Strukturen Neben der Grundfrequenz spielen in der Intonation Dauerrelationen, sowohl zwischen Silben und Einzellauten (Akzentuierungsstruktur) als auch in Bezug auf längere Abschnitte einer Äußerung (Sprechgeschwindigkeit), eine wichtige Rolle. Die quantitative Strukturierung des erzeugten Sprachschalls wird gesteuert durch das Zusammenwirken der im Kehlkopf erzeugten quasiperiodischen Anregung und den Bewegungen der supraglottalen Artikulationsorgane. Die Konfiguration der Artikulatoren bestimmt die Filtercharakteristika des Ansatzrohrs und modifiziert sowohl die Impulse der glottalen Anregung als auch das Strömungsverhalten des pulmonalen Luftstroms, wie z.b. in Frikativen und Plosiven. Nach Fant (1960) lassen sich

13 Prototypische deutsche Intonationsmuster 13 Sprachlaute mathematisch durch das Quelle-Filter-Modell beschreiben. Nach diesem Modell werden, in Abhängigkeit vom jeweiligen Laut, Anregungsfunktion und Filterfunktion spezifiziert, die zusammen die Systemfunktion determinieren. Die neuronale Steuerung der Artikulationsorgane ist sehr schwierig zu untersuchen und deshalb nicht vollständig erforscht. Es gilt aber als gesichert, daß unter Mitwirkung subkortikaler Strukturen und Arealen der Frontalhirnregionen das Brocasche Zentrum in der linken Großhirnhemisphäre eine entscheidende Rolle für die Sprachproduktion spielt. Im Jahr 1861 stellte der französische Neurochirurg Paul Broca erstmals motorische Aphasie, die durch eine Schädigung dieses Areals verursacht wurde, fest. Man geht heute davon aus, daß die neuronalen Steuerimpulse über den primären motorischen Kortex, zwischengeschaltete subkortikale Zentren und unter Einflüssen des Kleinhirns letzlich die motorischen Einheiten der Sprechmuskulatur erreichen. Die über diesen Weg erzeugten artikulatorischen Abläufe werden durch verschiedene Formen der Propriozeption kontrolliert. Die propriozeptive Reafferenz bietet dem Sprecher Rückmeldungen über den Kontraktionszustand einzelner Muskeln. Die taktile Reafferenz stellt eine sensorische Rückmeldung taktiler Rezeptoren dar, und das auditive Feedback kontrolliert den abgestrahlten Sprachschall. Die physiologischen Grenzen der Artikulation sind einerseits durch die Trägheit der Artikulatoren in Abhängigkeit von ihrer Masse abgesteckt und andererseits bedingt durch die Refraktärzeit der innervierenden Nervenbahnen. So stellt die Zungenspitze den leichtesten Artikulator dar und kann nach Untersuchungen von Hudgins und Stetson (1937) durchschnittlich 8,2 alveolare Verschlüsse pro Sekunde erreichen, während für die Lippen im Mittel eine Rate von 6,7 gemessen wurde. Bei der perzeptorischen Einordnung von Dauerverhältnissen verschiedener Segmente zueinander muß beachtet werden, daß die Dauer eines Segments zum Teil durch dessen Qualität bestimmt wird. Bei Vokalen besteht eine Abhängigkeit zwischen Dauer und Zungenhöhe. Bei konstanter lautlicher Umgebung weisen hohe Vokale eine intrinsisch geringere Dauer auf als tiefe Vokale. Eine mögliche Erklärung für die längere Dauer von tiefen Vokalen bietet die größere Extension der Bewegung der Artikulatoren während der Produktion dieser Vokale (Maack 1949).

14 14 Benno Peters Physiologische Korrelate der Intensität Variationen in der Intensität, bzw. der damit verbundenen Lautstärkewahrnehmung, werden hauptsächlich durch zwei interagierende physiologische Mechanismen hervorgerufen: die muskulär gesteuerte Stärke des subglottalen Drucks und das glottale Schließverhalten während der Phonation. Die Stärke des subglottalen Drucks ist unmittelbar abhängig von der Muskelspannung der Atmungsmuskulatur (siehe 1.1.1, p.9). Je größer die muskuläre Anspannung, desto stärkere Impulse des Stimmtons können an der Glottis generiert werden. Die Intensität dieser Impulse wird im Zusammenspiel mit dem subglottalen Druck maßgeblich von der Abruptheit bestimmt, mit der der transglottale Luftstrom an der Glottis abgeschnitten wird. Hierfür sind die Spannung und die geometrische Einstellung der Stimmlippen verantwortlich, die durch Dauervariationen der Öffnungsphase der Glottis im Rahmen von 30 70% des Bewegungszyklus bei kurzen Öffnungsphasen stärkere und spektral ausgeprägtere Impulse erzeugen. Somit kann über die Änderung der Anregungsfunktion ein intensiveres akustisches Signal erzeugt werden. Wie bei F0 und der Dauer von unterschiedlichen Lauten kommt es auch im Bereich der Intensität zu segmentell bedingten intrinsischen Unterschieden. Die intrinsische Intensität ist von verschiedenen Aspekten der phonetischen Qualität der Laute abhängig. So stellten Peterson und Mc Kinney (1961) und Ladefoged und McKinney (1963) Wechselwirkungen zwischen den von der Grundfrequenz abhängigen Harmonischen und den durch die Filtercharakteristika des Ansatzrohrs bestimmten Formantfrequenzen fest. Wenn Formanten und Harmonische im Spektrum zusammenfallen, führt dies zu einer Verstärkung, die sich in der Gesamtenergie des Signals zeigt. Wichtiger als dieser in der Sprachproduktion eher zufällig auftretende Effekt sind aber intrinsische Intensitätsunterschiede zwischen Vokalen verschiedener Öffnungsgrade. Geschlossene Vokale wie [ ] oder [Ù] weisen aufgrund der kleineren Abstrahlungsöffnung eine deutlich geringere Intensität auf als offene Vokale wie das [ ].

15 Prototypische deutsche Intonationsmuster Mikroprosodie Neben der bewußt steuerbaren Frequenz der Stimmlippenschwingung, die für bestimmte Satzmelodien oder die Positionierung von Satzakzenten maßgeblich ist (Makroprosodie), treten im gemessenen Grundfrequenzverlauf artikulatorisch bedingte Verzerrungen dieser makroprosodischen Strukturen auf, die Mikroprosodie genannt werden. Schon Meyer (1896) bemerkte: Je größeren Expirationshub die Konsonanten erfordern, um so höher scheinen sie den Vokalton zu treiben. Daneben hat jeder der unter sonst gleichen Bedingungen gesprochenen Vokale seine ihm eigentümliche absolute Tonhöhe. Wie schon Meyer, so müssen auch wir trennen zwischen der artikulatorisch bedingten Variation der Tonhöhe verschiedener Vokale und den Auswirkungen, die verschiedene Konsonanten auf den Grundfrequenzverlauf haben. Der entscheidende artikulatorische Parameter der mikroprosodischen Variation zwischen verschiedenen Vokalen ist die Zungenhöhe. In Meßreihen wurde festgestellt, daß die hohen Vokale in vergleichbaren Kontexten durchschnittlich ein höheres F0 aufweisen als die tiefen Vokale. Man spricht hierbei von intrinsischen Unterschieden in der Grundfrequenz. Die Ursache für dieses Phänomen ist eine Kopplung der Zunge mit dem Larynx: Die Zungenmuskulatur setzt am oberen Ende des Zungenbeins an und einige Muskeln des Larynx am unteren Ende. Wenn sich die Zunge, wie in hohen und frontierten Vokalen oder auch dem alveolaren Nasal, nach vorn oder in Richtung des Munddachs bewegt, wird der Kehlkopf über diese Verbindung nach oben gezogen, wobei die laryngale Muskulatur gespannt wird. Dies verursacht eine Straffung der Stimmlippen und somit bei konstantem subglottalen Druck einen Anstieg der Vibrationsrate.

16 16 Benno Peters Abbildung 1.2: Durchschnittliche Grundfrequenz in Hz in Silbennuklei, die Gipfelpunkte in Intonationskonturen bilden (nach Lehiste 1970). Die untere Kurve zeigt die Ergebnisse aus Untersuchungen von Peterson und Barney (1952). Die Grafik zeigt deutlich die Abhängigkeit der durchschnittlichen Grundfrequenz von Vokalen von deren Zungenhöhe. Die Werte der oberen Kurve variieren im Bereich von 183Hz für [ ] und 162Hz für []. Im Konsonantismus sind der Grad von Engebildung und die lenis/fortis-dichotomie die wesentlichen Faktoren, die zu mikroprosodischen Variationen führen. In Bezug auf die Konsonanten sind drei verschiedene Phänomene zu trennen: 1. Einflüsse der Artikulation des betreffenden Konsonanten auf die Grundfrequenz des Konsonanten selbst. 2. Einflüsse von Konsonanten auf die Grundfrequenz des nachfolgenden Lautes. 3. Einflüsse von Konsonanten auf die Grundfrequenz des vorangehenden Lautes. In Bezug auf Punkt 1. beeinflußt der Grad der Engebildung in stimmhaften Konsonanten die Aerodynamik der Phonation. Durch

17 Prototypische deutsche Intonationsmuster 17 die Friktionsenge oder einen vollständigen Verschluß wird der pulmonale Luftstrom am freien Ausströmen gehindert. Diese Veränderung des Strömungsverhaltens führt im Zusammenhang mit dem Bernoulli-Effekt bei gleicher laryngaler Muskelspannung zu einer langsameren Vibration der Stimmlippen. Ein weiterer Effekt ist das Ansteigen des Drucks im Mundraum, bedingt durch starke Engebildung oder durch vollständigen Verschluß in Plosiven, das bis zum Druckausgleich zwischen subglottalem und supraglottalem Druck führen kann. Da das Schwingungsverhalten an der Glottis stark von der Druckdifferenz zwischen sub- und supraglottalem Raum abhängt, sinkt meist die Grundfrequenz in stimmhaften Verschlußlauten und Frikativen. Der unter 2. angeführte Einfluß von Konsonanten auf den folgenden Laut ist eng mit der Artikulationsenergie der Konsonanten verknüpft. Wie verschiede Untersuchungen, unter anderem von Gartenberg und Panzlaff-Reuter (1991) zeigen, liegt F0 am Einsatzpunkt ( onset ) von Vokalen nach Fortiskonsonanten höher als nach Leniskonsonanten. Eine mögliche Erklärung hierfür ist, daß sich die allgemein höhere Muskelspannung von Fortiskonsonanten auf die Kehlkopfmuskulatur überträgt und es so, in Übereinstimmung mit der myoelastisch-aerodynamischen Stimmbildungstheorie, zu einer höheren Vibrationsrate der Stimmlippen im Umfeld der Fortiskonsonanten kommt (Kohler 1982). Eine andere Erklärung bietet die Annahme, daß es nach Fortiskonsonanten, bedingt durch einen relativ höheren subglottalen Druck, zu einem stärkeren Luftstrom kommt und diese Verstärkung des Luftstroms über den Bernoulli-Effekt zu einem Anstieg der Grundfrequenz führt. Der höhere subglottale Druck resultiert aus der stärkeren Artikulationsenergie der Fortiskonsonanten. Bei Plosiven kann auch die erhöhte Verschlussdauer von Fortis- gegenüber Lenisplosiven zu einer Erhöhung des Drucks beitragen. Zu Punkt 3. gibt es keine systematischen Ergebnisse zur Beeinflussung des Silbennukleus durch den Folgekonsonanten. Dies spricht gegen Kohlers Argumentation, da sich eine Ausbreitung der muskulären Spannung wohl in beide Richtungen bewegen würde, und deutet eher auf die aerodynamische Komponente hin. Allerdings deuten die Untersuchungen von Gartenberg und Panzlaff-Reuter (1991) auf starke Sprecherabhängigkeit der mikroprosodischen Ver-

18 18 Benno Peters zerrungen hin, da es hier bei einer der Versuchspersonen vor Fortiskonsonanten regelmäßig zu einem leichten Anstieg der Grundfrequenz kam, diese Tendenz sich aber bei anderen Sprechern nicht klar belegen ließ. 1.2 Akustisches Signal Durch moderne instrumentelle Aufzeichnungs- und Meßmethoden ist es möglich geworden, Eigenschaften des Signals exakt zu quantifizieren. Die gewonnenen Meßdaten werden in der Phonetik mit artikulatorischen Abläufen, perzeptorischen Größen oder linguistischen Funktionen in Verbindung gebracht. Die für die Intonation entscheidenden physikalischen Größen sind die Grundfrequenz, die Dauer und die Intensität von Signalen bzw. von Signalabschniten. Deshalb sollen im folgenden Abschnitt kurz die akustischen Ausprägungen dieser Parameter im Sprachsignal erläutert werden Grundfrequenz Die Grundfrequenz ist das akustische Korrelat der Stimmlippenvibration. Da es während der Phonation zu deutlichen Variationen zwischen den einzelnen Schwingungsphasen kommt, werden die stimmhaften Abschnitte im Sprachsignal als quasi-periodisch bezeichnet. Trotzdem ist es für die Analyse und die Beschreibung von stimmhaften Signalabschnitten sinnvoll, diese als periodisch zu betrachten, da sie wichtige Eigenschaften der streng periodischen Signale (mit unendlicher Wiederholung einer exakt gleichen Schwingung) teilen. Sie lassen sich als die Summe von Sinuswellen darstellen, deren Frequenzen integrale Vielfache der Grundfrequenz sind und sich in Amplitude und Phase unterscheiden. Diese sinoidalen Frequenzkomponenten werden Harmonische genannt. Die Frequenz einer Schwingung in Hertz entspricht der Anzahl von kompletten Wiederholungen in der Zeitspanne von einer Sekunde F= 1/T. Die Periodendauer T läßt sich einfach als die Zeitspanne zwischen zwei Nulldurchgängen von benachbarten Führungsamplituden der Schwingung messen. Die Führungsamplitude ist der erste, meist maximale Amplitudenausschlag, der durch die Glottisschließung ver-

19 Prototypische deutsche Intonationsmuster 19 ursacht wird. Die Extraktion der Grundfrequenz und ihre Darstellung durch bildgebende Verfahren stellt ein wichtiges Instrument in der Untersuchung der Intonation dar, denn der Verlauf der Grundfrequenz über einer Äußerung spiegelt die Sprechmelodie wieder. Die mathematischen Grundlagen zur Aufspaltung eines komplexen Klanges in verschiedene Sinuswellen gehen auf den französischen Physiker des 19. Jh. Joseph Fourier zurück. Deshalb wird noch heute von Fourier-Transformation gesprochen, wenn es um die Analyse der Frequenzkomponenten von periodischen Signalen geht Dauer Einen wichtigen Parameter in der prosodischen Strukturierung stellt die Dauer von sprachlichen Einheiten dar. Wichtig ist die relative Dauer der Sprachlaute im Verhältnis zueinander, aber auch deren absolute Dauer, die mit der Sprechgeschwindigkeit verknüpft ist. Die zeitliche Dimension im Signal ist das physikalische Korrelat der artikulatorischen Bewegungen. Physikalisch gesehen stellt der Sprachschall also eine Variation akustischer Muster als eine Funktion der Zeit dar. Die akustischen Signale lassen sich mit meßphonetischen Verfahren sehr genau quantifizieren. Hierbei treten allerdings immer wieder Probleme mit der präzisen Zuordnung bestimmter Signalabschnitte zu artikulatorischen Einheiten auf, da diese stark ineinander verwoben sind. Weiterhin müssen Dauermessungen im Rahmen der Perzeption von Sprache bewertet werden, denn nicht jeder meßbare Dauerunterschied hat eine perzeptorische und damit eine mögliche sprachliche Relevanz (siehe 1.3.2, p.27) Intensität Neben der Grundfrequenz und der Dauer ist die Intensität von Signalen oder Signalabschnitten eine wichtige Komponente der intonatorischen Gestaltung von Äußerungen. Die Intensität steht in engem Zusammenhang mit der Lautheitsempfindung, die ein Signal hervorruft. Die Umrechnung von physikalisch determiniertem Schalldruck in perzeptive Skalierungen ist ein komplexes Problem und wird unter (p.29) kurz erläutert.

20 20 Benno Peters Der Sprachschall manifestiert sich in der Schwingung von Luftmolekülen. Er stellt somit eine erzwungene Variation des atmosphärischen Drucks dar. Die auditiv wahrnehmbaren Luftdruckschwankungen sind zwar bezüglich ihrer Amplitude sehr gering, umspannen aber einen großen Intensitätsbereich. (siehe 1.3.3, p.29) Wegen seines großen Variationsbereichs wird deshalb der effektive Schalldruckpegel L in der logarithmischen Größe db angegeben: wobei als Referenzdruck L = 20 lg p eff p 0 db p 0 = µb = Pa festgesetzt wurde. Hieraus ergibt sich, daß sich die Intensität eines Schallereignisses proportional zum Quadrat der Druckvariation der Schallwelle verhält. Die durchschnittliche Intensität von Sprachschall beträgt etwa 60dB, entsprechend Watt/cm 2, bei einer Entfernung von einem Meter von den Lippen des Sprechers. Die Variationsbreite zwischen Flüstern und Schreien sowie die intrinsischen Intensitätsunterschiede zwischen verschiedenen Sprachlauten führen allerdings zu erheblichen Abweichungen von diesem Mittelwert. Betrachten wir die Amplitude der Schwingung einer Schallwelle, so handelt es sich hierbei um die Auslenkung von Luftmolekülen, wie sie im Oszillogramm dargestellt werden. Die Auslenkung verläuft um eine Nullinie. Die maximale Entfernung der schwingenden Partikel von der Nullinie wird als Amplitude der Schwingung bezeichnet. Anders als die Intensität ist die Amplitude einer Schwingung nicht von deren Frequenz abhängig: Wenn die Frequenz einer Schwingung sich bei konstanter Amplitude verdoppelt, müssen die Oszillatoren die doppelte Entfernung in der gleichen Zeitspanne zurücklegen, sich also mit der zweifachen Geschwindigkeit bewegen. Da die durchschnittliche kinetische Energie mit dem Quadrat der Geschwindigkeit ansteigt, vervierfacht sich dann die Energie der Schwingung. Auch wenn die Amplitude einer Schwingung sich verdoppelt, müssen die schwingenden Partikel pro Zeiteinheit den doppelten Weg

21 Prototypische deutsche Intonationsmuster 21 zurücklegen. Dies führt bei konstanter Frequenz auch hier zu einer Verdopplung der Geschwindigkeit und so zur Vervierfachung der kinetischen Energie. Die Intensität einer Schallwelle hingegen verhält sich proportional zum Produkt der Quadrate von Amplitude und Frequenz. 1.3 Perzeptionsphänomene Die Perzeption der Intonation steckt den Rahmen ab, in dem die Parameter der intonatorischen Strukturierung beurteilt werden müssen. Deshalb müssen instrumentel quantifizierbare physikalische Größen mit wahrgenommenen Ereignissen in Verbindung gebracht werden. Um z.b. die linguistische Relevanz einer F0-Kontur oder eines meßbaren Dauer- oder Intensitätsunterschieds im Signal beurteilen zu können, müssen in Perzeptionsexperimenten die Auswirkungen bestimmter Variationen dieser Faktoren auf die Urteile von Versuchspersonen getestet werden. Grundliegende Voraussetzungen hierfür sind Erkenntnisse über das menschliche Hörfeld und die Wahrnehmung von Dauerunterschieden. In diesem Bereich gibt es schon lange zuverlässige Meßmethoden, die häufig mit sprachunabhängigen synthetischen Stimuli operieren. Diese Versuche haben uns zuverlässige Daten über die Hörfähigkeit des Menschen geliefert. Viel problematischer als das Testen der auditiven Kapazitäten ist es, Tests zu konzipieren, die Aufschluß über die sprachliche Bedeutung bestimmter Parameter im Signal geben. Wann z.b. eine Differenz zwischen zwei ähnlichen Grundfrequenzverläufen über demselben lexikalischen Material zu einer Bedeutungsänderung führt, ist erheblich schwieriger zu beurteilen als die Frage, ob es einen wahrnehmbaren Unterschied zwischen den Konturen gibt. Im folgenden Abschnitt beschreibe ich kurz einige Experimente zur auditivakustischen Seite der Schallwahrnehmung, hauptsächlich aber werden einige Perzeptionsexperimente zur Erforschung der sprachlichen Relevanz der Parameter F0, Dauer und Intensität dargestellt.

22 22 Benno Peters Grundfrequenz Das Innenohr eines erwachsenen Menschen ist in der Lage, akustische Signale in einem Bereich von etwa 16 bis 16000Hz zu analysieren. Die Dekodierung erfolgt über ca Reihen von Haarzellen, die entlang der Basilarmembran verlaufen. Tiefe Töne bis ca. 500Hz sind im Bereich des Helicotrema linear auf der Basilarmembran abgebildet. Die Analyse höherer Töne verschiebt sich logarithmisch in Richtung der Basis der Schnecke. Die Grundfrequenz in menschlicher Sprache, die zwischen ca. 60 und 600Hz variieren kann, liegt also im unteren Bereich des hörbaren Frequenzspektrums. Da eine Diskriminationsfähigkeit des Gehörs in AX-Tests (Harris 1952) von etwa ±0,5 bis ±1,0% der Grundfrequenz festgestellt wurde, ist bei einem F0-Wert von 125Hz als Ausgangsstimulus bereits eine Abweichung von ca. 1Hz wahrnehmbar. Bei 500Hz liegt die wahrnehmbare Abweichung bei etwa 3Hz. Diese geringen Abweichungen spielen aber in der Diskrimination von Grundfrequenzverläufen in gesprochener Sprache keine Rolle. Deshalb müssen wir davon ausgehen, daß in der Perzeption der Intonation andere Mechanismen, wie etwa die interne Abstraktion der Konturen und die perzeptive Gruppierung von ähnlichen makroprosodischen Strukturen, ausschlaggebend sind. Genau an diesem Punkt muß angesetzt werden, um die Bedeutung von Grundfrequenzbewegungen für die Intonation zu erforschen. Im folgenden Abschnitt werde ich kurz drei experimentelle Vorgehensweisen vorstellen, mit deren Hilfe die Bedeutung von Grundfrequenzverläufen für die linguistische Kategorisierung untersucht wurden Isačenko und Schädlich (1970) In den Experimenten von Isačenko & Schädlich (1970), die in A Model of Standard German Intonation beschrieben werden bzw. diesem Werk zugrundeliegen, geht es um die Funktion von Grundfrequenzveränderungen in Bezug auf Akzentuierungsstruktur und Äußerungsgliederung. Das Vorgehen in den Experimenten ist geprägt von der Suche nach intonatorischen Basiskategorien, die über eine starke Abstraktion vom realen Sprachsignal erarbeitet werden sollen. Die Stimuli wurden folgendermaßen generiert: Eine Äußerung

23 Prototypische deutsche Intonationsmuster 23 wurde aufgenommen und mit Hilfe eines Vokoders auf zwei verschiedenen F0-Stufen (häufig 150Hz und 178Hz) monotonisiert. Die zwei daraus entstandenen monotonen Äußerungen wurden danach so zusammengeschnitten, daß bestimmte Silben aus der 150Hz Version und andere aus der 178Hz Version der Äußerung stammten. Generell läßt sich nachweisen, daß im F0-Verlauf sowohl ein Sprung nach unten als auch nach oben dem betreffenden Wort eine größere Prominenz gegenüber der restlichen Äußerung verleihen. Der wahrgenommene Unterschied in der Prominenz korreliert dabei mit der absoluten Größe des Grundfrequenzunterschieds. Aber auch die Verschiebung der Grundfrequenzsprünge, orientiert an der lexikalisch akzentuierten Silbe, führt zur Verschiebung linguistischer Kategorien. Befindet sich eine Kontur vor der lexikalisch akzentuierten Silbe, dem Iktus, auf dem hohen Niveau, die iktische und die folgenden Silben aber auf dem niedrigen Niveau, entsteht für den Hörer der Eindruck einer abgeschlossenen Argumentation durch ein neutrales Statement. Ist aber die iktische Silbe hoch und der Rest der Äußerung tief entsteht der Eindruck eines Kontrastakzents oder von Emphase. Bei der Beurteilung der Ergebnisse dieser Untersuchung muß beachtet werden, daß die Stimuli durch die Monotonisierung und die fehlende Deklination z.t. sehr unnatürlich klingen Kohler (1991d) Experimente zur linguistischen Funktion der Positionierung von F0- Gipfeln in Bezug auf die lexikalisch akzentuierte Silbe wurden auch von Kohler (1991d) durchgeführt. Unter anderem wurde eine Serie von Stimuli generiert, in der die Position eines F0-Gipfels in 10 Schritten über einer terminal fallenden Äußerung verschoben wurde. Als Basis diente u.a. die natürlichsprachliche Äußerung Sie hat ja gelogen. mit einem F0-Gipfel im [Ó ] von gelogen, also innerhalb des Silbennukleus der lexikalisch akzentuierten Silbe. Dieser Gipfel wurde in sechs Schritten von 30ms nach links und in 4 Schritten von 30ms nach rechts verschoben. Das so entstandene Kontinuum von 11 Stimuli bildete den Ausgangspunkt für verschiedene Perzeptionsexperimente. Im ersten Experiment werden die Stimuli den Versuchsperso-

24 24 Benno Peters nen der Reihe nach präsentiert. Die Präsentation erfolgt in beiden möglichen Richtungen, also vom frühen zum späten Gipfel und umgekehrt. Die Aufgabe der Versuchspersonen ist es anzugeben, ob eine oder mehrere Veränderungen eintreten und wenn ja, zwischen welchen Stimuli sie liegen. Weiterhin sollen Angaben über die inhaltliche Bedeutung der als verschieden bewerteten Äußerungen gemacht werden. In der Auswertung zeigt sich, daß die Diskriminationsfunktion einen Hauptgipfel um Stimuli 5/6 und einen Nebengipfel bei Stimuli 9/10 aufweist. Die Versuchspersonen beurteilen die Stimuli 1 4 als sichere Aussage, in der ohne Emphase eine bekannte Tatsache berichtet wird. Je weiter der Gipfel sich zum Ende der Äußerung verschiebt, umso klarer beurteilen die Versuchspersonen die Äußerung als Ausdruck von Überraschung und emotionaler Beteiligung. Ein XA und AX Diskriminationstest mit allen Stimuluspaaren, die einen oder zwei Schritte entfernt sind, validiert die Kategoriengrenzen um Stimuli 5 und 6, bzw. 9 und 10. Die Erklärung für die kategoriale Wahrnehmung der Stimuli liegt darin, daß in Stimulus 5 der F0-Gipfel in das [Ó ] von gelogen eintritt, während in Stimuli 1 4 der Gipfel im [Ð] liegt. Da das [Ð] eine wesentlich geringere Intensität als das [Ó ] hat, wird in Stimuli 1 4 der F0-Fall verstärkt, ab Stimulus 5 aber wird der F0-Gipfel, bzw. dessen Anstieg im Vokal, durch den Zusammenfall mit dem Intensitätsmaximum verstärkt. Eine Verschiebung aus dem Maximum nach rechts in den Nasal (das Schwa in gelogen ist elidiert) führt zum Nebengipfel der Diskriminationsfunktion um die Stimuli 9/10.

25 Prototypische deutsche Intonationsmuster 25 Die kategoriale Wahrnehmung der Stimulusserie und die Zuordnung zu verschiedenen semantischen Funktionen führt zu drei Gipfeltypen, die drei Basiskategorien im Kieler Intonationsmodell darstellen: dem frühen, dem mittleren und dem späten Gipfel. Wie die folgende schematische Abbildung zeigt, lassen sich die drei Gipfeltypen durch ihr F0-Maximum in Relation zum Sibennukleus charakterisieren. (a) Früher Gipfel (b) Mittlerer Gipfel (c) Später Gipfel Abbildung 1.3: Schematische Darstellung der drei Gipfeltypen (nach Kohler 1991d) Die gestrichelte Linie Von markiert den Einsatzpunkt des Vokals. Die semantische Kategorisierung wird in Perzeptionsexperimenten überprüft, in denen die Stimuli in drei verschiedenen Kontexten präsentiert werden: a.) Wer einmal lügt, dem glaubt man nicht, auch wenn er gleich die Wahrheit spricht. Das gilt auch für Anna. Sie hat ja gelogen. b.) Jetzt versteh ich das erst. Sie hat ja gelogen. c.) Oh! Sie hat ja gelogen. Die Urteile der Versuchspersonen zeigen, daß die Stimuli 1 4 im Kontext a.) zu fast 90%, in den Kontexten b.) und c.) aber kaum akzeptiert werden. Mittlerer und später Gipfel hingegen werden in den

26 26 Benno Peters Kontexten b.) und c.) akzeptiert, nicht aber im Kontext a.). Dies belegt die unterschiedliche semantische Funktion des frühen gegenüber dem mittleren und späten Gipfel. Weiterhin sind diese Experimente bedeutsam, da sie zeigen, daß die Wahrnehmnung von intonatorischen Strukturen mit internalisierten Kategorien verknüpft ist, Versuchspersonen also ebenso kategoriell urteilen wie in der Diskrimination von Konsonanten in akustischen Kontinua, in denen z.b. die Voice Onset Time (VOT) (Liberman et al. 1958) oder Formanttransitionen kontinuierlich variiert werden. Psychoakustische Versuche zur kategoriellen Wahrnehmung werden z.b. in Borden et al. (1994) beschrieben. In psychoakustischen Versuchen mit nichtsprachlichen Stimuli hingegen kommt es meist zur kontinuierlichen Wahrnehmung von Parametern wie Schalldruck- oder Frequenzänderung von Tönen Adriaens (1991) Als letztes Beispiel zu perzeptiven Untersuchungen von Grundfrequenzverläufen werde ich kurz die Experimente von Adriaens (1991) darstellen, die die Basis der Dissertation Ein Modell deutscher Intonation bilden. Auch Adriaens operiert mit stilisierten F0-Konturen, in denen alle für die Wahrnehmung der Intonationskontur perzeptiv irrelevanten F0-Bewegungen durch F0-Synthese eliminiert werden. Die so erzeugten Kopiekonturen, Resynthesen aus möglichst wenigen geraden Linien, werden in Perzeptionsexperimenten auf perzeptive Äquivalenz zum Original überprüft. Über dieses Verfahren sollen natürliche Äußerungen auf ihre perzeptiv relevanten Eigenschaften reduziert werden, um eine einfachere Interpretation und Modellierung der Daten zu gewährleisten. In diesen Experimenten zeigt sich, daß Hörer sensibel auf Abweichungen der Frequenzwerte der Wende- und Endpunkte von Konturen reagieren, die Eliminierung mikroprosodischer Verzerrungen aber kaum wahrgenommen wird. Adriaens stellt hierzu die Hypothese auf, daß die ständige Variation der Grundfrequenz natürlichsprachlicher Äußerungen den Hörer zur Datenreduktion zwingt, um das Kurzzeitgedächtnis zu entlasten. Nur die globale Gestalt der Kontur wird anhand ihrer Wendepunkte memorisiert und diskriminiert. Adriaens leitet aus seinen Untersuchungen ein hierarchisch strukturiertes Mo-

27 Prototypische deutsche Intonationsmuster 27 dell, bestehend aus einem beschränkten Inventar standardisierter Tonhöhenbewegungen, Deklinationslinien und sequentiellen Regeln, ab, das hier nicht weiter diskutiert werden kann. Lediglich Adriaens Untersuchungsmethode sollte dargestellt werden, um verschiedene Vorgehensweisen bei der Extraktion der perzeptiv relevanten Parameter der Intonation vorzustellen und von den Methoden der psychoakustischen Untersuchungen mit nichtsprachlichen Stimuli abzugrenzen Dauer Die Wahrnehmung von Dauerverhältnissen stellt das perzeptive Korrelat der zeitlichen Dimension im Signal dar. Der perzeptive Schwellenwert der Diskriminierbarkeit zweier Stimuli unterschiedlicher Dauer ist sowohl von der Differenz der Dauerwerte als auch von der totalen Dauer der Stimuli abhängig: Bei Sprachlauten zwischen 30 und 300ms liegt der Schwellenwert bei 10 bis 40ms. Es ist also sinnvoll, hier den Quotienten von Schwellenwert und absoluter Dauer anzugeben. In verschiedenen Untersuchungen (Henry 1948, Ruhm et al. 1966) schwanken die Quotienten sehr stark, da verschiedene Variablen im Versuchsaufbau, wie Frequenzcharakteristika und Schalldruckpegel der Stimuli oder die Raumakustik, die Ergebnisse beeinflussen. Da also schon unter Laborbedingungen mit synthetischen Stimuli keine eindeutigen Ergebnisse erzielt werden können, gibt es auch keine verläßlichen Erkenntnisse über die Wahrnehmung von Dauerverhältnissen in gesprochener Sprache. Hier ist es besonders problematisch, Wechselwirkungen der quantitativen Diskriminierung mit suprasegmentellen Merkmalen wie der Grundfrequenz und der spektralen Zusammensetzung des Signals sowie mit der Lautstärkeempfindung zu kontrollieren. Auch Wechselwirkungen mit Faktoren, die der Psychoakustiker kaum berücksichtigt, sind in der Wahrnehmung der Quantität bedeutend, wenn diese im Rahmen der Intonation betrachtet wird. Ein interessantes Beispiel zur Abhängigkeit der Pausenperzeption in sprachlichen Äußerungen von deren Relation zur intonatorischen Gliederung, liefern Experimente von Boomer und Dittmann (1962), Boomer (1965) und Butcher (1981). Boomer & Dittmann gingen folgendermaßen vor: Aus einer auf-

28 28 Benno Peters genommenen Radiodiskussion wurden Sätze herausgeschnitten, die a.) eine Pause zwischen zwei trennbaren intonatorischen Einheiten ( phonemic clauses ) enthielten oder b.) eine Pause innerhalb einer phonemic clause aufwiesen. Ihre Hypothese war, daß Pausen innerhalb von phonemic clauses ( hesitation pauses ) eine niedrigere Perzeptionsschwelle haben als die sogenannten Junkturpausen zwischen den Einheiten. Eine klare Definition der Einheit phonemic clause wird nicht gegeben. Trager und Smith (1957) beschreiben die phonemic clause als ein phonologisch markiertes Makrosegment, das nur einen primären Akzent enthält und mit einer Junktur endet. Zur prosodischen Phrasierung siehe auch (p.75). In der Vorbereitung des Experiments, das die Ausgangshypothese stützen sollte, wurden die Pausen in den ausgewählten Äußerungen auf 100, 200 und 500ms geschnitten. Im Perzeptionsexperiment wurden den Versuchspersonen nun Paare derselben Äußerung präsentiert, wobei in einer Äußerung die Pause völlig herausgeschnitten war und die Pausendauer im zweiten Stimulus variierte. Die Versuchspersonen wurden gebeten, die Stimuli auf Gleichheit oder Unterschiedlichkeit zu beurteilen, wobei sie darauf hingewiesen wurden, daß mögliche Unterschiede nur in Pausen zwischen den Wörtern auftreten. Die Resultate zeigen, daß Häsitationspausen von 100ms in etwa 40% der Fälle erkannt wurden, bei 200ms Pausendauer zu 75% und bei 500ms zu fast 100%. Die Resultate für die Junkturpausen weichen erheblich von diesen Ergebnissen ab. Die 100 und 200ms langen Pausen wurden in ca. 20% der Fälle bemerkt, die 500ms lange Pause nur in knapp 50% der Fälle. Basierend auf diesem Experiment führte auch Butcher Versuche zur Perzeption von Pausen durch. In Stimuli mit monotonisiertem F0-Verlauf wurde an jeder Position der Äußerung ein Schwellenwert von 80 90ms festgestellt. Die Erklärung hierfür ist, daß die intonatorische Strukturierung, d.h. die Einteilung in phonemic clauses oder auch tone groups (Halliday 1967) durch die Monotonisierung weitgehend verloren geht und somit die perzeptorische Trennung von Junkturpausen und Häsitationspausen entfällt. In einem zweiten Experiment wurde mit Nonsenssätzen gearbeitet, die aber mit einer natürlichen Intonation versehen waren. Hier wiederum zeigte sich, daß es zu einer signifikanten Diskrepanz der Schwellenwerte der Pausenperzeption zwischen Pausen innerhalb und Pausen zwischen den

29 Prototypische deutsche Intonationsmuster 29 phonemic clauses kam. Diese Experimente zeigen, daß die Perzeption von Dauerverältnissen bestimmter sprachlicher Einheiten in ein komplexes System der sprachlichen Wahrnehmung eingebunden ist und nur schwer mit den Ergebnissen sprachunabhängiger Untersuchungen in Einklang gebracht werden kann Intensität Um die physikalische Skalierungsgröße des Schalldruckpegels mit einer subjektiven Lautstärkeempfindung in Beziehung zu setzen, muß das menschliche Hörfeld betrachtet werden. Hier kommt es zwar zu einigen individuellen und situativen Abweichungen, generell läßt sich aber sagen, daß die Lautstärkewahrnehmung stark von der Frequenz des Schallsignals abhängt. Die größte Empfindlichkeit weist das Gehör im Bereich um 3kHz auf. Hier können schon Druckschwankungen von ca Mikrobar wahrgenommen werden (Hörschwelle). Höhere und tiefere Töne werden bei gleichem Schalldruckpegel als leiser wahrgenommen. In Experimenten wurden Töne verschiedener Frequenzen und Schalldruckpegel von Versuchspersonen in Bezug auf gleiche Lautstärke beurteilt. Die Lautstärke in der Einheit phon (siehe Abb. 1.4, p.30) wird dabei bezogen auf den db-pegel eines 1 khz-tones, d.h. daß die in phon ausgedrückte Lautstärke eines akustischen Signals gleich der bei einem 1-kHz-Ton mit einem Schalldruckpegel gleicher Maßzahl in db ist. Die frequenzabhängigen Lautstärkewahrnehmungen können im Diagramm als Kurven gleicher Lautstärke bei variierendem Schalldruckpegel dargestellt werden.

30 30 Benno Peters Abbildung 1.4: Die Hörfläche mit Hörschwelle (dick schwarz) und Schmerzgrenze (dick grau), sowie Kurven gleicher Lautstärke (dünn schwarz) (nach Zwicker & Feldtkeller, 1967; Pompino-Marschall, 1995) Eine andere Skalierung bietet die Verhältnisskala in sone (siehe Abb. 1.5, p.31). Hier geht es um das Lautstärkeverhältnis zwischen zwei Tönen. Bezugspunkt ist, wie bei der phon-skala, ein 1 khz-ton bei 40dB, dessen Lautheit definitorisch auf 1 sone festgesetzt ist. In Versuchen wurde festgestellt, wann Versuchspersonen Töne als doppelt so laut oder halb so laut beurteilen. Aus diesen Experimenten lassen sich Kurven gleicher Lautheit in sone in Abhängigkeit vom Schalldruckpegel in db ableiten. Das Problem, das die Ergebnisse solcher audiometrischer Untersuchungen für den Phonetiker darstellen, liegt darin, daß hier mit psychoakustischen Stimuli, oft Sinustönen oder Rauschen, gearbeitet wird, Sprachsignale sich aber durch eine ständige Änderung der Frequenzcharakteristika auszeichnen. Und selbst wenn sich bei synthetischen Klängen nachweisen läßt, daß die Lautstärke eines komplexen Tons gleich der Summe der Lautstärken seiner spektralen Komponenten ist (Howes 1950), bleibt die Errechnung von perzeptorisch relevanten Lautstärkeverläufen über einem Sprachsignal sehr problematisch, da hier möglicherweise besondere Konzepte der Wahr-

31 Prototypische deutsche Intonationsmuster 31 Abbildung 1.5: Die Hörfläche mit Kurven gleicher Lautheit (nach Zwicker und Feldtkeller, 1967) nehmung von Sprache, wie das des artikulatorischen Aufwands, die Perzeption bestimmen. Speziell in Bezug auf die Intonation stellt sich die Frage, inwiefern Variationen der Intensität bestimmter Signalabschnitte zu linguistisch relevanten Prominenzveränderungen dieser Abschnitte führen (siehe 1.3.5, p.32). Hierzu sind mir keine systematischen Untersuchungen bekannt Wahrnehmung von Mikroprosodie und intrinsischem F0 Die perzeptive Relevanz mikroprosodischer Fluktuationen ist in verschiedenen Experimenten untersucht worden (Lehiste 1970; Kohler 1982; Adriaens 1991; Gartenberg und Panzlaff-Reuter 1991). Ein mögliches Vefahren hierbei ist die Herstellung von Kopiekonturen (Adriaens 1991), in denen F0- oder Intensitätsverläufe soweit synthetisch stilisiert werden, bis alle linguistisch nicht signifikanten Merkmale des Signals in diesen Bereichen eliminiert sind, Versuchspersonen aber noch keinen Unterschied zum Originalsignal wahrnehmen. Eine andere Methode ist es, von trainierten Sprechern eine perzeptiv gleiche Kontur über verschiedenem lexikalischen Material produzieren zu lassen und die so erhaltenen Äußerungen von Versuchspersonen auf perzeptive Äquivalenz beurteilen zu lassen (Gartenberg und

32 32 Benno Peters Panzlaff-Reuter 1991). Solche und ähnliche Experimente haben gezeigt, daß Hörer bei der Beurteilung der Stimuli in Bezug auf die Intonation die mikroprosodischen Variationen mit einberechnen und dadurch ihren perzeptiven Einfluß auf die makroprosodische Struktur kompensieren. So werden ähnliche globale Grundfrequenzmuster mit stark unterschiedlichen mikroprosodischen Variationen als gleich bewertet. Auch die intrinsischen Grundfrequenzunterschiede zwischen Vokalen sind in das System der Sprachwahrnehnung soweit integriert, daß Hörer einen Unterschied in der Prominenz (siehe 1.3.5, p.32) zwischen einem hohen und einem tiefen Vokal erst dann wahrnehmen, wenn die Differenz in der Grundfrequenz oberhalb der intrinsischen Differenz von etwa 10 20Hz liegt. Ähnliches gilt für die intrinsischen Intensitätsunterschiede zwischen offenen und geschlossenen Vokalen: Der Hörer erwartet diese Unterschiede und beurteilt die Vokale trotz physikalisch meßbarer Intensitätsunterschiede als gleich prominent, obwohl ähnliche Intensitätsunterschiede in nichtsprachlichen Stimuli wahrgenommen werden. Eine mögliche Erklärung hierfür ist, daß der Hörer bei sprachlichen Signalen nicht die absolute Intensität bewertet, sondern ein internes Konzept von artikulatorischer Energie anwendet, um die verschiedenen Laute zu vergleichen. Auf dieser Ebene können ein offener Vokal großer Intensität und ein objektiv weniger intensiver geschlossener Vokal durchaus als gleich beurteilt werden (Ladefoged und McKinney 1963). Reinholt Petersen (1986) stellt die Theorie auf, daß die Mikroprosodie auf der makroprosodischen Ebene kompensiert wird, aber auf der segmentellen Ebene zur Dekodierung der Segmente dienen kann. Das perzeptive System fokussiert also auf derjenigen Ebene, wo Ambiguität im Input in Bezug auf die Zuweisung von Kategorien auftritt und/oder wo die größere Wichtigkeit der korrekten Kategorisierung liegt Prominenz Betrachten wir eine Äußerung, so setzt sich deren Grundfrequenzverlauf aus einer Reihe von Hebungen und Senkungen zusammen, die für die Akzentuierung einzelner Wörter verantwortlich sind. Die-

33 Prototypische deutsche Intonationsmuster 33 se Bewegungen müssen in ihrer zeitlichen Relation zu den lexikalisch akzentuierten Silben betrachtet werden und sind in die globale Struktur der Satzakzentuierung eingebunden. Als Domäne der Betonung von einzelnen Wörtern steht deshalb die Silbe und deren phonetische Realisierung im Vordergrund, während die Satzintonation eine Mischung aus den lokalen Realisierungen der Silben und einer überlagernden suprasegmentellen F0-Kontur darstellt. In diesem Abschnitt der Arbeit sollen die Faktoren diskutiert werden, die für die Akzentuierung einzelner Komponenten einer Äußerung bedeutsam sind. Lehiste (1970) definiert Akzent als linguistisch signifikante Prominenz. Eine größere Prominenz bedeutet ein gehörsmäßig stärkeres Hervortreten einer Silbe in Relation zu deren Umfeld und kann das Wort, zu dem die betreffende Silbe gehört, in den Fokus einer Äußerung setzen. Die Parameter F0, Dauer und Intensität können einer Silbe zu Prominenz verhelfen. In der Literatur wird die Bedeutung von F0 und Dauer wichtiger eingestuft als die der Intensität (Lehiste 1970), wobei die Akzentuierung einzelner Silben in gesprochener Sprache meist über eine Verbindung von Einflüssen aller drei Faktoren realisiert wird. Hierbei ist sehr wichtig, daß es nicht um die absoluten Werte dieser Komponenten des akustischen Signals geht, sondern um deren Relation zum Rest der Äußerung. So kann in einer Äußerung ein F0-Gipfel einer Kinderstimme bei 500Hz liegen, perzeptiv aber die gleiche Prominenz haben wie ein Gipfel von 100 Hz bei einer Männerstimme in einem vergleichbaren Kontext. Ähnliches gilt für die Dauer: Bei einer hohen Sprechgeschwindigkeit kann die Lautdauer eines Vokals von 80ms zu einer starken Prominenz der betreffenden Silbe führen. In sehr langsamer Sprache müßte der Vokal vielleicht 120ms Dauer aufweisen, um dieselbe auditive Prominenz zu haben. In vergleichbarer Weise ist natürlich auch die Intensität einzelner Segmente in Relation zur Intensität des restlichen Signals zu beurteilen. In ähnlicher Weise definiert Jones (1950) die betonte Silbe als eine Silbe, die vom Sprecher bewußt mit einem größeren Aufwand produziert wird als die benachbarten Silben des Wortes oder des Satzes. Die folgenden Beispiele sollen zeigen, daß auch jeder einzelne der Parameter F0, Dauer und Intensität zu einer gehörsmäßigen Verstärkung führen kann und so die linguistische Bedeutung der Äußerung beeinflußt.

34 34 Benno Peters A 1600ms 1800ms 2000ms 2200ms 2400ms 2600ms 2800ms 3000ms 3200ms 200Hz 150Hz B 100Hz 50Hz 1600ms 1800ms 2000ms 2200ms 2400ms 2600ms 2800ms 3000ms 3200ms 200Hz 150Hz C 100Hz 50Hz D $i: $-h #c: #&0 ##%d 1600ms 1800ms 2000ms 2200ms 2400ms 2600ms 2800ms 3000ms 3200ms #&* ##g $ e: $z $@+ $-h $t-q #&0 ##n $@- $g $n-n $t-q #&0 $ E $n ##m $ a #&* #&2- $a $n+ ##z $#v $@ $n $t $-h $"y: $s $t $-h #. #&0. #&PGn 1600ms 1800ms 2000ms 2200ms 2400ms 2600ms 2800ms 3000ms 3200ms Abbildung 1.6: Erhöhte Prominenz durch F0-Variation Äußerung Diese Gegend nennt man Sandwüste. (Referenz: k07mr080) Fenster A: Oszillogramm Fenster B: Monotonisierter F0-Verlauf (110Hz) Fenster C: Monotonisierter F0-Verlauf (110Hz) mit Anhebung (120Hz) auf Gegend Fenster D: Segmentelle und prosodische Etikettierung für alle Fenster Ähnlich wie in den Experimenten von Isačenko und Schädlich (1970) (siehe 1.3.1, p.22) führt in diesem Beispiel die Anhebung eines Vokals gegenüber den anderen Segmenten einer Äußerung mit monotonem Grundfrequenzverlauf zu einer erhöhten Prominenz der betreffenden Silbe. Die segmentelle und prosodische Etikettierung (Fenster D) (siehe 2.2.3, p.43ff) trifft auf beide Äußerungen (Fenster B und Fenster

35 Prototypische deutsche Intonationsmuster 35 C) zu. Da diese sich allerdings in der Stärke der Akzentuierung von Gegend unterscheiden, ist das prosodische Etikett, das die Stärke der Akzentuierung (siehe 3.1.4, p.55) bezeichnet, von mir durch ein * ersetzt worden, damit beide Äußerungen in einem Etikettierfenster repräsentiert werden können. Da sich vor vielen Signalen längere Pausen befinden, die nicht abgebildet werden sollten, beginnt die Skalierung der Zeitachse nicht bei Null. Zu allen manipulierten Versionen ist die Referenz auf das Ausgangssignal angegeben. Weiterhin sind alle abgebildeten Signale, die einer tatsächlich im Korpus aufgetretenen Realisierung entsprechen, mit Original gekennzeichnet. Diese Art der Darstellung habe ich auch für alle in Kapitel 3 abgebildeten Signale gewählt.

36 36 Benno Peters A B $i: $-h #c: #&0 ##%d 1600ms 1800ms 2000ms 2200ms 2400ms 2600ms 2800ms 3000ms #&0 ##g $ e: $z $@+ $-h $t-q #&0 ##n $@- $g $n-n $t-q $ a #&0 #&2- $ E $n ##m $a $n+ ##z $#v $n $t $-h $@ $"y: $s $t $-h #. #&0. #&PGn 1600ms 1800ms 2000ms 2200ms 2400ms 2600ms 2800ms 3000ms C ms 1800ms 2000ms 2200ms 2400ms 2600ms 2800ms 3000ms D $i: $-h #c: #&0 ##%d $z $@+ $ e: $-h #&2- ##g $ E $t-q $@- #&0 $g $n-n##n $t-q #&0 ##m #&0. #&2- $n $a $n+ ##z $ a $n $t $#v $-h $@ $"y: $s $t $-h #. #&0. #&PGn 1600ms 1800ms 2000ms 2200ms 2400ms 2600ms 2800ms 3000ms Abbildung 1.7: Erhöhte Prominenz durch Dauervariation Äußerung: Diese Gegend nennt man Sandwüste (Referenz: k07mr080) Fenster A: Oszillogramm mit kurzem [ ] (110ms) in Gegend Fenster B: Segmentelle und prosodische Etikettierung für Fenster A Fenster C: Oszillogramm mit langem [ ] (150ms) in Gegend Fenster D: Segmentelle und prosodische Etikettierung für Fenster C Das Beispiel in Abb. 1.7 (p.36) zeigt, daß auch eine Dauererhöhung allein zu stärkerer Prominenz der betroffenen Silbe führt.

37 Prototypische deutsche Intonationsmuster A ms 1800ms 2000ms 2200ms 2400ms 2600ms 2800ms 3000ms B Hz 100Hz C 1600ms 1800ms 2000ms 2200ms 2400ms 2600ms 2800ms 3000ms D $i: $-h #c: #&0 ##%d 1600ms 1800ms 2000ms 2200ms 2400ms 2600ms 2800ms 3000ms #&* ##g $ e: $z $@+ $-h $t-q #&0 ##n $@- $g $n-n $t-q #&0 $ E $n ##m $ a &* #&2- $a $n+ ##z $#v $n $t $-h $@ $"y: $s $t $-h #. #&0. #&PGn 1600ms 1800ms 2000ms 2200ms 2400ms 2600ms 2800ms 3000ms Abbildung 1.8: Erhöhte Prominenz durch Intensitätsvariation Äußerung: Diese Gegend nennt man Sandwüste (Referenz: k07mr080) Fenster A: Oszillogramm (geringe Intensität im [ ] von Gegend ) Fenster B: Oszillogramm (hohe Intensität im [ ] von Gegend ) Fenster C: F0-Verlauf für Fenster A und B Fenster D: Segmentelle und prosodische Etikettierung für alle Fenster Wie diese Abbildung und das dazugehörige Hörbeispiel verdeutlichen, kann auch die höhere Intensität eines Signalabschnitts, relativ zum Rest der Äußerung, diesen Abschnitt perzeptorisch hervortreten lassen.

38

39 Kapitel 2 Datenbasis Die Sprachdaten, die die Basis des empirischen Teils der vorliegenden Arbeit bilden, sind eine Auswahl aus einem in Kiel erstellten und bearbeiteten Korpus. Dieses Korpus ist unterteilt in die Bereiche gelesene Sprache und Spontansprache und ist auf CD-ROM erhältlich (IPDS 1994, 1995, 1996, 1997a). Die aufgenommenen Sprecher sprechen Standarddeutsch, z.t. norddeutscher Prägung. Im Korpus sind Männer und Frauen zu gleichen Teilen repräsentiert, weiterhin sind verschiedene Altersstufen vertreten. 2.1 Datenerhebung Lesesprache Die Erhebung von lesesprachlichen Daten ist einerseits sehr einfach: Ein Sprecher liest die ihm präsentierten Texte bzw. Sätze vor. Das Sprachsignal wird unter Studiobedingungen aufgenommen. Andererseits ist die Textauswahl für erhebliche Konsequenzen in der prosodischen Gestaltung verantwortlich, da der Sprecher seinen Lesestil dem Inhalt und dem sprachlichen Niveau des Textes anpassen wird. So wird z.b. die Häufigkeit des Auftretens von steigenden Konturen, die für die intonatorische Markierung von Fragen benutzt werden, mit der Semantik des vorliegenden Textes in enger Verbindung stehen. Ebenso wird der Leser beim Vorlesen eines Märchens andere 39

40 40 Benno Peters prosodische Stilmittel verwenden als beim Vorlesen eines Zeitungsartikels oder eines Dialogs aus einem Theaterstück. Das gelesene Material, das dieser Arbeit zugrundeliegt, besteht aus zwei Satzlisten mit je 100 Sätzen und zwei kurzen Geschichten und wurde im Rahmen des PHONDAT-Projekts (Kohler 1992b) aufgenommen. Die Satzlisten (Berliner Sätze, Marburger Sätze) enthalten kurze, syntaktisch einfache Sätze mit inhaltlich klaren Statements oder Fragen. Die Satzkorpora sind unter dem Aspekt der phonologischen Ausbalanciertheit erstellt worden. Das heißt, die Phonemhäufigkeiten entsprechen der durchschnittlichen Phonemverteilung des Deutschen (Sotscheck 1976a, 1976b, 1984). Die Geschichten (Die Buttergeschichte, Nordwind und Sonne) sind ebenfalls syntaktisch eher einfach strukturiert. Sie gehören zu den Standardtexten, die immer wieder in phonetischen Untersuchungen benutzt werden. Der anekdotische Charakter der Geschichten veranlaßt die Leser, in einem klaren, einfachen Stil, wie etwa beim Vortrag einer Kindergeschichte, zu lesen. Satzlisten und die Texte der Geschichten sind im Anhang abgedruckt Spontansprache Die kontrollierte Erhebung spontansprachlicher Daten ist mit einigen Schwierigkeiten verbunden, da die Versuchspersonen unter Laborbedingungen dazu veranlaßt werden müssen, möglichst ungezwungen zu sprechen, und gleichzeitig bestimmte Elemente, wie zum Beispiel Zahlwörter, Orts- oder Monatsnamen, im erhobenen Korpus auftreten sollen. Das Szenario zu den in Kiel erhobenen Daten ist eine Situation, in der zwei Gesprächspartner anhand von speziell hierfür entworfenen Terminkalendern Termine verabreden. Es wurde im Rahmen des Verbmobil-Projekts entworfen (Karger und Wahlster 1994). Jeder der beiden Sprecher hat ein Kalenderblatt vor sich, anhand dessen die Termine abgemacht werden sollen. Die Kalenderblätter sind für beide Sprecher unterschiedlich und so konzipiert, daß durch die Überschneidung von bereits festen Terminen auf den Kalendern Schwierigkeiten bei der Teminabsprache entstehen müssen. Dadurch werden die Sprecher veranlaßt, ausführlich über verschiedene Möglichkeiten der Terminfestlegung zu diskutieren. Die Sprecher haben keinen Sichtkontakt, befinden sich in je einer

41 Prototypische deutsche Intonationsmuster 41 schallgedämpften Aufnahmekabine und sind über Headsets (Sennheiser HDM 410 oder 414) verbunden. Die Sprache wird nur dann aufgenommen bzw. auf den Kopfhörer des Partners übertragen, wenn ein Knopf gedrückt gehalten wird. Solange ein Sprecher den Knopf gedrückt hält, wird das Signal des anderen Sprechers nicht weitergeleitet, auch nicht, wenn dieser ebenfalls seinen Knopf drückt. Das bedeutet, daß ausschließlich abwechselnd gesprochen werden kann und es nicht zu Überschneidungen zwischen den Sprachsignalen kommt. Die Situation ist also etwa mit der Kommunikation über ein Sprechfunkgerät vergleichbar und garantiert eine gute technische Qualität der Sprachsignale und eine vollständige Separierung der Kanäle. In der weiteren Verarbeitung werden die Signale mit einer Abtastrate von 16kHz digitalisiert und für jeden Gesprächsbeitrag ( turn ) separat gespeichert. Die genaue Beschreibung der Datenerhebung befindet sich im Arbeitsbericht Nr. 29 des Instituts für Phonetik und digitale Sprachverarbeitung der Universität Kiel, 1995 (Kohler et al. 1995). 2.2 Datenweiterverarbeitung Die erhobenen Sprachdaten werden orthographienah verschriftet, kanonisch transkribiert, dann segmentiert und zuletzt prosodisch etikettiert. Diese Schritte, die ich im folgenden kurz beschreibe, werden mit Hilfe der hierfür am IPdS entwickelten Rechnerumgebung xassp (IPDS 1997b) durchgeführt. Die Konventionen für die Verschriftung und die Segmentierung sind im Rahmen des Verbmobil Projekts erarbeitet worden (Kohler et al. 1995) Transliteration Die orthographienahe Verschriftung ( Transliteration ) (siehe Bsp , p.42) wird im 7 bit ASCII-Format kodiert. Folgende Objekte werden symbolisiert: lexikalische Einträge reduzierte Wortformen Interjektionen, Bejahungs- und Verneinungspartikel

42 42 Benno Peters Abkürzungen und buchstabierte Formen nichtverbale Elemente (Häsitationspartikel, Lachen, Husten, Schlucken usw., Pausen, Atmen, Längung bestimmter Segmente) syntaktisch-semantische Struktur Neologismen und Versprecher syntaktische Abbrüche schlecht verständliche oder abgebrochene Wörter nicht-artikulatorische Geräusche (Papierrascheln, Türschlagen usw.) technische Abbrüche, verursacht duch Probleme mit dem Knopfdruck während der Aufnahme. Bsp Transliteration des Beitrags g095a006 <A>au"serdem<Z> <"ah> steht auf meinem Dienstplan noch eine f"unft"agige gemeinsame Dienstreise mit Ihnen. <A> ich bin ganz entz"uckt dar"uber, und ich wollte Sie fragen, <A> ob Ihnen<Z>, wenn Ihnen diese +/Da=/+ Reise nat"urlich genehm ist, nat"urlich nur dann, ob wir sie vielleicht Ende M"arz legen k"onnten Kanonische Transkription Die Transliteration dient als Input für den Graphem-Phonem -Konverter des RULSYS Text-to-Speech-Systems für das Deutsche (Kohler 1992a, 1992b, 1992c, 1997). Der Konverter generiert eine default -Phonemfolge für die lexikalischen Einträge der Transliteration. Diese kanonische Transkription dient als Basis für die segmentelle Etikettierung der Sprachsignale. Außer den lexikalischen Einträgen werden auch alle anderen Elemente der Transliteration automatisch umgesetzt, lexikalische Wortakzente und Kompositumsgrenzen werden markiert. Das Endergebnis der Konvertierung ist eine Datei mit einer Liste der durch RULSYS generierten segmentellen und sonstigen Etiketten.

43 Prototypische deutsche Intonationsmuster Segmentelle Etikettierung Das Ziel der segmentellen Etikettierung ist eine Zuordnung der Elemente der durch RULSYS generierten Labeldatei zur zeitlichen Abfolge des Sprachsignals. Der Bearbeiter hat hierfür das Oszillogramm und ein unter xassp berechnetes Sonagramm auf dem Bildschirm und das Sprachsignal auf einem Kopfhörer zur Verfügung. Speziell in der Spontansprache kommt es häufig zu starken Reduktionserscheinungen wie der Elision von Segmenten oder dem Verschmelzen mehrerer Segmente zu einem Abschnitt im Signal, der die artikulatorischen Parameter verschiedener Segmente enthält und nicht weiter segmentierbar ist. Häufige Beispiele hierfür sind Nasalierungen und Glottalisierungen in der Umgebung von Nasalen bzw. von Glottalverschlüssen. Für die Markierung solcher phonetischen Erscheinungen steht ein umfangreiches Inventar an Etiketten zur Verfügung. Allerdings handelt es sich bei dieser Etikettierung nicht um eine enge phonetische Transkription, sondern um eine phonetisch-phonematische Segmentierung, die im Transkriptionsalphabet modified SAMPA (Barry und Fourcin 1992; Wells et al. 1989; Kohler et al. 1995) erstellt wird. Das Ergebnis dieses Arbeitsschritts ist eine Etikettierdatei, die die kanonisch erstellten Etiketten, deren Modifikationen und die jeweilige zeitliche Zuordnung der Segmente zum Sprachsignal enthält.

44 44 Benno Peters Bsp Etikettierdatei im SAMPA-Format k07mr007.s1h Wer we: i"s dort genau Bescheid? oend v e: 6+ v ai s d O 6 t n au S ai t? kend c: &HP &0 v e:6+ &2- v ai s &0 d -h O6 t -h &0. &2- g n au &1. &2[ S ai t -h? &, &PGn hend #c: #&HP #& ##v $e: #& ##v $ ai $s #& ##d $-h $ O $t $-h

45 Prototypische deutsche Intonationsmuster #& #& ##g $-h $n $ au #& #&2[ ##b $@ $S $ ai $t $-h #? #&, #&PGn

46 46 Benno Peters Prosodische Etikettierung Im letzten Schritt der Datenverarbeitung wird von trainierten Bearbeitern die auf KIM basierende prosodische Etikettierung vorgenommen (Kohler 1991b, 1995a, 1995b; Kohler et al. 1995). Hierbei werden die Äußerungen in prosodische Phrasen unterteilt und jedem Wort eine Akzentstufe zwischen 0 und 3 zugewiesen. Akzentstufe 0 entspricht einer völligen Deakzentuierung, 1 einer partiellen Deakzentuierung, 2 ist die default -Kategorie für den primären Satzakzent, und 3 bezeichnet emphatisch verstärkte Akzente. Weiterhin wird jedem akzenttragenden Wort eine Gipfel- oder Talkontur zugeordnet (siehe 3.2.1, p.56ff). Die Konkatenation der Konturen wird durch spezielle Etiketten markiert. Auch prosodische Erscheinungen wie Wechsel der Sprechgeschwindigkeit oder des Registers werden erfaßt. Eine ausführlichere Beschreibung der Konturtypen und des sonstigen Symbolinventars wird in Kapitel 3 gegeben KielDat Datenbank Die Erstellung einer Datenbank ist die letzte Stufe der Weiterverarbeitung der Etikettierdateien (Kohler et al. 1997; Pätzold 1997). Die Etikettierdateien können über in awk (Close et al. 1993) geschriebene Funktionen, die durch einen C-Präprozessor geschickt werden, in das Datenbankformat der KielDat Datenbank konvertiert werden. Hierbei handelt es sich um ASCII-Dateien, in denen die Informationen aus den Etikettierdateien in verschiedenen Feldern angeordnet werden. Auf die so neu strukturierten Daten kann auch ohne umfangreiche Computerkenntnisse durch etwa 60 verschiedene Datenbankfunktionen zugegriffen werden. Die Funktionen beinhalten Konvertierungen wie die Umrechnung von Hertz in mel, Extraktionsfunktionen für die Suche nach bestimmten Etiketten und mathematische Funktionen, z.b. für die Errechnung verschiedener statistischer Werte. Da ich für den statistischen Teil (Kapitel 4) dieser Arbeit nicht mit der Datenbank und deren Funktionen gearbeitet habe, sondern über awk-scripts direkt auf die Etikettierdateien zugegriffen habe, soll das Thema Datenbank hier nicht weiter vertieft werden.

47 Prototypische deutsche Intonationsmuster Datenbasis des empirischen Teils dieser Arbeit Die Datenbasis der vorliegenden Arbeit ist eine Auswahl von Daten aus dem Kieler Korpus, da eine Bearbeitung des gesamten Korpus hier zu umfangreich wäre. Um den Teilbereich Lesesprache abzudecken, habe ich die Marburger Sätze, die Berliner Sätze (je 100 Sätze) und die beiden kurzen Geschichten Nordwind und Sonne und Die Buttergeschichte ausgewählt (siehe Anhang). Sowohl die Sätze als auch die Geschichten sind jeweils als Produktionen von zwei Männern und zwei Frauen in mein Korpus aufgenommen. Da zwei Sprecher das gesamte Kieler Korpus der gelesenen Sprache produziert haben (Sprecher k61 und Sprecherin k62), habe ich deren gelesene Versionen der Marburger und Berliner Sätze sowie beide von ihnen gelesenen Geschichten ins Korpus aufgenommen. Die anderen zwei Sprecher habe ich jeweils ohne besondere Auswahlkriterien, außer der Gleichgewichtung zwischen den Geschlechtern, ausgesucht. Dargestellt mit den Sprecherkürzeln des Kieler Korpus ergibt sich folgende Auswahl: Marburger Sätze Sprecher: k61, k07 Sprecherinnen: k62, k68 Berliner Sätze Sprecher: k61, k03 Sprecherinnen: k62, k64 Nordwind und Sonne Sprecher: k61, k13 Sprecherinnen: k62, k14 Die Buttergeschichte Sprecher: k61, k77 Sprecherinnen: k62, k24 Das hier analysierte spontansprachliche Korpus bilden zwei von drei Dialogsitzungen aus dem Terminabspracheszenario der CD-ROM #2 (IPDS 1995): die Dialogsitzung g07 der Sprecher TIS und HAH und die Dialogsitzung g09 der Sprecherinnen ANS und FRS.

48

49 Kapitel 3 Prototypische Intonationsmuster 3.1 Das Kieler Intonationsmodell (KIM) Im folgenden Abschnitt soll eine kurze Darstellung des Kieler Intonationsmodells (KIM) gegeben werden. Das Modell gründet sich auf korpusbasierte Untersuchungen des Deutschen, wobei in den Anfängen der Untersuchungen die Lesesprache im Vordergrund stand, dann aber immer mehr an der Übertragung und Erweiterung der gewonnenen Erkenntnisse hinsichtlich spontaner Sprache gearbeitet wurde und wird. Für die Anwendung in der prosodischen Etikettierung von Sprachsignalen ist das auf KIM basierende PROLAB- Symbolinventar (The Kiel System of Prosodic Labeling) entwickelt worden, das die Grundlage für die unter Absatz 3.2ff (p.55) näher erläuterten prototypischen Intonationsmuster bildet und im weiteren Verlauf dieses Kapitels schrittweise erläutert wird (Kohler 1995b). KIM bildet weiterhin die Basis für ein Regelwerk, das in das Textto-Speech-System RULSYS (Kohler 1991b, 1997) implementiert ist. Auf eine Beschreibung dieses Regelwerks soll an dieser Stelle verzichtet werden, da dies den Rahmen der Arbeit sprengen würde. 49

50 50 Benno Peters Das Modell verfolgt im wesentlichen drei Ziele: die Beschreibung der Kombination von Mikro- und Makroprosodie die Trennung phonologisch relevanter Muster von kontextuellen Varianten und die Einordnung der relevanten Muster in ein phonologisch orientiertes System die Erfassung der Beziehungen zwischen den prosodischen Erscheinungen und der Semantik, Pragmatik und Syntax von Äußerungen. Bei den in KIM angesetzten Mustern handelt es sich um Grundfrequenzkonturen. Anders als in den Levelton-Modellen (Pierrehumbert 1987; Grice und Benzmüller 1995) werden hier bestimmte Melodiemuster und ihre Positionierung in Bezug auf den Silbennukleus der lexikalisch akzentuierten Silbe eines satzakzentuierten Wortes als distinktive Einheiten behandelt. Diesem Vorgehen liegt die Unterscheidung zwischen dem lexikalischen Akzent und dem Satzakzent zugrunde. Im Deutschen gibt es in jedem Wort eine Silbe, der fest die lexikalische Akzentuierung zugeordnet ist. Der Vokal im Zentrum dieser Silbe (Silbennukleus) kann zum Träger eines Satzakzents werden, wenn er über die Parameter Grundfrequenz, Dauer und Intensität die entsprechende auditive Prominenz erhält Kombination von Mikro- und Makroprosodie Rechnerbasierte Grundfrequenzanalysen erlauben heute eine sehr präzise Messung und die visuelle Darstellung von F0-Konturen über bildgebende Verfahren. Für die Einordnung dieser Konturen in ein System linguistischer Funktionen ist es sehr wichtig zu wissen, was durch die Meßdaten repräsentiert wird. Die Trennung der durch den Sprecher intendierten Kontraste von kontextuell konditionierten Variationen ist eine der Voraussetzungen, um eine Phonologisierung bestimmter Konturen durchführen zu können. Wie unter (p.15) beschrieben, ist der meßbare Grundfrequenzverlauf eine Kombination von makroprosodischen Konturen

51 Prototypische deutsche Intonationsmuster 51 in Relation zur Äußerungssemantik und mikroprosodischen Erscheinungen, die durch die Artikulation bedingt sind. Das bedeutet, daß perzeptuell äquivalente F0-Konturen im meßbaren Grundfrequenzverlauf deutliche Unterschiede aufweisen können, da Verzerrungen der Konturen durch artikulatorische Abläufe auftreten. Wie schon beschrieben, sind die wichtigsten Parameter hierbei die Zungenhöhe und das konsonantische Umfeld. Im Rahmen der Untersuchungen zu KIM wurden von trainierten Sprechern perzeptiv äquivalente Konturen über lexikalisch verschiedenen Sätzen produziert, um die kontextuell bedingten Variationen zu erfassen (Gartenberg und Panzlaff-Reuter 1991). Für den Einfluß von Vokalen verschiedener Zungenhöhe auf die absolute Höhe von F0-Gipfeln wurde ein Unterschied von etwa 10Hz festgestellt, allerdings sind hierbei Wechselwirkungen mit der Positionierung des Gipfels in Relation zum Silbennukleus und der intrinsisch geringeren Dauer von hohen Vokalen aufgetreten. Dadurch ist eine Vereinheitlichung der Einflüsse über verschiedene relevante Konturen nicht möglich. Der Einfluß von vorangehenden Fortis-Konsonanten auf den onset eines im Silbennukleus positionierten F0-Gipfels liegt nach den Ergebnissen dieser Untersuchung zwischen 24 bis 27Hz Anhebung für hohe Vokale und 13 bis 21 Hz Anhebung für tiefe Vokale. Eine mögliche Erklärung für diesen Unterschied zwischen hohen und tiefen Vokalen liegt in der durchschnittlich längeren Verschluß- und Lösungsdauer von Fortisplosiven vor hohen Vokalen. Für den Einfluß des Folgekonsonanten auf die Realisierung von F0-Gipfeln ließen sich keine einheitlichen Ergebnisse feststellen Trennung phonologisch relevanter Muster von kontextuellen Varianten und Einordnung dieser Muster in ein phonologisch orientiertes System Um Grundfrequenzmuster in ein phonologisch orientiertes System einzubinden, ist es notwendig, über eine Abstraktion von den konkreten Signaleigenschaften Muster zu defininieren, die nicht unmittelbar an den segmentellen Kontext gebunden sind. Ähnlich den

52 52 Benno Peters phonologischen Systemen auf der Wortebene, in denen Laute in ein segmentelles System phonologischer Oppositionen eingeordnet werden, soll hier auf der Äußerungsebene, bzw. auf der Ebene der prosodischen Phrasen, ein suprasegmentelles, prosodisches System erstellt werden, dessen Hauptbestandteile Melodiemuster sind, denen abstraktive Relevanz zukommt. Die in KIM postulierten distinktiven Muster sind drei verschiedene Gipfeltypen und zwei zu unterscheidende Täler im Grundfrequenzverlauf. Die Gipfel unterscheiden sich in der Positionierung des F0-Maximums in Relation zum Silbennukleus der lexikalisch akzentuierten Silbe: Der frühe Gipfel hat sein Maximum vor dem lexikalisch akzentuierten Vokal, der mittlere Gipfel im Vokal selbst und der späte Gipfel danach (siehe 1.3.1, p.22; Abb. 1.3, p.25). Die zwei Talkonturen, üblicherweise kontinuierlich bis zum nächsten Satzakzent oder einer Phrasengrenze steigende Grundfrequenzverläufe, teilen sich in frühe Täler, deren Tiefpunkt vor dem Nukleus der lexikalisch akzentuierten Silbe liegt und späte Täler, deren Tiefpunkt im Nukleus selbst liegt. Sowohl die Gipfel- als auch die Talkonturen können perzeptorisch verschieden stark hervortreten. Die Prominenz einer Kontur ist hierbei wiederum mit der Extension der Grundfrequenzbewegung sowie den Dauer- und Intensitätsverhältnissen verknüpft. KIM sieht neben der Deakzentuierung drei Stufen der Akzentstärke vor: die partielle Deakzentuierung, den default -Satzakzent und die emphatisch verstärkte Akzentuierung. Eine ausführliche Beschreibung der Gipfel- und Talkonturen wird unter und (pp.56 und 70) gegeben. Neben der paradigmatischen Gliederung der distinktiven Konturen enthält KIM syntagmatische Elemente zur Konkatenation der Gipfel und Täler auf der Äußerungsebene. Hierbei geht es hauptsächlich um verschiedene Möglichkeiten der Realisierung der Grundfrequenzverläufe über den deakzentuierten Silben zwischen den Gipfeln und Tälern und um Markierungen für die Endpunkte von Konturen vor Phrasengrenzen (siehe 3.2.2, p.59ff).

53 Prototypische deutsche Intonationsmuster Erfassung der Beziehungen zwischen den prosodischen Erscheinungen und der Semantik, der Pragmatik und der Syntax von Äußerungen Der Bereich einer Äußerung, in dem die Abhängigkeit der Äußerungssemantik von der Intonation besonders deutlich hervortritt, liegt zwischen der letzten satzakzentuierten Silbe einer prosodischen Phrase und der prosodischen Phrasierungsgrenze. Fällt die Grundfrequenz in diesem Bereich, wird dem Hörer signalisiert, daß das Ende einer Argumentation erreicht ist und der Sprecher möglicherweise nicht zum selben Thema fortfahren wird. Der Grad der Kategorialität einer Aussage steht hierbei im Zusammenhang mit dem Endpunkt der fallenden Bewegung. Ein Abfall bis an die untere Grenze des Stimmumfangs signalisiert, daß über unumstößliche Tatsachen gesprochen wird, ein eher schwebendes Ende läßt Raum für Diskussionen oder zeigt Zweifel am Gesagten an. Eine steigende Bewegung bis an die Phrasengrenze erfüllt eine völlig andere semantische Funktion. Sie kann anzeigen, daß der Sprecher zum selben Thema fortfahren will oder den Hörer auffordert, dies zu tun. Hierbei ist der Endpunkt der Aufwärtsbewegung insofern von Bedeutung, als ein Aufstieg bis an die Obergrenze der Sprechstimme nur in Fragen auftritt, ein weniger starkes Aufsteigen zwar Fragen signalisieren, aber auch eine Überleitung zur nächsten Äußerungseinheit desselben Sprechers sein kann ( weiterweisende Intonation ) (v. Essen 1964). Diese Art der Phrasenverknüpfung ist häufig zu beobachten in Äußerungen von unsicheren Sprechern, z.b. in Fernsehsendungen. O. v. Essen (1964:55) zu dieser Form der rhetorischen Bindung: Weiterweisende Intonation ohne inneren Grund wirkt auf Dauer langweilig und peinlich. In Gesprächen bedeutet eine Bejahung mit leicht steigender Kontur oft die Aufforderung zum Weitersprechen, ein stark steigender Verlauf jedoch eine erstaunte Frage. Diese semantischen Funktionen der steigenden und fallenden Konturen sind in vielen Sprachen zu beobachten. Eine mögliche Erklärung hierfür bietet der evolutionär bedingte frequency code (Ohala 1983, 1984): Große Vertreter einer Spezies produzieren aufgrund der mit der Körpermasse korrelierenden Kehlkopfmasse tiefe Töne. Da in der Entwicklungsgeschichte Körpermasse bzw. Körper-

54 54 Benno Peters kraft eine dominante Position im sozialen Gefüge gewährleistete, wird der terminal fallende Intonationsverlauf mit Sicherheit und Kategorialität einer Äußerung assoziiert. Der steigende Intonationsverlauf hingegen wird in Fragen verwendet, wobei der Fragende sich in der untergeordneten, bittenden Position befindet und dies durch hohes F0 signalisiert. Eine dritte Kategorie bilden die kombinierten Konturen, die einen Abfall und einen Wiederaufstieg der Grundfrequenz nach dem letzten Gipfel vor einer Phrasengrenze beinhalten. Auch sie können in Fragen verwendet werden, aber auch Erstaunen oder eine Warnung ausdrücken. Wie in 1.3.1, 3.1.2, und (p.51, 56, 56 und 59) beschrieben, können auch die verschiedenen Gipfel- und Taltypen mit unterschiedlichen Äußerungssemantiken assoziiert werden. Im Zusammenhang mit der oft sehr problematischen Verknüpfung zwischen Semantik, Pragmatik, Syntax einer Äußerung und deren Intonation weist Kohler (1995a) ausdrücklich darauf hin, daß kontrastive Intonationsstrukturen in einer Sprache keine konsistente, von allen Äußerungen losgelöste Bedeutung haben, wie dies oft in solchen Termini wie Frageintonation (v. Essen 1964:196) impliziert ist. Segmenteller Aufbau und Intonationsmuster, morphologische und syntaktische Strukturen, Wortbedeutung und Situationskontext leisten alle ihren Beitrag zur Gesamtbedeutung eines sprachlichen Kommunikationsvorgangs und werden in ihrer Bedeutungsfunktion durch die anderen Komponenten wesentlich mitbestimmt. Diese komplexen Zusammenhänge zwischen den Komponenten einer sprachlichen Äußerung und deren Inhalt machen es in bestimmten Hörbeispielen der vorliegenden Arbeit schwierig, die semantischen Funktionen der Konturen klar herauszustellen, da z.t. verschiedene F0-Konturen über derselben Äußerung generiert wurden. Wenn sich die für die F0-Synthese gewählte Äußerung aber z.b. aufgrund ihrer Semantik nicht für eine Drohung eignet, wird es dem Hörer schwerfallen, das Gehörte als drohend zu interpretieren, auch wenn final eine kombinierte Kontur auftritt, die in einem anderen Kontext eine Drohung signalisieren könnte.

55 Prototypische deutsche Intonationsmuster Akzentuierungsstufen in KIM Die vier Stufen der Akzentuierung, die in KIM angesetzt werden, sind die Deakzentuierung, die partielle Deakzentuierung, die default -Akzentuierung und die emphatische Akzentuierung. Die vier Stufen werden mit 0, 1, 2 und 3 bezeichnet. Der Normalfall ( default -Fall) für Funktionswörter ist eine völlige Deakzentuierung (Stufe 0), während Inhaltswörter in der Regel die default - Akzentstufe (Stufe 2) erhalten. Abweichungen von dieser Grundregel sind primär semantisch motiviert. Kohler (1995a) erläutert dies am Beispiel des Satzes Er hat einen Brief geschrieben. Als eine neutrale Form der Realisierung kann Er hat einen Brief geschrieben. angesetzt werden. Die Form Er hat einen Brief geschrieben. würde inhaltlich geschrieben fokussieren und in einen Kontrast z.b. zu getippt setzten. Die Realisierung als Er hat einen Brief geschrieben. setzt das Funktionswort einen in den Fokus der Äußerung. So wird der Kontrast zu mehreren Briefen gewährleistet. Die Verwendung der Akzentstufe 3 kann in verschiedenen Kontexten zur emphatischen Verstärkung gebraucht werden. Neben der semantischen Komponente treten aber auch syntaktische Faktoren auf, die die Akzentstärke einzelner Elemente einer Äußerung mitbestimmen. So wird in der Konstruktion Verb + nichtpronominales Akkusativobjekt das Verb normalerweise partiell deakzentuiert (0Er 0hat 0einen 2Brief 1geschrieben.). Handelt es sich aber um ein Dativobjekt ist keine Deakzentuierung zu erwartern (0Er 0hat 0seinem 2Vater 2geholfen.), solange Vater nicht semantisch kontrastiert werden soll. 3.2 Beispiele zu prototypischen F0-Konturen und deren Konkatenation In diesem Abschnitt der Arbeit werde ich Beispiele für die verschiedenen prosodischen Kategorien in KIM und deren Konkatenation auf der Äußerungsebene geben. Viele der über http heruntergeladenen Tonbeispiele sind über die Manipulation von Grundfrequenzverläufen erstellt worden, um die einzelnen Konturtypen und Kon-

56 56 Benno Peters katenationsmuster über ein und demselben segmentellen String zu erzeugen. Dies ist sinnvoll, um dem Hörer eine gute Vergleichbarkeit der Muster zu gewährleisten, da kontextuelle Variationen der Grundfrequenzverläufe ausgeschlossen sind. Zu den Auswirkungen der segmentellen Struktur des Signals auf die phonetische Realisierung der distinktiven Melodiemuster wurden in Kiel eingehende Untersuchungen durchgeführt (Kohler 1997). Konstanz auch auf der lexikalischen Ebene verhindert perzeptive Wechselwirkungen mit der lexikalisch bedingten Satzsemantik, die auftreten können, wenn die Gipfel- und Taltypen in verschiedenen Kontexten präsentiert werden. Nur über einer lexikalisch gleichbleibenden Äußerung können die unmittelbaren Auwirkungen der Variation prosodischer Parameter auf die semantische und pragmatische Strukturierung klar hervortreten. Abbildungen der Oszillogramme der Grundfrequenzverläufe und zur segmentellen und prosodischen Etikettierung sind auch hier in den Text eingebunden. Die Hörbeispiele dazu können wie beschrieben über http heruntergeladen werden Gipfelkonturen Da Gipfelkonturen die häufigste Form der im Deutschen auftretenden F0-Muster darstellen, sollen hier zuerst die drei Gipfeltypen und deren Konkatenationsmöglichkeiten demonstriert werden. Die phonetische Realisierung und die phonologische Kategorisierung der Gipfelkonturen orientiert sich am Timing von Grundfrequenzbewegungen relativ zum Silbennukleus der lexikalisch akzentuierten Silbe, da hier normalerweise das Intensitätsmaximum und die größte Segmentdauer der unmittelbaren lautlichen Umgebung erreicht wird und es so perzeptorisch zu einem starken Hervortreten von Grundfrequenzbewegungen im Silbennukleus kommt. Das bedeutet, daß für die Wahrnehmung von Melodieverläufen die akzentuierten Vokale im Vordergrund stehen und sich deshalb in den meisten Sprachen gerade hier bedeutungsunterscheidende Kontraste in der Melodieführung manifestieren.

57 Prototypische deutsche Intonationsmuster Der frühe Gipfel Charakteristisch für den frühen Gipfel, symbolisiert durch [)], ist ein F0-Maximum in der deakzentuierten Silbe, die der lexikalisch akzentuierten Silbe vorangeht. Im Nukleus der lexikalisch akzentuierten Silbe selbst ist ein Abfall der Grundfrequenz zu beobachten. Geht einem frühen Gipfel keine deakzentuierte Silbe voraus, ist eine durchgehend fallende F0-Bewegung über der lexikalisch akzentuierten Silbe ohne ein Maximum in einer vorangehenden Silbe zu erwarten. Der frühe Gipfel wird benutzt, wenn ohne besondere emotionale Beteiligung von etablierten Tatsachen gesprochen wird, und signalisiert häufig eine zusammenfassende, abschließende Argumentation Der mittlere Gipfel Der mittlere Gipfel wird in KIM durch [ˆ] dargestellt und weist ein Maximum der Grundfrequenz im Nukleus der lexikalisch akzentuierten Silbe auf. Meist sind sowohl Teile des Anstiegs zum Maximum als auch des folgenden Abfalls im Nukleus lokalisiert. Wie in allen Konturtypen treten aber Variationen in Abhängigkeit vom segmentellen Kontext auf. Die mittlere Gipfelposition steht mit der semantischen Kategorie der neueinsetzenden Argumentation in Zusammenhang, ist aber weniger stark mit einer bestimmten Semantik verknüpft als der frühe und der späte Gipfel. Der mittlere Gipfel wird in KIM als default -Fall angesetzt Der späte Gipfel Der späte Gipfel, symbolisiert durch [(], zeichnet sich durch einen F0-Anstieg im Nukleus der lexikalisch akzentuierten Silbe aus. Das eigentliche Maximum wird erst gegen Ende des Vokals oder in den nachfolgenden Segmenten erreicht. Semantisch dient der späte Gipfel häufig zum Ausdruck von Überraschung, verbunden mit einer neu einsetzenden Argumentation.

58 58 Benno Peters 0 A 150Hz 100Hz 50Hz 150Hz 100Hz 50Hz 150Hz 100Hz B C D 1400ms 1500ms 1600ms 1700ms 1800ms 1900ms 2000ms 2100ms 2200ms 2300ms 2400ms 2500ms 2600ms 2700ms 1400ms 1500ms 1600ms 1700ms 1800ms 1900ms 2000ms 2100ms 2200ms 2300ms 2400ms 2500ms 2600ms 2700ms 1400ms 1500ms 1600ms 1700ms 1800ms 1900ms 2000ms 2100ms 2200ms 2300ms 2400ms 2500ms 2600ms 2700ms 50Hz E 1400ms 1500ms 1600ms 1700ms 1800ms 1900ms 2000ms 2100ms 2200ms 2300ms 2400ms 2500ms 2600ms 2700ms #c: #&0 ##z $-MA $i:-+ #&0 ##z #&2* ##m $@+ $O $l $t $-h $I $-h $e: $d #&0 $@- $t $s $ i: $n ##%n $ e: $m $%n-m #. #&2. #&PGn 1400ms 1500ms 1600ms 1700ms 1800ms 1900ms 2000ms 2100ms 2200ms 2300ms 2400ms 2500ms 2600ms 2700ms Abbildung 3.1: Gipfelkonturen Äußerung: Sie sollte Medizin nehmen. (Referenz: k07mr044) Fenster A: Oszillogramm Fenster B: F0-Verlauf bei frühem Gipfel auf Medizin Fenster C: F0-Verlauf bei mittlerem Gipfel auf Medizin (Original) Fenster D: F0-Verlauf bei spätem Gipfel auf Medizin Fenster E: Segmentelle und prosodische Etikettierung für alle Fenster Die verschiedenen synthetisierten Gipfelkonturen haben alle ein F0- Maximum von 140Hz. Die Äußerungen sind terminal, da der leichte Anstieg der Grundfrequenz am Ende des letzten Nasals in nehmen perzeptorisch nicht relevant und möglicherweise auf einen Analysefehler des F0- Algorithmus zurückzuführen ist.

59 Prototypische deutsche Intonationsmuster Konkatenation von Gipfelkonturen Im Grundfrequenzverlauf einer Äußerung sind sowohl die Konturen, die für die Wahrnehmung der Satzakzente verantwortlich sind, als auch die melodischen Bewegungen über den deakzentuierten Silben zwischen den Satzakzenten wichtig für die semantische und pragmatische Strukturierung. Speziell phrasenfinale Konturen können für erhebliche Bedeutungsdifferenzierungen verantwortlich sein. KIM stellt ein Repertoire an Etiketten zur Verfügung, um Konkatenationsmuster und den Grundfrequenzverlauf am Ende einer prosodischen Einheit zu beschreiben. Die folgenden Abbildungen und die dazugehörigen Hörbeispiele sollen dies demonstrieren Konkatenation ohne Einbuchtung In der Konkatenation zweier Gipfel bedeutet die Markierung [0.], daß der Grundfrequenzverlauf über den Segmenten zwischen den Gipfeln keine Einbuchtung unter das Niveau des zweiten Gipfels aufweist. Das dadurch entstehende, sehr oft auftretende Konkatenationsmuster wird Hutmuster genannt ( t Hart et al. 1990). Hutmuster treten besonders häufig auf, wenn zwischen den Satzakzenten nur wenige deakzentuierte Silben liegen. Die Ausbildung von prototypischen Hutmustern schließt als erste Komponente den frühen Gipfel aus, da dessen Charakteristikum ein deutlicher F0-Abfall in der lexikalisch akzentuierten Silbe ist, der dem Prinzip der Plateaubildung entgegenläuft. Für die zweite Komponente des typischen Hutmusters fällt der späte Gipfel aus, da dieser einen Anstieg der Grundfrequenz nach der lexikalisch akzentuierten Silbe aufweisen muß und somit auch die Plateaubildung mit anschließend abfallendem F0 ausschließt. Da die Realisierung mit einer Einbuchtung über wenige Segmente einen größeren artikulatorischen Aufwand bedeutet als die Konkatenation ohne Einbuchtung, kann das Hutmuster als eine prosodische Reduktionserscheinung, ähnlich der Koartikulation auf der segmentellen Ebene, betrachtet werden. Zur semantischen und pragmatischen Funktion von Hutmustern vs. Konkatenation mit Einbuchtung liegen noch keine klaren Ergebnisse vor.

60 60 Benno Peters Konkatenation mit Einbuchtung Sinkt das Niveau der Grundfrequenz zwischen zwei Gipfeln unter den F0-Wert des zweiten Gipfels ab, wird dies mit [1.] oder [2.] etikettiert. [2.] bedeutet ein Absinken bis an die untere Grenze des Stimmumfangs des Sprechers, [1.] ein weniger tiefes Absinken.

61 Prototypische deutsche Intonationsmuster A 1400ms 1500ms 1600ms 1700ms 1800ms 1900ms 2000ms 2100ms 2200ms 2300ms 2400ms 200Hz 150Hz 100Hz 50Hz 200Hz B 1400ms 1500ms 1600ms 1700ms 1800ms 1900ms 2000ms 2100ms 2200ms 2300ms 2400ms 100Hz 50Hz C 1400ms 1500ms 1600ms 1700ms 1800ms 1900ms 2000ms 2100ms 2200ms 2300ms 2400ms 200Hz 150Hz 100Hz 50Hz D E #c: #&2^ ##h 1400ms 1500ms 1600ms 1700ms 1800ms 1900ms 2000ms 2100ms 2200ms 2300ms 2400ms #&0 ##Q- $ 2:6 $au $f+ $ai $-h #&0 ##d #&* #&2^ $n $@+ ##f #! #&2. $r $ au #&PGn 1400ms 1500ms 1600ms 1700ms 1800ms 1900ms 2000ms 2100ms 2200ms 2300ms 2400ms Abbildung 3.2: Die drei Typen der Gipfelkonkatenation Äußerung: Hör auf deine Frau. (Referenz: k07mr094) Fenster A: Oszillogramm Fenster B: F0-Verlauf bei Konkatenation ohne Einbuchtung Fenster C: F0-Verlauf bei Konkatenation mit leichter Einbuchtung Fenster D: F0-Verlauf bei Konkatenation mit starker Einbuchtung Fenster E: Segmentelle und prosodische Etikettierung für alle Fenster Alle synthetisierten Grundfrequenzverläufe haben einen Gipfel von 130Hz auf hör und ein Maximum von 120Hz auf Frau. Die [1.]-Kontur sinkt intern auf 105Hz ab. Die [2.]-Kontur sinkt intern auf 90Hz ab.

62 62 Benno Peters Phraseninitiale Melodiemuster ( prehead ) Phraseninitiale unbetonte Silben ( prehead ) werden meist mit einem F0-Niveau unterhalb des F0-Maximums des ersten Gipfels der Phrase produziert. Ein Beispiel hierfür liefert Abb. 3.1 (p.58). Ein hiervon abweichendes Melodiemuster ist eine Realisierung dieser Silben als F0-Plateau auf hohem Niveau (relativ zum nachfolgenden Gipfel), die high-prehead genannt und mit [HP] etikettiert wird A ms 1200ms 1400ms 1600ms 1800ms 2000ms 2200ms 2400ms 2600ms 2800ms 350Hz 300Hz 250Hz 200Hz 150Hz 100Hz B C #c: #&2( ##S 1000ms 1200ms 1400ms 1600ms 1800ms 2000ms 2200ms 2400ms 2600ms 2800ms $ e: $t $-h $%@ $n $x $ a #&0. #&=PGn $-h #&HP #&0 $%t ##m $ai $a #&0 ##z #&0 $t ##m $n+ #&2) ##Q- $-q $ au $n$@+ $s- $#z #. #&2. $"a: $g $@ #&PGn 1000ms 1200ms 1400ms 1600ms 1800ms 2000ms 2200ms 2400ms 2600ms 2800ms Abbildung 3.3: high-prehead Äußerung: Stehend macht man seine Aussage. (Referenz: k62mr020) Fenster A: Oszillogramm (Original) Fenster B: F0-Verlauf Fenster C: Segmentelle und prosodische Etikettierung Die Abbildung zeigt, daß nach der prosodischen Grenze nach stehend die Silben der Wörter macht man seine mit relativ hohem, plateauartigem Grundfrequenzverlauf realisiert werden und so eine Art verlängerten frühen Gipfel auf Aussage bilden.

63 Prototypische deutsche Intonationsmuster Phrasenfinale Melodiemuster nach Gipfelkonturen Wie beschrieben, kommt dem Verlauf der Grundfrequenz am Phrasenende ein besonderes Gewicht in der semantischen Strukturierung einer Phrase zu. In KIM wird phrasenfinal nach Gipfelkonturen zwischen drei Typen von Melodieverläufen (abgesehen von kombinierten und pseudoterminalen Konturen, siehe und , pp.66 und 67) unterschieden: dem ebenen Verlauf ohne Absinken unter das Maximum des letzten Gipfels, dem leichten Absinken unter das Niveau des letzten Gipfels und dem Abfall der Grundfrequenz bis an die untere Grenze des Stimmumfangs des Sprechers Ebener F0-Verlauf am Phrasenende Phrasenfinal bedeutet [0.], daß nach dem letzten Gipfel kein perzeptiv relevantes Absinken der Grundfrequenz auftritt. Diese Realisierung deutet generell auf Unabgeschlossenheit von Redeteilen hin, denen die Schwerpunktbildung noch folgen soll, wie z.b. bei Vordersätzen in Satzgefügen. In der Spontansprache dient diese Struktur häufig dazu, dem Gespächspartner im Rahmen der Diskurssteuerung zu signalisieren, daß noch nicht das Ende der Äußerung erreicht ist. Besonders wenn ein Sprecher noch überlegt, was er sagen will, aber nicht unterbrochen werden möchte (sehr häufig im Terminabspracheszenario), enden Phrasen mit [0.] Leicht fallender F0-Verlauf am Phrasenende Sinkt die Grundfrequenz phrasenfinal unter den Wert des Maximums des vorangehenden Gipfels ohne die untere Grenze des Stimmumfangs zu erreichen, wird dies mit [1.] etikettiert. Diese Realisierung ist semantisch nicht eindeutig belegt. Sie wird häufig als Überleitung zu einem weiteren Äußerungsteil verwendet, kann aber auch am Ende einer Äußerung auftreten, wenn es sich nicht um eine kategorische Aussage handelt. In der Verwendung von äußerungs- und phrasenfinalen Melodiemustern treten starke Sprecherabhängigkeiten auf.

64 64 Benno Peters Stark fallender F0-Verlauf am Phrasenende Phrasenfinal wird ein tiefes Sinken der Grundfrequenz mit [2.] etikettiert. Im Gegensatz zu der ebenen oder der leicht fallenden Melodieführung, etikettiert mit [0.] bzw. [1.], wird durch einen Abfall der Grundfrequenz bis an die Untergrenze der Sprechstimme Abgeschlossenheit der Argumentation signalisiert. Er wird in der Prosodie eingesetzt, um kategorischen Behauptungen oder Feststellungen Nachdruck zu verleihen und diese als klares Faktum darzustellen, über das nicht weiter diskutiert werden soll und wird deshalb terminal genannt. Wichtig hierbei sind nicht absolute F0-Werte, sondern der Stimmumfang des Sprechers. So kann ein Absinken auf 150Hz bei einer hohen Frauenstimme ebenso Terminalität signalisieren wie ein Endpunkt von 70Hz einer tiefen Männerstimme.

65 Prototypische deutsche Intonationsmuster 65 0 A 150Hz 1400ms 1500ms 1600ms 1700ms 1800ms 1900ms 2000ms 2100ms 2200ms 2300ms 2400ms 100Hz 50Hz 150Hz 100Hz 50Hz 150Hz B C 1400ms 1500ms 1600ms 1700ms 1800ms 1900ms 2000ms 2100ms 2200ms 2300ms 2400ms 1400ms 1500ms 1600ms 1700ms 1800ms 1900ms 2000ms 2100ms 2200ms 2300ms 2400ms 100Hz 50Hz D E #c: #&2^ ##h 1400ms 1500ms 1600ms 1700ms 1800ms 1900ms 2000ms 2100ms 2200ms 2300ms 2400ms #&0 ##Q- $ 2:6 $au $f+ $ai $-h #&0 ##d #&1. #&2^ $n $@+ ##f #! #&*. $r $ au #&PGn 1400ms 1500ms 1600ms 1700ms 1800ms 1900ms 2000ms 2100ms 2200ms 2300ms 2400ms Abbildung 3.4: Drei Typen phrasenfinaler Melodiemuster Äußerung: Hör auf deine Frau. (Referenz: k07mr094) Fenster A: Oszillogramm Fenster B: Ebener F0-Verlauf Fenster C: Leicht fallender F0-Verlauf Fenster D: Stark fallender F0-Verlauf Fenster E: Segmentelle und prosodische Etikettierung für alle Fenster Alle synthetisierten Grundfrequenzverläufe haben einen Gipfel von 130Hz auf hör und ein Maximum von 120Hz auf Frau. Die [0.]-Kontur bleibt konstant auf dem Niveau von 120Hz. Die [1.]-Kontur sinkt final auf 105Hz ab. Die [2.]-Kontur sinkt final auf 85Hz ab.

66 66 Benno Peters Semikolon-Konturen Einen in der Literatur noch nicht erwähnten Fall des phrasenfinalen Grundfrequenzverlaufs, der nur bei einigen Sprechern zum Repertoire der Melodiemuster gehört, stellt eine Kontur dar, die in KIM mit [1;] bzw. [2;] etikettiert und deshalb hier als Semikolon-Kontur bezeichnet wird. Der Verlauf dieser Kontur ähnelt dem Absinken der Grundfrequenz am Ende einer prosodischen Phrase, was durch [1.] oder [2.], je nach Tiefe des Absinkens, gekennzeichnet wird. Allerdings tritt nach dem Tiefpunkt der Kontur wieder ein leichter, z.t. nur schwer wahrnehmbarer Anstieg der Grundfrequenz auf. Dieser Anstieg im Bereich von 5 15Hz läuft der Kategorialität entgegen, die durch final fallende Äußerungen zum Ausdruck gebracht wird, darf aber nicht mit einer kombinierten Kontur (siehe , pp.67) assoziiert werden, denn hier wäre der Anstieg viel deutlicher und auch die semantische Funktion eine andere. Durch die Semikolon-Konturen zeigt der Sprecher sehr subtil eine Distanzierung vom Gesagten oder eine gewisse Verhandlungsbereitschaft an. Besonders häufig treten die Semikolon-Konturen in den Berliner und Marburger Sätzen auf. Die Sprecher scheinen sich damit von den z.t. leicht befremdlichen inhaltlichen Aussagen der Sätze oder auch der Formulierungsweise distanzieren zu wollen (Edith möchte gern Haushalt lernen. Mein Dackel pariert auf s Wort. Diese zarten Blumen welken rasch. usw.). Eine Tendenz, die sich im gesamten Kieler Korpus zeigt, in dem von mir gewählten Teilkorpus aber nicht klar bestätigt wird, ist das vermehrte Auftreten der Semikolon-Konturen bei weiblichen Sprechern. Eine Ursache hierfür könnte geschlechtsspezifisches Rollenverhalten sein, das sich sprachlich manifestiert: Um zu starke Dominanz und Kategorialität im Dialog zu vermeiden benutzen Frauen, denen diese Verhaltensweise als unweiblich vermittelt wurde, evtl. die Semikolon-Konturen als pseudoterminalen Intonationsverlauf, um dialogbereit zu erscheinen, ohne zu unentschlossen oder unsicher zu wirken. Da die [;]-Kontur erst vor kurzem in das PROLAB-Symbolinventar aufgenommen wurde und die hier untersuchten spontansprachlichen Daten schon vor längerer Zeit etikettiert worden sind, fehlen hier die Semikolon-Notationen.

67 Prototypische deutsche Intonationsmuster A 200Hz 150Hz 100Hz B 1200ms 1400ms 1600ms 1800ms 2000ms 2200ms 2400ms 2600ms 2800ms 3000ms 50Hz 200Hz 150Hz C 1200ms 1400ms 1600ms 1800ms 2000ms 2200ms 2400ms 2600ms 2800ms 3000ms 100Hz 50Hz D $-h #c: #&2( ##%d 1200ms 1400ms 1600ms 1800ms 2000ms 2200ms 2400ms 2600ms 2800ms 3000ms $ i: $a: $n $s $t $-h $i: #&1. #&PGn #&0 ##v $k $-h $d $r #&2^ $6+ ##f $ I $S $b $@ $-h $@ $ a #&0 $r $-h#&0. #&2^ ##g $-h $ a $n$t ##m $@- $l $n $d #. #&2* $n #&PGn 1200ms 1400ms 1600ms 1800ms 2000ms 2200ms 2400ms 2600ms 2800ms 3000ms Abbildung 3.5: Terminales vs. pseudoterminales Melodiemuster Äußerung: Dienstag wieder frisch gebrannte Mandeln. (Referenz: k07mr010) Fenster A: Oszillogramm Fenster B: Terminaler F0-Verlauf Fenster C: Pseudoterminaler F0-Verlauf (Original) Fenster D: Segmentelle und prosodische Etikettierung für alle Fenster Die abgebildeten Konturen sind identisch bis in den Lateral von Mandeln, wo sie einen F0-Wert von 90Hz erreichen. Der terminale Verlauf sinkt dann weiter auf 80Hz, die Semikolon-Kontur wiederum steigt um 5Hz auf 95Hz an Kombinierte Konturen Eine weitere Klasse der prototypischen Intonationsmuster am Phrasenende bilden die kombinierten Konturen. Kombinierte Konturen

68 68 Benno Peters sind eine Mischung aus einem Abstieg und einem anschließenden Wiederaufstieg der Grundfrequenz. Sie treten nur phrasenfinal auf und sind direkt an einen als Gipfelkontur realisierten Satzakzent gebunden. Kombinierte Konturen werden in vier Gruppen unterteilt, die sich in der Tiefe des F0-Abfalls und der Höhe des Wiederaufstiegs, relativ zur mittleren Tonlage des Sprechers, unterscheiden. Analog zu den oben beschriebenen Konventionen wird der Endpunkt des Abstiegs mit [1.] oder [2.] bezeichnet. Der nachfolgende Anstieg wird mit [?] symbolisiert, wenn es sich um einen Anstieg bis an die obere Grenze des Stimmumfangs handelt, und mit [,], wenn der Anstieg weniger stark ist. Da diese Unterscheidungsmerkmale in einer Zeichenkombination zusammengefaßt werden, ergeben sich folgende Etiketten: [1.,], [2.,], [1.?], [2.?] Der Wiederaufstieg in diesen Melodiemustern ist im Gegensatz zu den Semikolon-Konturen deutlich hörbar und bewegt sich zwischen ca. 20Hz und 250Hz. Die kombinierten Konturen fungieren ähnlich den Talkonturen als intonatorische Markierung von Fragen oder werden in warnenden oder drohenden Äußerungen verwendet.

69 Prototypische deutsche Intonationsmuster 69 0 A 250Hz 200Hz 150Hz 100Hz 50Hz 250Hz 200Hz 150Hz 100Hz 50Hz 250Hz 200Hz 150Hz 100Hz 50Hz 250Hz 200Hz 150Hz 100Hz 50Hz B C D E F #c: #&2^ ##h 1400ms 1500ms 1600ms 1700ms 1800ms 1900ms 2000ms 2100ms 2200ms 2300ms 2400ms 1400ms 1500ms 1600ms 1700ms 1800ms 1900ms 2000ms 2100ms 2200ms 2300ms 2400ms 1400ms 1500ms 1600ms 1700ms 1800ms 1900ms 2000ms 2100ms 2200ms 2300ms 2400ms 1400ms 1500ms 1600ms 1700ms 1800ms 1900ms 2000ms 2100ms 2200ms 2300ms 2400ms 1400ms 1500ms 1600ms 1700ms 1800ms 1900ms 2000ms 2100ms 2200ms 2300ms 2400ms #&0 ##Q- $ 2:6 $au $f+ $ai $-h #&0 ##d #&1. #&2^ $n $@+ ##f #! #&* $r $ au #&PGn 1400ms 1500ms 1600ms 1700ms 1800ms 1900ms 2000ms 2100ms 2200ms 2300ms 2400ms Abbildung 3.6: Kombinierte Konturen Äußerung: Hör auf deine Frau. (Referenz: k07mr094) Fenster A: Oszillogramm Fenster B: F0-Verlauf der kombinierten Kontur des Typs [1.,] Fenster C: F0-Verlauf der kombinierten Kontur des Typs [1.?] Fenster D: F0-Verlauf der kombinierten Kontur des Typs [2.,] Fenster E: F0-Verlauf der kombinierten Kontur des Typs [2.?] Fenster F: Segmentelle und prosodische Etikettierung für alle Fenster

70 70 Benno Peters Alle synthetisierten Grundfrequenzverläufe haben einen Gipfel von 130Hz auf hör und ein Maximum von 120Hz auf Frau und sind identisch bis zum Gipfelmaximum auf Frau. Die [1.,]-Kontur fällt auf 105Hz und steigt anschließend auf 145Hz. Die [1.?]-Kontur fällt auf 105Hz und steigt anschließend auf 230Hz. Die [2.,]-Kontur fällt auf 90Hz und steigt anschließend auf 145Hz. Die [2.?]-Kontur fällt auf 90Hz und steigt anschließend auf 230Hz Talkonturen und deren Konkatenation Die zweite Klasse von distinktiven Melodiemustern des Deutschen, die mit satzakzentuierten Silben synchronisiert werden, stellen in KIM die Talkonturen dar. Täler zeichnen sich durch ein kontinuierliches Steigen der Grundfrequenz aus. In der Regel verläuft der Anstieg über alle dem Satzakzent folgenden deakzentuierten Silben, bis hin zur nächsten akzentuierten Silbe oder einer Phrasengrenze. Wie unter (p.53) beschrieben, stellen die Täler als durchgehend steigende Konturen in der Semantik von Äußerungen einen Gegensatz zu den fallenden Gipfelkonturen dar. In KIM wird zwischen frühen und späten Tälern unterschieden. Ähnlich wie bei den Gipfelkonturen ist das Unterscheidungskriterium die Synchronisation der Kontur mit dem Nukleus der lexikalisch akzentuierten Silbe. Allerdings stellt bei Talkonturen nicht die Positionierung des höchsten Punkts im Grundfrequenzverlauf, sondern die des Tiefpunkts des Tals das distinktive Merkmal dar. Die Unterscheidung zwischen Gipfel- und Talkonturen kann schwierig sein, besonders wenn der segmentelle String, über welchem die Kontur gebildet wird, sehr kurz ist. Da Talkonturen zum größten Teil vor Phrasengrenzen auftreten, zeigt die Abb. 3.7 (p.72) die verschiedenen Talkonturen in phrasenfinaler Position. Täler werden häufig zur intonatorischen Markierung von Fragen gebraucht, insbesondere wenn diese nicht syntaktisch markiert sind. Sie können aber auch in Aufzählungen oder, bei einigen Sprechern, in Aneinanderreihungen von Aussagesätzen auftreten.

71 Prototypische deutsche Intonationsmuster Das frühe Tal Das frühe Tal wird in KIM durch []] symbolisiert und ist eine kontinuierlich steigende Kontur, deren Tiefpunkt vor dem Nukleus der lexikalisch akzentuierten Silbe lokalisiert ist. Das bedeutet, daß schon zu Beginn des Vokals ein F0-Anstieg zu beobachten ist. Die Höhe des Aufstiegs wird durch die Etiketten [,] und [?] symbolisiert. Das [?] bezeichnet einen Aufstieg bis an die obere Grenze der Sprechstimme, das [,] einen Anstieg zu niedrigeren Endpunkten. Wie die in Kiel erhobenen Sprachdaten zeigen, ist ein Anstieg bis an die Obergrenze der Sprechstimme allerdings immer an eine nachfolgende Phrasengrenze gekoppelt. Somit kann phrasenintern nur das [,] auf Täler folgen. Einen Sonderfall in der Konkatenation von phraseninternen Talkonturen mit Gipfelkonturen bildet eine Kontur, die nicht direkt bis an die nächste akzentuierte Silbe steigt, sondern zwischen dem Endpunkt des Tals und dem nachfolgenden Gipfel tiefe unakzentuierte Silben aufweist. In diesem Fall werden in der Etikettierung nach Tälern die Etiketten [1.] bzw. [2.] analog zu deren Verwendung zwischen Gipfelkonturen, vergeben. Das frühe Tal vermittelt oft den Eindruck des Unbeteiligtseins und des Selbstverständlichen Das späte Tal Das späte Tal wird in KIM mit [[] symbolisiert. Der F0-Aufstieg später Täler beginnt erst nach dem onset des Silbennukleus, der akzentuierte Vokal befindet sich also direkt in der Talsohle. Auch hier werden verschieden hohe Endpunkte mit [,] oder [?] gekennzeichnet. In Abhängigikeit vom lexikalischen und situativen Kontext kann das späte Tal den Eindruck der Involviertheit hervorrufen und auch gekünstelt wirken (Kindergartenton).

72 72 Benno Peters 0 A 300Hz 200Hz B 1400ms 1500ms 1600ms 1700ms 1800ms 1900ms 2000ms 2100ms 2200ms 2300ms 2400ms 2500ms 2600ms 2700ms 100Hz 1400ms 1500ms 1600ms 1700ms 1800ms 1900ms 2000ms 2100ms 2200ms 2300ms 2400ms 2500ms 2600ms 2700ms 300Hz 200Hz C 100Hz 1400ms 1500ms 1600ms 1700ms 1800ms 1900ms 2000ms 2100ms 2200ms 2300ms 2400ms 2500ms 2600ms 2700ms 300Hz 200Hz D 100Hz 1400ms 1500ms 1600ms 1700ms 1800ms 1900ms 2000ms 2100ms 2200ms 2300ms 2400ms 2500ms 2600ms 2700ms 300Hz 200Hz E 100Hz F 1400ms 1500ms 1600ms 1700ms 1800ms 1900ms 2000ms 2100ms 2200ms 2300ms 2400ms 2500ms 2600ms 2700ms #c: #&0 ##z $-MA $i:-+ #&0 ##z $O $l $t $-h #&2* ##m $@+ $e: $d $I $-h $@- $%n-m $t $s $ i: $n #&0 ##%n $ e: $m #. #&* #&PGn 1400ms 1500ms 1600ms 1700ms 1800ms 1900ms 2000ms 2100ms 2200ms 2300ms 2400ms 2500ms 2600ms 2700ms Abbildung 3.7: Die zwei Taltypen mit unterschiedlich hohem F0- Aufstieg Äußerung: Sie sollte Medizin nehmen. (Referenz: k07mr044) Fenster A: Oszillogramm Fenster B: F0-Verlauf des frühen Tals mit leichtem Aufstieg Fenster C: F0-Verlauf des frühen Tals mit starkem Aufstieg Fenster D: F0-Verlauf des späten Tals mit leichtem Aufstieg Fenster E: F0-Verlauf des späten Tals mit starkem Aufstieg Fenster F: Segmentelle und prosodische Etikettierung für alle Fenster Die Tiefpunkte aller Talkonturen liegen bei 100Hz. Die leichten Aufstiege enden bei 165Hz, die starken bei 300Hz.

73 Prototypische deutsche Intonationsmuster Ebene Konturen Wie im ersten Kapitel beschrieben, wird die Prominenz einer Silbe meist durch das Zusammenwirken der Faktoren Grundfrequenz, Dauer und Intensität verursacht. KIM, wie auch die meisten anderen Intonationsmodelle, phonologisiert hingegen nur Verläufe der Grundfrequenz. In natürlicher Sprache zeigt sich aber ein gewisser Anteil von satzakzentuierten Silben, deren F0-Verlauf sich kaum vom Niveau der umliegenden Silben abhebt, also nahezu eben ist. Die Prominenz dieser Silben wird über die Parameter Dauer und/oder Intensität hervorgerufen. Eine Position, in der Konturen dieser Art häufig auftreten, ist das Plateau in einem Hutmuster. Zur Erfassung dieser durch Intensitäts- und Dauerrelationen verursachten Satzakzente, stellt KIM in Abhängigkeit von der Stärke des Akzentes die Etiketten [1-], [2-] und [3-] zur Verfügung. Deshalb werden die ebenen Konturen hier auch Minus-Konturen genannt.

74 74 Benno Peters A Hz 140Hz 120Hz 100Hz 80Hz 60Hz B 1000ms 1200ms 1400ms 1600ms 1800ms 2000ms 2200ms 2400ms C #c: #&HP #&0 ##v 1000ms 1200ms 1400ms 1600ms 1800ms 2000ms 2200ms 2400ms $e:6+ $ ai #&2- ##v $ O6 $-h #&0 $s ##d $-h #&0. #&2- ##g $-h $t $n $@ $ au $S $@ #&1. #&2[ ##b #? #&, $ ai $t $-h #&PGn 1000ms 1200ms 1400ms 1600ms 1800ms 2000ms 2200ms 2400ms Abbildung 3.8: Ebene Konturen (Referenz: k07mr007) Äußerung: Wer weiß dort genau Bescheid? Fenster A: Oszillogramm (Original) Fenster B: F0-Verlauf Fenster C: Segmentelle und prosodische Etikettierung Der F0-Verlauf über den ersten beiden satzakzentuierten Wörtern ( weiß und genau ) weist bis auf mikroprosodische Perturbationen kaum Bewegungen auf. Die Prominenz dieser Wörter ist auf die Parameter Dauer und Intensität zurückführbar. Im Diphtong von weiß ist die Intensität höher als in allen anderen Äußerungsteilen.

75 Prototypische deutsche Intonationsmuster Weitere suprasegmentelle Beschreibungskategorien Prosodische Phrasierung Die Delimitierung von prosodischen Phrasierungseinheiten ist problematisch. In der Literatur finden sich stark abweichende Definitionen dieser Einheit. Eine phonetisch motivierte Definition der phonemic clause (in KIM als prosodische Phrase bezeichnet) geben Trager und Smith (1957). Sie beschreiben die phonemic clause als ein phonologisch markiertes Makrosegment, das nur einen primären Akzent enthält und mit einer Junktur endet. Diese Kategorisierung ist angreifbar, da in den von mir untersuchten Daten sehr häufig nicht trennbare prosodische Einheiten auftreten, die mehrere Akzente enthalten, von denen keiner eindeutig als der primäre Akzent bestimmt werden kann. In Trager und Smith (1957) findet sich eine weitere Beschreibung der Einheit phonemic clause, die Raum für detailliertere Ausführungen läßt: Die phonemic clause wird als eine in Planung und Ausführung organisierte Einheit definiert, die einer syntaktischen Einheit entsprechen kann. Beide Definitionen zusammen aber geben die Bereiche vor, die in der Analyse der Phrasierungsstruktur wichtig sind: linguistisch-semantische Funktion von Phrasengrenzen phraseninterne Organisation phonetische Manifestation von Junkturen an Phrasengrenzen. Im Kieler Intonationsmodell werden Phrasengrenzen mit [PGn] symbolisiert. Aber auch KIM bietet bis jetzt keine eindeutigen Kriterien zur Abgrenzung prosodischer Einheiten. In der Arbeit mit den erhobenen Sprachdaten zeigen sich aber bezüglich der Bereiche Funktion, Organisation und Junktur Hinweise, die zu einer komplexen, empirisch orientierten Beschreibung der prosodischen Phrasierung führen (siehe pp.79ff.). Bezüglich der Funktion von Phrasengrenzen wird deutlich, daß diese vor allem semantisch motiviert ist. So können Phrasierungsmarken zwar mit syntaktischen Knoten, z.b. zwischen über- und untergeordnetem Satz, übereinstimmen.

76 76 Benno Peters In vielen Fällen werden Phrasengrenzen jedoch eingesetzt, um die Thema-Rhema-Strukturierung zu unterstützen, auch wenn diese syntaktisch nicht markiert ist. Durch unterschiedliche Phrasierung kann ein in der syntaktischen Oberflächenstruktur gleich bleibender Satz semantisch stark modifiziert werden. Gerade in der Lesesprache spiegelt sich die spontane Interpretation des Gelesenen in der intonatorischen Gliederung wieder. Die folgenden Beispiele sollen die weitgehende Unabhängigkeit der prosodischen Phrasierung von der syntaktischen Strukturierung belegen.

77 Prototypische deutsche Intonationsmuster Hz 300Hz A B 600ms 800ms 1000ms 1200ms 1400ms 1600ms 1800ms 2000ms 2200ms 2400ms 250Hz 200Hz C $ $i: $-h #c: #&2( ##%d 600ms 800ms 1000ms 1200ms 1400ms 1600ms 1800ms 2000ms 2200ms 2400ms $ a #&1. #&2( ##m $z $@+ $n $S $a $f $t $-h #&0 ##S #&, #&PGn #&HP #p: $l #&%0 $ O$s ##g $ ai $r $-h #&2^ $C##d $ ai $-h #&0. #&2) ##t #. #&1; $ o: $r $@ #&PGn 600ms 800ms 1000ms 1200ms 1400ms 1600ms 1800ms 2000ms 2200ms 2400ms Abbildung 3.9: Unterschiedliche Phrasierung durch verschiedene Sprecher (Bsp. A) Äußerung: Diese Mannschaft schoß gleich drei Tore. (Referenz: k12mr076) Fenster A: Oszillogramm (Original) Fenster B: F0-Verlauf Fenster C: Segmentelle und prosodische Etikettierung Die spontane intonatorische Realisierung des Satzes durch diese Sprecherin vermittelt dem Hörer inhaltlich, daß eine bestimmte Mannschaft drei Tore geschossen hat, wobei die Akzentuierung von drei die Anzahl fokussiert und so folgende Satzbedeutung entsteht: Die Mannschaft schoß sogar drei Tore. Die Äußerung hat eine Phrasengrenze hinter Mannschaft.

78 78 Benno Peters A Hz 300Hz 250Hz 200Hz 150Hz 100Hz 600ms 800ms 1000ms 1200ms 1400ms 1600ms 1800ms 2000ms 2200ms 2400ms 2600ms 2800ms B C 600ms 800ms 1000ms 1200ms 1400ms 1600ms 1800ms 2000ms 2200ms 2400ms 2600ms 2800ms $z $i: $-h #c: #&0 ##%d $ a #&2( ##m $@+ $n $S $a $f $t ##S $l $-h #&1. #&0 #&2^ $ O $s ##g $ ai $r $-h #&0. #&PGn #&2- $C ##d $ ai $ o: $-h #&0. #&2^ ##t #. #&2; $r $@ #&PGn 600ms 800ms 1000ms 1200ms 1400ms 1600ms 1800ms 2000ms 2200ms 2400ms 2600ms 2800ms Abbildung 3.10: Unterschiedliche Phrasierung durch verschiedene Sprecher (Bsp. B) Äußerung: Diese Mannschaft schoß gleich drei Tore. (Referenz: k08mr076) Fenster A: Oszillogramm (Original) Fenster B: F0-Verlauf Fenster C: Segmentelle und prosodische Etikettierung Auch diese Sprecherin vermittelt, daß drei Tore geschossen wurden. Durch die Akzentuierung von gleich und die nachfolgende Phrasengrenze entsteht aber folgende Bedeutung: Die Mannschaft schoß sofort drei Tore.

79 Prototypische deutsche Intonationsmuster 79 Die Gesetze der phraseninternen intonatorischen Strukturierung sind erst zum Teil erforscht, da auch hier komplexe Strukturen mit einer erheblichen Abhängigkeit von den Eigenheiten verschiedener Sprecher den Untersuchungsgegenstand darstellen. Ein gängiges Phänomen innerhalb prosodischer Phrasen stellt der sogenannte downstep dar. Hierbei handelt es sich um ein schrittweises Absinken der F0-Maxima von Gipfelkonturen aufeinanderfolgender satzakzentuierter Silben innerhalb einer Phrase. Der downstep zwischen Gipfelmaxima basiert auf dem generellen Prinzip der Deklination, der Tendenz zum Absinken der F0-baseline innerhalb einer prosodischen Phrase (siehe 1.1.2, p.11 und 3.3.2, p.86). Am Neubeginn einer Phrase kommt es sehr oft zu einem reset, dem Neueinsatz des ersten Akzents deutlich oberhalb des Maximums des letzten mit einer Gipfelkontur realisierten Akzents der vorangehenden Phrase, wobei der downstep der folgenden Phrase nun von diesem Punkt aus neu beginnt. Der reset an Phrasengrenzen wird in KIM als der default -Fall angesetzt, Abweichungen werden mit [=PGn], im Gegensatz zu [PGn] an Phrasengrenzen mit reset, markiert. In den Daten zeigen sich sowohl individuelle Abhängigkeiten in der Realisierung von reset und downstep als auch Hinweise auf strukturelle und semantische Faktoren, die reset und downstep beeinflussen. So wird häufig auf den reset verzichtet, wenn eine Phrasengrenze nicht mit dem Ende einer Argumentation oder zumindest dem Ende einer syntaktischen Einheit zusammenfällt. Wenn z.b. die Thema-Rhema-Strukturierung durch die Trennung einer Äußerung in mehrere Phrasierungseinheiten erzeugt wird, aber eine hohe inhaltliche Kohäsion zwischen den Einheiten besteht, läuft der downstep oft über die Phrasengrenze hinweg.

80 80 Benno Peters A ms 1000ms 1200ms 1400ms 1600ms 1800ms 2000ms 2200ms 2400ms 2600ms 2800ms 3000ms 3200ms 3400ms 300Hz 250Hz 200Hz 150Hz 100Hz 50Hz B C 800ms 1000ms 1200ms 1400ms 1600ms 1800ms 2000ms 2200ms 2400ms 2600ms 2800ms 3000ms 3200ms 3400ms $ E6 #c: $I #&2( #&0 ##l $m $t ##n #, #&2. #&=PGn #-p: $-h+ #&2^ $C $t ##j $ U $s $N $-k #, #&2. #&PGn #-h: $ a: #&2^ ##f $6 $-h #&0. #&2^ $t ##S $r$ ai $t #! #&2. $p $-h $-h #&PGn 800ms 1000ms 1200ms 1400ms 1600ms 1800ms 2000ms 2200ms 2400ms 2600ms 2800ms 3000ms 3200ms 3400ms Abbildung 3.11: Reset an Phrasengrenzen Äußerung: Lärmt nicht, Jungs, Vater schreibt! (Referenz: k68mr006) Fenster A: Oszillogramm (Original) Fenster B: F0-Verlauf Fenster C: Segmentelle und prosodische Etikettierung Die Äußerung enthält zwei interne Phrasengrenzen. An der ersten Grenze nach Lärmt nicht kommt es nicht zu einem reset. Eine Erklärung hierfür bietet die starke inhaltliche Kohäsion des Äußerungsteils Lärmt nicht, Jungs, die, trotz realisierter Phrasengrenze im durchgehenden downstep zum Ausdruck kommt. Der reset an der Phrasengrenze nach Jungs hingegen steht möglicherweise im Zusammenhang mit dem inhaltlichen Neueinsatz der Phrase Vater schreibt. Daß die Sprecherin überhaupt eine Phrasengrenze vor Jungs produziert, ist möglicherweise auf das Komma an dieser Stelle in der schriftlichen Vorgabe zurückzuführen.

81 Prototypische deutsche Intonationsmuster 81 Einen Spezialfall stellen Aufzählungen in terminalen Äußerungen dar, die sehr häufig Phrasengrenzen zwischen den aufgezählten Elementen haben. Hier kommt es an den Phrasengrenzen meist nicht zu resets. Auch hier kann die enge semantische Zusammengehörigkeit der Grund für den durchgehenden downstep sein A ms 2000ms 2500ms 3000ms 3500ms 4000ms 200Hz 150Hz B 100Hz 50Hz C $6 #c: #&2^ ##f $-h $k 1500ms 2000ms 2500ms 3000ms 3500ms 4000ms $s $ e:6 $l $@ $-q $-h $"a $p $#Q $m $ OY #&1. #&=PGn $t #&2^ $@- $n ##l $C $n-n $r $-h #&1. #&PGn #&2^ ##g $-h #, #&1. #&=PGn #&2( $ y: $n ##g $ E$l $p $-h #-p: #&0. #&=PGn #&2) ##r #, $ o: #. #&2. $t $-h #&PGn 1500ms 2000ms 2500ms 3000ms 3500ms 4000ms Abbildung 3.12: Kein reset an Phrasengrenzen Äußerung: Verkehrsampeln leuchten grün, gelb, rot. (Referenz: k07mr083) Fenster A: Oszillogramm (Original) Fenster B: F0-Verlauf Fenster C: Segmentelle und prosodische Etikettierung Wie die Etikettierung zeigt, wird die syntaktische Phrase Verkehrsampeln leuchten in zwei prosodische Phrasen unterteilt, wobei, wahrscheinlich motiviert durch die syntaktische und inhaltliche Kohäsion, kein reset auftritt. An der Phrasengrenze nach leuchten ist ein stärkerer inhaltlicher Einschnitt vorhanden (könnte in der Interpunktion durch einen Doppelpunkt symbolisiert werden). Hier tritt ein reset auf. In der nachfolgenden Aufzählung grün, gelb, rot ist jedes Wort durch eine Phrasengrenze getrennt, wobei der downstep über die prosodischen Grenzen hinweg weiterläuft.

82 82 Benno Peters Auch in der Konkatenation von Gipfel- und Talkonturen gibt es phrasenintern Gesetzmäßigkeiten, die über Phrasengrenzen hinweg nicht gelten. So ist die Konkatenation zweier Gipfel ohne Einbuchtung im F0-Verlauf (Hutmuster) innerhalb prosodischer Phrasen sehr häufig. Über Phrasengrenzen hinweg stellt diese Form des Grundfrequenzverlaufs jedoch die Ausnahme dar, da die perzeptorische Kohäsion der durch ein Hutmuster konkatenierten Akzente dem Prinzip der Junktur an Phrasengrenzen entgegenläuft. Die Konkatenation von F0-Gipfeln mit einem Absinken der Grundfrequenz bis an die Untergrenze des Stimmumfangs ist innerhalb prosodischer Phrasen nicht sehr häufig, am Phrasenende terminaler Äußerungen bei den meisten Sprechern jedoch die Regel. Weiterhin treten kombinierte Konturen und Aufstiege von Tälern bis an die Obergrenze der Sprechstimme nur an prosodischen Grenzen auf. Die eben beschriebenen Mechanismen stellen verschiedene Formen der Erzeugung perzeptorischer Junkturen über Brüche im Grundfrequenzverlauf dar. Aber auch andere Mittel der intonatorischen Gestaltung können für die Wahrnehmung von Phrasengrenzen verantwortlich sein. So korrelieren Registerwechsel und Änderungen der Sprechgeschwindigkeit meist mit Phrasengrenzen (siehe und (p.92 und 95)). Pausen, sowohl Häsitationspausen mit Vokalisierungen als auch stille Pausen, können den Eindruck der Abgeschlossenheit einer intonatorischen Einheit hervorrufen. Auch die oft hörbaren Ein- und Ausatmungsphasen sind generell zwischen zwei Phrasen lokalisiert. Speziell die Einatmungsphase kann zur Diskurssteuerung dienen, indem der Sprecher durch ein lautes Einatmen dem Hörer signalisiert, daß er noch weitersprechen will bzw. das Wort übernehmen möchte. Ein besonderes Gewicht für die Phrasierung kommt Längungen von Segmenten im Vergleich zu ihrer lautlichen Umgebung zu (phrasenfinale Längung). Auch dieses Junkturphänomen kann in seiner perzeptiven Relevanz durch einen Bruch, hier auf der segmentellen Ebene der lokalen Lautdauer, erklärt werden. Besonders äußerungsfinal kann die phrasenfinale Längung zu einer erheblichen Dauerzunahme der letzten Segmente führen (z.b. Abb. 3.6, p.69). Allerdings treten auch innerhalb prosodischer Phrasen immer wieder gelängte Segmente auf, die nicht als phrasenfinale Längung,

83 Prototypische deutsche Intonationsmuster 83 sondern als phraseninterne Häsitationslängung zu interpretieren sind. Die Abgrenzung dieser beiden Arten von segmenteller Dauervariation ist zum Teil sehr schwierig. Hinweise zur Interpretation zeigen sich, wenn der Grundfrequenzverlauf über den gelängten Segmenten betrachtet wird. Über Häsitationslängungen finden wir oft einen, phrasenfinal eher seltenen, schwebenden F0-Verlauf, während die phrasenfinale Längung meist gekoppelt mit den gängigen terminalen oder kontinuierlich steigenden Mustern auftritt. Auch syntaktische und semantische Strukturen können dem Bearbeiter Entscheidungshilfen geben. Trotzdem bleibt die Trennung dieser beiden Längungserscheinungen problematisch und müßte den Gegenstand einer gesonderten Untersuchung darstellen. Beispiele für die Abhängigkeit von Phrasierungsgrenzen von der Segmentdauer bieten die Abbildungen und Hörbeispiele 3.13 und 3.14 (pp.84 und 85). In beiden Fällen gibt es keine klaren syntaktischen Richtlinien für die Phrasierung (z.b. durch Interpunktion). Alle synthetisierten Äußerungen klingen natürlich.

84 84 Benno Peters A B 400ms 600ms 800ms 1000ms 1200ms 1400ms 1600ms 1800ms 2000ms $-q $I #c: #&0 ##%Q $C+ $I #&0 ##b $-h $n+ $ $I #&2^ ##%n #&0. #&2) $@ $-h $@- ##n #&0 $n+ $C $t $ a $s ##g $v $O6 $d #. #&2. #&PGn 400ms 600ms 800ms 1000ms 1200ms 1400ms 1600ms 1800ms 2000ms C D 400ms 600ms 800ms 1000ms 1200ms 1400ms 1600ms 1800ms 2000ms $-q $I #c: #&0 ##%Q $C+ $I #&0 ##b $-h $ $I #&2^ $n+ ##%n $ a #&0. #&=PGn #&2) $C $t$-h+ ##n $@ $-h $@- #&0 $n+ $s ##g $v $O6 $d #. #&2. #&PGn 400ms 600ms 800ms 1000ms 1200ms 1400ms 1600ms 1800ms 2000ms Abbildung 3.13: Phrasenfinale Längung (Bsp. A) Äußerung: Ich bin nicht naß geworden. (Referenz: k68mr004) Fenster A: Oszillogramm ohne Aspiration in nicht Fenster B: Segmentelle und prosodische Etikettierung für Fenster A Fenster C: Oszillogramm mit Aspiration in nicht (Original) Fenster D: Segmentelle und prosodische Etikettierung für Fenster C Das Fenster A zeigt das Sprachsignal, in dem die Aspiration des [Ø] von nicht herausgeschnitten wurde. Als Resultat entfällt die vorher vorhandene Phrasengrenze. Das Fenster C zeigt das ursprüngliche Signal mit Aspiration und Phrasengrenze.

85 Prototypische deutsche Intonationsmuster 85 Im folgenden Fall (Abbildung 3.14 (p.85)) wurde die Segmentdauer des [Ë] von frisch so verkürzt, daß keine Phrasengrenze mehr wahrgenommen wird A B 400ms 600ms 800ms 1000ms 1200ms 1400ms 1600ms 1800ms 2000ms 2200ms 2400ms 2600ms 2800ms $ i: $-h #c: #&2( ##d $a: $-h $n $s $t $i: #&0. #&=PGn #&0 ##v $k $-h $6+ $d $b $@ $-h $@ #&0. #&2( $-h ##f #&2^$r $ I $S ##g $r $ a $n $t #&0. #&2) ##m $@ #. #&2. $ a $n $d $l $n #&PGn 400ms 600ms 800ms 1000ms 1200ms 1400ms 1600ms 1800ms 2000ms 2200ms 2400ms 2600ms 2800ms C ms 600ms 800ms 1000ms 1200ms 1400ms 1600ms 1800ms 2000ms 2200ms 2400ms 2600ms 2800ms 3000ms D $ i: $-h #c: #&2( ##d $a: $-h $n $s $t $i: #&0. #&=PGn #&0 ##v $k $-h $6+ $d ##f #&2^$r $ I $S $@ $-h #&0. #&=PGn #&2( ##g $b $r $ a $n $t #&0. #&2) ##m $@ $-h #. #&2. $ a$n $d$@ $l $n #&PGn 400ms 600ms 800ms 1000ms 1200ms 1400ms 1600ms 1800ms 2000ms 2200ms 2400ms 2600ms 2800ms 3000ms Abbildung 3.14: Phrasenfinale Längung (Bsp. B) Äußerung: Dienstag wieder frisch gebrannte Mandeln. (Referenz: k68mr010) Fenster A: Oszillogramm mit kurzem [Ë] (100ms) in frisch Fenster B: Segmentelle und prosodische Etikettierung für Fenster A Fenster C: Oszillogramm mit langem [Ë] (240ms) in frisch Fenster D: Segmentelle und prosodische Etikettierung für Fenster C

86 86 Benno Peters Downstep und Upstep Das Prinzip des downstep innerhalb prosodischer Phrasen muß für Gipfel- und Talkonturen gesondert betrachtet werden, da für diese Konturtypen verschiedene Gesetzmäßigkeiten gelten Downstep und upstep bei aufeinanderfolgenden Gipfelkonturen Wie die Empirie zeigt, tritt zwischen aufeinanderfolgenden Gipfelkonturen, die mit default -satzakzentuierten Silben (Akzentstufe 2) verknüpft sind, meist ein schrittweises Absinken der F0-Maxima in Richtung Phrasenende auf. Abweichungen vom downstep sind meist semantisch motiviert und treten auf, wenn ohne die Verwendung eines emphatischen Akzents (Akzentstufe 3) einem nachfolgenden Wort ein stärkeres Gewicht in der Äußerung gegeben werden soll. Der downstep zwischen 2er-Gipfeln bleibt als default -Fall unmarkiert, ein höherer oder gleichhoher nachfolgender Gipfel ( upstep ) wird mit [ ] markiert (z.b. [ 2ˆ]). Auch bei Gipfeln der Akzentstufen 1 und 3 finden wir eine ähnliche Tendenz zum downstep, wenn mehrere Gipfel derselben Stufe direkt aufeinander folgen. Da Satzakzente der Stufe 2 aber den mit Abstand größten Anteil unter den betonten Silben im Korpus ausmachen, stellen Abfolgen mehrerer 3er- oder 1er-Gipfel die Ausnahme dar. Meist treten diese Akzente vereinzelt und eingebettet in eine Kette von 2er-Gipfeln auf. In diesen Fällen zeigt sich in der Regel, daß der downstep zwischen den 2er-Gipfeln nicht von intervenierenden Gipfeln anderer Akzentstufe beeinflußt wird, sondern weiterläuft, wobei der Maximalwert der 3er-Gipfel höher als der des vorangehenden und nachfolgenden default -satzakzentuierten Akzents liegt. Bei partiell deakzentuierten Satzakzenten (Akzentstufe 1) liegt das F0-Maximum meist unterhalb der Maxima der umgebenden 2er-Gipfel.

87 Prototypische deutsche Intonationsmuster A ms 600ms 800ms 1000ms 1200ms 1400ms 1600ms 1800ms 2000ms 250Hz 200Hz 150Hz B 100Hz 50Hz C $-h #c: #&0 ##d 400ms 600ms 800ms 1000ms 1200ms 1400ms 1600ms 1800ms 2000ms $i:+ $-h #&2( ##t $ a #&1. #&2( #&0 ##Q- ##b $@ $-q $ai $ E $n-+ $s $-h $n $t $@ $-h $v $-h $ o: $n $t #&1. #&2( ##n $@ $t $-h $ OY #&0. #&2) ##h $n $s $C $@ #. #&2. #&PGn 400ms 600ms 800ms 1000ms 1200ms 1400ms 1600ms 1800ms 2000ms Abbildung 3.15: Downstep zwischen Gipfelkonturen Äußerung: Die Tante bewohnt ein nettes Häuschen. (Referenz: k03be061) Fenster A: Oszillogramm (Original) Fenster B: F0-Verlauf Fenster C: Segmentelle und prosodische Etikettierung Das Beispiel zeigt den prototypischen downstep zwischen den Gipfelmaxima, mit den Maximalwerten 175Hz auf Tante, 147Hz auf bewohnt und 135Hz auf nettes.

88 88 Benno Peters Downstep und upstep bei aufeinanderfolgenden Talkonturen Auch in der eher seltenen direkten Abfolge von mehreren Talkonturen treten die Phänomene upstep und downstep auf. Allerdings stehen hierbei nicht die höchsten Punkte der Konturen im Blickpunkt, sondern die Einsatzpunkte der Täler, die die Tiefpunkte der Talkonturen darstellen. Downstep zwischen zwei Tälern bedeutet, daß der Tiefpunkt des zweiten Tals unterhalb des Tiefpunkts des vorangehenden Tals liegt. Auch bei Tälern ist der downstep der unmarkierte Fall. Abweichungen werden analog zu upstep bei Gipfeln mit [ ] markiert (z.b. [ 2]]). In der Abfolge von Talkonturen gibt es im Gegensatz zu Gipfelkonturen eine direkte Abhängigkeit zwischen der Akzentstufe des zweiten Tals und dessen Einsatzpunkt relativ zum Endpunkt des ersten Tals. Es zeigt sich, daß in der Konkatenation zweier Täler das zweite Tal nur dann die der Akzentstufe 2 entsprechende Prominenz haben kann, wenn dessen Einsatzpunkt deutlich unterhalb des Endpunktes des vorangehenden Tals liegt. Das bedeutet einerseits, daß wenn zwei Täler durch ein Plateau verbunden sind, das zweite Tal nur die Akzentstufe 1 haben kann und andererseits, daß ein nachfolgendes Tal, dessen Einsatzpunkt mehr als 15 20Hz unterhalb des Endpunktes der vorangehenden Talkontur liegt, so prominent wird, daß es die Stufe 2 oder sogar 3 erhalten muß. Diese Erkenntnisse decken sich mit den generellen Ergebnissen der Untersuchungen von Isačenko und Schädlich (1970). Sie postulierten das Grundprinzip, daß auditive Prominenz durch einen Bruch in der F0-Kontur hervorgerufen wird und der Grad der Prominenz direkt von der Stärke des Bruchs, d.h. der Differenz der F0-Werte, abhängig ist (siehe 1.3.1, p.22).

89 Prototypische deutsche Intonationsmuster A ms 600ms 800ms 1000ms 1200ms 1400ms 1600ms 1800ms 2000ms 250Hz 200Hz B 150Hz 400ms 600ms 800ms 1000ms 1200ms 1400ms 1600ms 1800ms 2000ms 250Hz 200Hz C 150Hz D 400ms 600ms 800ms 1000ms 1200ms 1400ms 1600ms 1800ms 2000ms $-q $ $O #c: #&1] ##%Q $C+ #&0 ##Q- $I $p $-h+ #&, #&2[ ##z $k $@- $ y: $s $I $C $-h $ai $t $n $-h #&, #&*[ ##k $a6 $-h $@- #&0 $ au $f $n ##d $f+ #? #&? #&PGn 400ms 600ms 800ms 1000ms 1200ms 1400ms 1600ms 1800ms 2000ms Abbildung 3.16: Relativer Einsatzpunkt von Talkonturen Äußerung: Ob ich Süßigkeiten kaufen darf? (Referenz: k01be030) Fenster A: Oszillogram Fenster B: F0-Verlauf mit Plateau zwischen den Tälern (Original) Fenster C: F0-Verlauf mit Einbuchtung zwischen den Tälern Fenster D: Segmentelle und prosodische Etikettierung für alle Fenster Der F0-Verlauf mit Plateau (Fenster B) führt zur partiellen Deakzentuierung von kaufen. Die F0-Synthese mit Bruch im Grundfrequenzverlauf und einem Tiefpunkt auf kaufen von 120Hz (Fenster C) führt zu einer default -Akzentuierung auf kaufen.

90 90 Benno Peters Downstep und upstep zwischen Gipfel- und Talkonturen In der Abfolge von Gipfel- und Talkonturen innerhalb einer prosodischen Phrase sind bis jetzt bezüglich des downstep / upstep keine klaren Gesetzmäßigkeiten aufgestellt worden. Es ist zu beobachten, daß der downstep zwischen Gipfeln derselben Akzentstufe häufig durch intervenierende Talkonturen unterbrochen wird. Ein auftretendes Muster bildet die Gipfelkontur, deren Hochpunkt durch ein vorangehendes Tal nach oben geschoben wird und so gegenüber einem vor dem Tal platzierten Gipfel höher liegt, auch wenn keine semantische Motivation vorliegt. So stören Talkonturen oft den Trend zum downstep. Aus diesem Grund wird in der prosodischen Etikettierung darauf verzichtet, in der direkten Abfolge zwischen Gipfeln und Tälern downstep bzw. upstep zu markieren. Auch das Prinzip des resets an Phrasengrenzen wird durch das Auftreten von Tälern z.t. aufgehoben, da die Endpunkte von Tälern am Phrasenende fast immer den höchsten Punkt der Phrase bilden und die F0-Maxima von Gipfeln, an denen sich der reset orientiert, kaum die Grundfrequenzwerte der Talendpunkte erreichen. Deshalb wird auf eine Markierung von fehlendem reset am Phrasenende verzichtet, wenn das Prinzip des downsteps durch Täler gestört wird.

91 Prototypische deutsche Intonationsmuster A ms 600ms 800ms 1000ms 1200ms 1400ms 1600ms 1800ms 400Hz 300Hz B 200Hz 100Hz C 400ms 600ms 800ms 1000ms 1200ms 1400ms 1600ms 1800ms #c: #&0 ##d $a:+ #&2] $ $-h ##m $9 #&0 ##Q- $-q $I $@+ #&0 $C $t $-h $C+ ##g $ E6 $-h #&, #&2^ ##m $n $@ #. #&2. $ I $t $-h #&PGn 400ms 600ms 800ms 1000ms 1200ms 1400ms 1600ms 1800ms Abbildung 3.17: Tal verschiebt Gipfelmaximum nach oben Äußerung: Da möchte ich gerne mit. (Referenz: k66be047) Fenster A: Oszillogramm (Original) Fenster B: F0-Verlauf Fenster C: Segmentelle und prosodische Etikettierung Die Abbildung zeigt, daß der Gipfel auf mit eine Verlängerung der Talkontur darstellt und so kein downstep auftritt.

92 92 Benno Peters Register Die Grundfrequenz einer Männerstimme kann zwischen ca. 70 und 700Hz, die einer Frauenstimme zwischen ca. 100 und 1200Hz variieren. Diese Kapazitäten werden im Gesang genutzt und sind mit zwei physiologisch verschiedenen Kehlkopfeinstellungen verbunden. Im Brustregister schwingen die wenig gedehnten Stimmlippen in ihrer vollen Länge und verursachen Schwingungen relativ niedriger Frequenz. Im Falsettregister, auch Kopfstimme genannt, sind die Stimmbänder stark gelängt und schwingen nur in bestimmten Bereichen. Hierdurch werden Anregungen hoher Schwingungsrate verursacht. Ein Umschlagen zwischen den Registern ist das Grundprinzip des Jodelns. In gesprochener Sprache ist der sogenannte Registerwechsel weniger klar definiert. Da normalerweise beim Sprechen nur das Brustregister genutzt wird, ist es physiologisch gesehen nicht korrekt, hier den Terminus Registerwechsel zu verwenden. Trotzdem wird dieser Begriff benutzt, um folgendes Phänomen zu beschreiben: Viele Sprecher weichen über bestimmte Abschnitte ihrer Äußerungen von einer für sie üblichen mittleren Tonlage nach oben oder nach unten ab. Diese Abweichungen können emotional bedingt sein. Williams und Stevens (1972) beschreiben, daß bei Ärger oder Stress die baseline der Grundfrequenz ansteigt. Eine Ursache hierfür kann die Übertragung der in diesen Zuständen allgemein höheren Muskelspannung auf die Kehlkopfmuskulatur sein. Bei Trauer oder Langeweile hingegen sinkt häufig die durchschnittliche Grundfrequenz ab. Auch dies kann mit emotional bedingt niedrigem Muskeltonus erklärt werden. Ein weiterer Grund für Registerwechsel kann die Sprechsituation sein. Wenn sich z.b. ein Sprecher gegen einen hohen Geräuschpegel durchsetzen muß, wird nicht nur die Intensität des Sprachsignals größer, sondern auch die mittlere Grundfrequenz. In einer Situation wie in einer öffentlichen Sauna oder dem Wartezimmer einer Arztes, wo eine Belästigung anderer durch lautes Sprechen vermieden werden soll, finden wir bei Sprechern oft eine Absenkung der Lautstärke, verbunden mit niedrigem F0. Der physiologische Mechanismus, der diesem Phänomen zugrundeliegt, ist eine Kopplung zwischen der Intensität und der Frequenz der laryngalen Anregung. Höhere Intensität des Sprachsignals wird durch

93 Prototypische deutsche Intonationsmuster 93 die Erhöhung des subglottalen Drucks erreicht, was wiederum einen Anstieg der Grundfrequenz bedingt, wenn diesbezüglich keine Kompensation durch Veränderung der laryngalen Spannungsverhältnisse vorgenommen wird. Bei manchen Sprechern finden wir allerdings auch instrumentalisierte Formen des Registerwechsels. In Übereinstimmung mit Ohalas Frequency code (Ohala 1983, 1984) kann durch hohes F0 Höflichkeit und Unterordnung oder auch Unschuld und Kindlichkeit signalisiert werden. Im Terminabspracheszenario, das für die Sprecher nur wenig Anlaß zu wirklichen Gefühlsregungen bietet, ist zu beobachten, daß häufig Grußformeln oder Höflichkeitsfloskeln mit deutlich erhöhter Grundfrequenz produziert werden. Auch Überraschung kann durch hohes F0 signalisiert werden. Parenthetische Sätze hingegen, die teils wie Selbstgespräche wirken, werden z.t. mit abgesenktem F0 realisiert. Eine phonetisch sinnvolle Definition des Registerwechsels in gesprochener Sprache sollte deshalb über Abweichungen von der sprecherspezifischen mittleren Energie der Artikulation bzw. Phonation gegeben werden und somit auch Abweichungen der Phonation von der modalen Stimmhaftigkeit, wie Verhauchung und Knarrstimme, erfassen. In diesem Sinne werden in der prosodischen Etikettierung mit dem PROLAB-Symbolinventar die Labels [HR] ( high register ) und [LR] ( low register ) verwendet. Da Registerwechsel meist an Phrasengrenzen gekoppelt sind, werden Abweichungen vom normalen Register am Phrasenbeginn der betreffenden Phrase markiert. Für die Hörbeispiele zu Register- und Sprechgeschwindigkeitswechseln habe ich auf Abbildungen verzichtet, da die Äußerungen sehr lang sind und sich deshalb hier schlecht darstellen lassen. Außerdem ist für die Parameter Register- und Sprechgeschwindigkeit weniger die visuelle Beurteilung der Analysefenster, vielmehr dagegen der auditive Eindruck wichtig. Zur besseren Orientierung für den Hörer gebe ich für die entsprechenden Hörbeispiele die Transliteration (siehe 2.2.1, p.41) der ausgewählten Sprachsignale an, in der die jeweiligen Wechsel markiert sind. In den Transliterationen habe ich zur Verbesserung der Lesbarkeit die Umlaute ü, ä, ö und das ß verwendet, die in der 7bit ASCII-Version durch "u, "a, "o und "s repräsentiert sind.

94 94 Benno Peters Hörbsp High register Referenz: g075a012, Sprecher HAH Transliteration: <Beginn high register > nein, richtig <Ende high register >. das wäre mir jetzt zur Not auch noch recht. und zwar<z> <A> ab Donnerstag, dem dritten, bin ich wieder hier. <P> da könnte ich mich <A> gerne, also Donnerstag, am dritten oder Freitag, am vierten mit Ihnen treffen, wenn Ihnen das recht ist <#Klicken>? Der Bereich in dem die Grundfrequenz des Sprechers HAH variiert liegt normalerweise zwischen 80 und 160Hz. Im Äußerungsteil Nein, richtig. steigt F0 auf über 200Hz an. Das Beispiel ist ein typischer Fall für die Verwendung des hohen Registers als Ausdruck von Überraschung: Der Sprecher bemerkt, daß ihm der vorgeschlagene Termin entgegen seiner vorherigen Überzeugung doch paßt und korrigiert sich durch das Nein, richtig. selbst. Eine vergleichbare Situation tritt auf, wenn jemand darauf hingewiesen wird, daß er etwas vergessen hat. Hier ist oft die sprachliche Reaktion durch ein Ach ja! oder ähnliches im hohen Register zu beobachten. Hörbsp low register (Hörbeispiel A) Referenz: g095a006, Sprecherin ANS Transliteration: <A> außerdem<z> <äh> steht auf meinem Dienstplan noch eine fünftägige gemeinsame Dienstreise mit Ihnen. <A> ich bin ganz entzückt darüber, und ich wollte Sie fragen, <A> ob Ihnen<Z>, < Beginn low register > wenn Ihnen diese +/Da=/+ Reise natürlich genehm ist, natürlich nur dann, <Ende low register >ob wir sie vielleicht Ende März legen könnten. Die Grundfrequenzanalyse dieser Äußerung zeigt eine Variationsbreite zwischen 200 und 350Hz. In den Phrasen mit low register tritt lediglich eine Variation im Bereich von 160 bis 190Hz und eine deutliche Verringerung der Intensität auf. Der mit low register markierte Abschnitt entspricht syntaktisch einem parenthetischen Satzteil.

95 Prototypische deutsche Intonationsmuster 95 Hörbsp low register (Hörbeispiel B) Referenz: g071a007, Sprecher HAH Transliteration: ja bitte, das wäre mir sehr recht. wenn ich<z> ne Uhrzeit vorschlagen darf? <Beginn low register > ganztägig damit wir früher nach Hause kommen.<ende low register > vielleicht so ab acht Uhr? Die Grundfrequenzanalyse dieser Äußerung zeigt eine Variationsbreite zwischen 90 und 150Hz. In den Phrasen mit low register tritt lediglich eine Variation im Bereich von 105 bis 125Hz auf. Auch hier kommt es zu einer Verringerung der Intensität in diesem Bereich. Der Einschub im tiefen Register hat den Charakter eines Selbstgesprächs und soll dem Gesprächspartner einen Einblick in die Überlegungen des Sprechers geben Sprechgeschwindigkeit Auch die Definiton der Sprechgeschwindigkeit ist mit einigen Problemen verbunden, da Einheiten wie Sibenanzahl pro Zeiteinheit gerade in der Spontansprache stark durch Pausen oder gezögerte Segmente beeinflußt werden. Das bedeutet, daß ein Sprecher, der sehr schnell spricht, aber viele Pausen und Häsitationen verwendet, bezüglich des Quotienten von Silben und Zeiteinheit ähnliche Ergebnisse erreichen wird, wie ein langsamer Sprecher ohne Häsitationspartikel. Auch die Variationsbreite zwischen verschiedenen Sprechern ist bezüglich der Sprechgeschwindigkeit sehr groß. Deshalb erscheint es in der prosodischen Etikettierung sinnvoll, von absoluten Angaben zur Sprechgeschwindigkeit abzusehen. Der Weg, der stattdessen gewählt wurde, läuft parallel zur Markierung von Abweichungen im Register: Der Bearbeiter geht impressionistisch vor und markiert lediglich Abweichungen von der sprecherspezifischen mittleren Sprechgeschwindigkeit. Auch diese Veränderungen sind meist an einzelne Phrasen gebunden und werden zu Beginn der Phrase mit [RP] ( rate plus ) oder [RM] ( rate minus ) markiert.

96 96 Benno Peters Hörbsp Rate plus Referenz: g071a009, Sprecher HAH Transliteration: gut. <P> dann<z> hätten wir noch mal ein zweitägiges Treffen zu vereinbaren. da würde ich vorschlagen, <Beginn rate plus und low register > da wir eben gesehen haben, mit der Zeit vorher paßt es sehr schlecht, <Ende rate plus und low register > <hm> <Schmatzen> am Dienstag, dem dreißigsten, und Mittwoch, dem ersten, wenn Ihnen das vielleicht passen würde? Die Erhöhung der Sprechgeschwindigkeit ist hier mit einem Wechsel ins tiefe Register und einer Verringerung der Signalintensität gekoppelt. Syntaktisch korreliert der Registerwechsel mit einem parenthetischen Satz, der inhaltlich eine Wiederaufnahme von etwas ist, das schon vorher besprochen wurde. Auch hier wird dem Hörer ein Einblick in die Überlegungen des Sprechers gegeben. Der wirkliche Grund für diesen Einschub ist aber vermutlich, daß der Sprecher Zeit zum Überlegen gewinnen will. Dies wird besonders deutlich durch die Häsitation, die dem Einschub folgt. Hörbsp rate minus Referenz: g095a008, Sprecherin ANS Transliteration: ich muß sagen, s ist eine wunderbare Idee. das paßt mir sehr, sehr gut in n Plan. <Beginn rate minus > das wäre dann der siebenundzwanzigste bis einunddreißigste<z>. <A> Wundervoll<Z>. In diesem Beispiel tritt die Sprechgeschwindigkeitsverlangsamung im Zusammenhang mit der Suche nach den dem vorgeschlagenen Termin entsprechenden Daten auf. Dem Hörer wird so signalisiert, daß die Sprecherin nachdenkt, aber nicht unterbrochen werden will. Eine andere Interpretation ist, daß die Sprecherin sich den besprochenen Termin notiert und dies der Hörerin durch die Verlangsamung ihres Sprechtempos anzeigt.

97 Kapitel 4 Häufigkeitsverteilungen prototypischer Intonationsmuster 4.1 Einleitung In diesem Teil der Arbeit sollen die Häufigkeiten des Auftretens bestimmter Melodieverläufe und anderer prosodischer Merkmale in verschiedenen deskriptiven Statistiken aufgezeigt werden. Wegen der Vielzahl der möglichen Fragestellungen, auf die hin das Korpus untersucht werden kann, stellen die hier durchgeführten Untersuchungen nur einen Ausschnitt der Analysemöglichkeiten dar, die die prosodisch etikettierten Daten dem Phonetiker bieten. Auch eine erschöpfende Interpretation der verschiedenen Häufigkeitsverteilungen kann im Rahmen dieser Arbeit nicht gegeben werden, da viele der komplexen Zusammenhänge, in die die intonatorische Strukturierung gesprochener Sprache eingebunden ist, bis heute nicht geklärt sind. Die Basis für die statistische Aufbereitung ist die Extraktion bestimmter prosodischer Etiketten oder Kombinationen von Etiketten über speziell hierfür geschriebene Computerprogramme. Diese Programme, in der zeichenverarbeitenden Sprache awk (Close et al. 97

98 98 Benno Peters 1993) geschrieben, laufen über die Etikettierdateien und können die Anzahl der betreffenden Muster in definierten Ausschnitten des Korpus feststellen. Die für die statistische Aufbereitung geschriebenen Programme befinden sich im Anhang dieser Arbeit. Die Teilbereiche des Korpus, die auf prosodische Parameter hin untersucht werden können, sind von der jeweiligen Fragestellung abhängig: Individuelle Variationen können über die Analyse aller von einem bestimmten Sprecher gesprochenen Äußerungen bestimmt werden. Geschlechtsspezifische prosodische Merkmale zeigen sich, wenn kontrastiv die Äußerungen von Männern und Frauen den Gegenstand der Untersuchung bilden. Bezüglich der Unterschiede zwischen Lese- und Spontansprache können die entsprechenden Teilbereiche des Korpus analysiert werden. Unterschiede in der prosodischen Realisierung von Funktionsvs. Inhaltswörtern zeigen sich, wenn die prosodischen Etiketten, die mit Vertretern dieser Wortklassen verknüpft sind, durch geeignete Programme extrahiert werden. Dies ist möglich, da das letzte segmentelle Etikett jedes Funktionsworts im Korpus durch ein [+] markiert ist. Abhängigkeiten der intonatorischen Struktur von der syntaktischen Gliederung zeigen sich, wenn prosodische Parameter in ihrer Abhängigkeit von den durch Interpunktion markierten syntaktischen Abschnitten betrachtet werden. Es wird also deutlich, daß jeder Parameter der Intonation unter verschiedenen Blickwinkeln betrachtet werden kann und muß, um die komplexen Zusammenhänge besser zu verstehen, mit denen die Beschreibungskategorien eines Intonationsmodells interagieren. Für diese Arbeit habe ich zum größten Teil Fragen an das Korpus, unterteilt in die Teilbereiche Lese- und Spontansprache, gestellt, aber auch exemplarisch einige Fragestellungen bearbeitet, die die Abhängigkeit

99 Prototypische deutsche Intonationsmuster 99 der intonatorischen Strukturen von anderen oben genannten Teilbereichen des Korpus verdeutlichen. Wenn zwischen den Teilbereichen des Korpus keine grundliegenden Unterschiede bezüglich bestimmter Häufigkeitsverteilungen zu beobachten waren, habe ich diese Bereiche in der statistischen Aufbereitung nicht getrennt behandelt. Dies gilt vor allem für die Bereiche Berliner Sätze und Marburger Sätze bzw. Buttergeschichte und Nordwind und Sonne, die bezüglich des Auftretens intonatorischer Parameter sehr ähnlich strukturiert sind. Auf eine prüfstatistische Beabeitung wird komplett verzichtet, da ich diese im Rahmen dieser Arbeit und in Anbetracht der relativ kleinen Datenbasis nicht für sinnvoll halte. Wenn bei prozentualen Angaben die Aussagekraft der errechneten Werte hierdurch nicht beeinträchtigt wird, habe ich in der Regel auf die Angabe von Nachkommastellen verzichtet. Die Art der Darstellung (Tabelle, Tortendiagramm, Balkendiagramm) variiert, um eine den verschiedenen Fragestellungen angemessene, möglichst übersichtliche Präsentation zu gewährleisten. 4.2 Verhältnis von Inhalts- und Funktionswörtern Das Auftreten von prosodischen Mustern und deren Häufigkeitsverteilung steht in Beziehung zur linguistischen Struktur der Äußerung auf der Ebene der Syntax wie auch zur Auftretenshäufigkeit bestimmter Wortarten. So sind Funktionswörter zu einem hohen Anteil deakzentuiert, während Inhaltswörter im größeren Teil der Fälle einen Satzakzent tragen. Betrachten wir also z.b. das Verhältnis von akzenttragenden zu deakzentuierten Wörtern, ist es sinnvoll, dies für Funktionswörter und Inhaltswörter getrennt zu tun. Auch Unterschiede zwischen gelesener und spontaner Sprache können aus der linguistischen Struktur der Äußerungen resultieren. Deshalb sollen hier zunächst die Verteilungen von Inhalts- und Funktionswörtern in den Teilbereichen des Korpus und die Verteilungen von akzenttragenden und deakzentuierten Wörtern bezüglich dieser Wortklassen betrachtet werden.

100 100 Benno Peters (a) Gelesenes Korpus (b) Spontansprachliches Korpus Abbildung 4.1: Verhältnis von Inhalts- und Funktionswörtern Der erheblich höhere Anteil von Inhaltswörtern im gelesenen Korpus resultiert daraus, daß hier klar umrissene Sachverhalte kurz und präzise in syntaktisch einfache und gut strukturierte Sätze gefaßt sind. Ein Beispiel aus den Marburger Sätzen, das überhaupt kein Funktionswort enthält: Adler fliegen tausend Meter hoch. In der Spontansprache hingegen wird über die Festlegung von Terminen diskutiert. Hierbei kommt es häufig zu Konstruktionen, die weniger inhaltliche Sachverhalte darlegen, als vielmehr auf der Ebene der Diskurssteuerung von Bedeutung sind und dadurch viel mehr Funktionswörter enthalten. Ein typisches Beispiel: Also wenn wir uns da mal so um vierzehn Uhr treffen könnten? 4.3 Verhältnis von deakzentuierten und satzakzentuierten Inhalts- und Funktionswörtern Durch die Analyse der Akzentuierungsverhältnisse hinsichtlich der Wortklassen Inhalts- und Funktionswörter können Erkenntnisse über die prosodische Ausprägung stilistischer Merkmale der Lesesprache und der Spontansprache gewonnen werden.

101 Prototypische deutsche Intonationsmuster 101 (a) Gelesenes Korpus (b) Spontansprachliches Korpus Abbildung 4.2: Verhältnis von deakzentuierten und satzakzentuierten Funktionswörtern Das vermehrte Auftreten akzentuierter Funktionswörter im spontansprachlichen Korpus ist möglicherweise eine Folge des Terminabspracheszenarios. Da die Sprecher viel diskutieren und Termine verworfen werden, kommt es z.b. immer wieder zur Kontrastakzentuierung in der deiktischen Verwendung von Funktionswörtern. Ein Beispiel: Nein, das paßt mir nun gerade nicht. (a) Gelesenes Korpus (b) Spontansprachliches Korpus Abbildung 4.3: Verhältnis von deakzentuierten und satzakzentuierten Inhaltswörtern Anders als bei den Funktionswörtern zeigt sich, daß das Verhältnis von Akzentuierung und Deakzentuierung bezüglich der Inhaltswörter in Lese- und Spontansprache in etwa gleich ist.

102 102 Benno Peters 4.4 Verteilung der Akzentstufen über Inhaltsund Funktionswörtern Die folgenden Diagramme zeigen die Verteilung der Akzentstufen über allen Inhaltswörtern und schließen sowohl Gipfel- als auch Talkonturen ein. (a) Gelesenes Korpus (b) Spontansprachliches Korpus Abbildung 4.4: Verteilung der Akzentstufen über die Inhaltswörter (a) Gelesenes Korpus (b) Spontansprachliches Korpus Verteilung der Akzentstufen über die Funkti- Abbildung 4.5: onswörter Die oben dargestellten Verteilungen sind trotz des insgesamt höheren Anteils von Funktionswörtern im spontansprachlichen Korpus generell vergleichbar. Das vermehrte Auftreten der Akzentstufe 3 im spontansprachlichen Korpus kann durch die stärkere Notwen-

103 Prototypische deutsche Intonationsmuster 103 digkeit der Verwendung von stark kontrastierender Akzentuierung in der Terminabsprache bedingt sein, die in Konstruktionen wie: Nein, am Dienstag kann ich gerade nicht! oder Das paßt mir sehr gut! auftritt. Da das Korpus aber relativ klein ist, können auch Beeinflussungen der Häufigkeitsverteilung durch einzelne Sprecher, die zur emphatischen Akzentuierung neigen, nicht ausgeschlossen werden. Näheren Aufschluß über eventuelle signifikante Abweichungen zwischen den Korpora kann nur die Analyse eines umfangreicheren Korpus und eine prüfstatistische Aufbereitung bieten. 4.5 Verteilung der Gipfeltypen über default -satzakzentuierten Silben Die Satzakzentuierung mit Akzentstufe 2 bildet im Korpus den prozentual größten Anteil unter den satzakzentuierten Wörtern. Deshalb sollen hier die Verteilungen der 2er-Akzente über die verschiedenen Gipfeltypen, einschließlich der Minus-Konturen, dargestellt werden. Da sich die Verteilungen zwischen den Teilbereichen Satzlisten, Geschichten und Spontansprache ebenso unterscheiden wie die Verteilungen der Akzente mit und ohne upstep, werden diese getrennt behandelt.

104 104 Benno Peters (a) Sätze (b) Geschichten (c) Spontansprache Abbildung 4.6: Verteilung der Gipfeltypen über default - satzakzentuierten Silben (Akzentstufe 2) ohne upstep Die Diagramme zeigen ein vermehrtes Auftreten des semantisch relativ neutralen mittleren Gipfels in der Spontansprache, das vermutlich im Zusammenhang mit dem wenig emotionalen Charakter der Unterhaltung steht, denn das Gespräch über Termine bietet inhaltlich weniger Anlaß zum Ausdruck von Überraschung oder von kategorialen Aussagen als die Texte der Lesesprache. Das vermehrte Auftreten von mittleren Gipfeln in spontaner Sprache ist aber möglicherweise auch ein Kriterium zur Abgrenzung der Intonation von Spontansprache von den z.t. sehr stilisierten Intonationskonturen der Lesesprache.

105 Prototypische deutsche Intonationsmuster 105 Im Vergleich der Verteilungen der Gipfeltypen zwischen Sätzen und Geschichten fällt auf, daß in den Sätzen der frühe Gipfel um 13% häufiger, der mittlere um 10% seltener als in den Geschichten auftritt. Hierfür ist vermutlich das vermehrte Auftreten von inhaltlich abgeschlossenen Statements unter den Sätzen verantwortlich, das die Realisierung mit einem frühen Gipfel nahelegt. Weitere Korpusanalysen zeigen, daß Täler in der Spontansprache und in den Sätzen ca. 10%, in den Geschichten 20% der 2-er Akzente ohne upstep ausmachen und sich in allen Teilkorpora etwa zu gleichen Teilen auf frühe und späte Täler verteilen. (a) Sätze (b) Geschichten (c) Spontansprache Abbildung 4.7: Verteilung der Gipfeltypen der default - satzakzentuierten Silben (Akzentstufe 2) mit upstep In den Verteilungen mit upstep zeigt sich in allen Teilkorpora eine Verschiebung der Auftretenshäufigkeit zum mittleren Gipfel. Interessant ist, daß diese im Vergleich mit der Verteilung ohne upstep hauptsächlich zulasten des frühen Gipfels geht. Eine Erklärung hierfür sehe ich in der Konkatenation der Gipfeltypen: Sehr viele frühe Gipfel sind in Hutmuster eingebunden, die nur ein einziges F0- Maximum aufweisen, das zwei Satzakzenten zugeordnet wird. Dadurch kann der zweite der beiden Gipfel des Hutmusters kein höheres Maximum als der erste haben, also entfällt generell eine upstep - Markierung bei frühen Gipfeln, die die zweite Komponente eines Hutmusters bilden.