Diterjemahkan dari bahasa Inggris ke bahasa Indonesia - [Link].

com

7 Melihat Pidato
Bentuk Gelombang, Spektrum,

dan Spektogram

Fonetik akustik masih merupakan sesuatu yang baru bagi para pelajar bahasa, banyak di antara mereka yang

memperlakukannya dengan penuh kecurigaan atau dengan kekaguman yang tidak dapat dipahami. Keadaan ini

merupakan keadaan yang tidak sehat. . . . Halaman-halaman berikut ini ditulis dengan tujuan melakukan sesuatu

untuk memperbaiki situasi yang tidak memuaskan ini.

Morris Halle, 1958,Pola Suara Bahasa Rusia, P. 79

Garis besar bab

7.1 Pidato pra-digital 120

7.2 Digitalisasi 122
122
7.2.1 Pengambilan sampel

7.2.2 Kuantisasi 125

7.2.3 Perekaman digital 126
7.3 Melihat bentuk gelombang 129
7.4 Spektrum 131
7.4.1 Spektrum sumber glotal 131
7.4.2 Spektrum sumber kebisingan 134
7.4.3 Spektrum vokal 135
7.5 Spektogram 137

Bunyi Bahasa: Pengantar Fonetik dan Fonologi, Edisi pertama. Elizabeth [Link]. © 2013 Elizabeth
[Link]. Diterbitkan tahun 2013 oleh Blackwell Publishing Ltd.
120 Melihat SPeeCh

Ringkasan bab 142

Bacaan lebih lanjut 143
Tinjau latihan 144
Analisa dan pembahasan lebih lanjut 144
Penelitian lebih lanjut 148
online 148
Referensi 148

Bab ini membahas alat yang digunakan ahli fonetik untuk menganalisis bunyi ujaran. Pada dekade kedua
abad kedua puluh satu, alat-alat ini umumnya berbasis komputer, meskipun hal ini tentu saja merupakan
perkembangan yang relatif baru. Bagian 7.1 dimulai dengan pertanyaan: “Apa yang dilakukan ahli fonetik
sebelum mereka memiliki komputer?” Bagian 7.2 membahas cara memasukkan ucapan ke dalam
komputer: proses digitalisasi, dengan tip praktis untuk membuat rekaman digital berkualitas tinggi.
Bagian selanjutnya membahas apa yang harus dilakukan dengan file ucapan setelah Anda memilikinya.
Bentuk gelombang adalah cara paling mudah dalam memandang ucapan: representasi dalam domain
waktu, berguna untuk mengukur durasi. Spektrum merupakan representasi dalam domain frekuensi yang
berguna untuk menentukan kualitas suara. Spektogram menggabungkan keduanya, memungkinkan ahli
fonetik melihat perubahan kualitas seiring waktu.
Tujuan bab ini adalah untuk memberikan informasi yang cukup bagi Anda untuk memahami
representasi ini ketika Anda menemukannya dalam bacaan yang diterbitkan. Anda juga harus dapat
membuat representasi ini sendiri, menggunakan perintah menu sederhana dalam program analisis
pilihan Anda. Bagian 8.2 di hal. 160 memberikan informasi lebih mendalam tentang algoritma, properti,
dan masalah: informasi lebih lanjut ini harus dibahas untuk kompetensi dan kepercayaan diri yang lebih
besar dalam membuat dan menganalisis representasi akustik Anda sendiri.

7.1 pidato pra-digital

Di awal buku ini, saya mencatat bahwa salah satu hal tersulit dalam ilmu fonetik adalah Anda tidak dapat
melihat ucapan. Hingga baru-baru ini, telinga ahli fonetik merupakan satu-satunya instrumen yang
tersedia untuk menganalisis suara, dan mungkin masih merupakan instrumen yang paling sempurna dan
dapat diandalkan. (Mereka tentu saja masih yang termurah dan paling nyaman.) Namun, mulai akhir abad
kesembilan belas, para ilmuwan mulai menemukan cara untuk membuat suara tahan lama dan terlihat
jelas.
Perangkat untuk merekam suara semuanya bekerja dengan mentransfer pola getaran ucapan dari
udara ke media yang lebih tahan lama. Jadi fonograf Edison (1877) menggunakan stylus untuk
memperbesar gelombang yang dihasilkan dari getaran suara dan mengetsanya ke dalam silinder lilin
yang berputar (kemudian ke dalam piringan plastik). Saat stylus kembali melewati alur, getarannya
terulang kembali. Perekam magnetik (ditemukan pada tahun 1898 dan terus ditingkatkan selama
beberapa dekade berikutnya) menggunakan membran mikrofon untuk mengubah getaran suara menjadi
variasi tegangan dalam arus listrik. Arus listrik yang bervariasi kemudian digunakan untuk menciptakan
medan magnet yang bervariasi. Kawat atau pita logam yang melewati medan dimagnetisasi dengan pola
yang sesuai. Pemutaran terdiri dari memutar kembali kaset melalui “kepala” magnetik perekam, yang
mengubah medan magnet kembali menjadi listrik kembali ke getaran membran di speaker. Dengan
demikian, peristiwa suara tertentu dapat dilestarikan dan diputar ulang.
 Melihat SPeeCh 121

Alat untuk membuat ucapan terlihat bekerja dengan

prinsip yang sama, hanya saja media yang digunakan
untuk mentransfer pola adalah sesuatu yang dapat
dilihat. Alat yang cara kerjanya sama dengan fonograf
disebutkymograph. (“Kymo” adalah bahasa Yunani untuk
“gelombang.”) Gambar 7.1 menunjukkan Daniel Jones
menggunakan kymograph sekitar tahun 1920. Seorang
pembicara berbicara melalui topeng yang terhubung ke
tabung, di ujung lainnya terdapat membran peka
tekanan yang terhubung ke stylus . Variasi tekanan
udara dalam ucapan menyebabkan membran dan stylus
bergetar. Stylus bertumpu pada drum berputar yang
dilapisi kertas berasap, dan saat drum berputar, stylus
tersebut mengukir garis putih yang secara langsung
mencatat variasi tekanan udara.
Salinan salah satu rekaman kymograph Jones
ditunjukkan pada Gambar 7.2. Getaran periodik vokal Gambar 7.1 Daniel Jones menggunakan kymograph. Sumber: Collins dan Mees 1999,

terlihat jelas, dan juga beberapa sangat jelas P. 256.

getaran lemah saat bersuara [b]. Mesin

tersebut tidak cukup sensitif untuk merekam
kompleksitas bentuk gelombang vokal,
namun perbedaan durasinya dapat dilihat
dengan jelas. [i] tegang lebih panjang
daripada [ ] longgar, dan kedua vokal lebih
panjang sebelum konsonan bersuara
daripada konsonan tak bersuara sebelumnya.
Kombinasi kedua kecenderungan ini
menghasilkan temuan bahwa vokal dalam
“beat” dan “bid” memiliki panjang yang sama,
sebuah temuan yang tidak kentara di telinga.
OsiloskopDanspektograf suara, seperti
tape recorder, menggunakan mikrofon
untuk mentransfer pola getaran di udara
menjadi pola variasi arus listrik. Dalam
osiloskop, variasi ditampilkan sebagai
bentuk gelombang di layar. Spektograf
suara bekerja dengan prinsip yang mirip
dengan silinder lilin berputar Edison, tetapi
menggunakan filter elektronik untuk
Gambar 7.2 rekaman kymograph darilebah, manik, kacang, ketukan, tawaran, bin, sedikit.
memisahkan pita frekuensi yang berbeda. Sumber: Collins dan Mees 1999, hal. 250. aslinya diterbitkan di Jones 1918,garis besar Fonetik bahasa
Perangkat cerdik ini ditemukan pada tahun Inggris, P. 179.
1940-an di Bell Labo-
ratories (perusahaan keturunan Bell Telephone, yang tentu saja didirikan oleh Alexander Graham).
Ia hanya dapat menganalisis sekitar 2 detik ucapan dalam satu waktu, cukup untuk dua atau tiga
kata. Pertama, sampel ucapan pendek direkam pada disk magnetik, sama seperti pada pita
magnetik. Kemudian, sampel diputar ulang beberapa kali. Setiap kali, output dilewatkan melalui
filter elektronik variabel, yang dapat diatur untuk membiarkan rentang frekuensi elektromagnetik
tertentu saja, seperti kenop bass/treble di radio. Namun, alih-alih muncul sebagai suara, keluaran
dari filter elektronik dimasukkan ke dalam stylus listrik yang bergerak, seperti alat pembakaran
kayu, yang akan menggoreskan garis gelap pada kertas yang diberi perlakuan kimia yang
ditempelkan pada drum yang berputar (Gambar 7.3). (Baunya sangat menyengat – seperti terbakar
122 Melihat SPeeCh

karet.) Stylus akan bergerak ke atas drum secara bertahap seiring pengujian pita frekuensi
yang berbeda. Untuk setiap putaran, kegelapan garis yang terbakar sebanding dengan
jumlah listrik yang masuk melalui filter, yang pada gilirannya sebanding dengan jumlah
energi ucapan dalam rentang frekuensi tertentu.

7.2 digitalisasi
Pada awal abad kedua puluh satu, analisis akustik dilakukan dengan komputer. Analisis komputer cepat,
akurat, mudah dibawa-bawa di laptop, tersedia dalam beberapa penekanan tombol, dan itu
tidak berbau. Namun komputer mempunyai kelemahan penting
dibandingkan dengan perangkat mekanis dan elektrik di masa lalu:
komputer tidak dapat menangani sinyal analog.
Sebuahanalogsinyalnya adalah gelombang yang terus berubah-
ubah, seperti jarum detik yang bergerak mulus di sekitar tampilan
rekaman jam kuno. Tidak peduli seberapa dekat Anda melihat, atau seberapa
kontrol filter variabel

drum besar Anda memperbesarnya, gerakannya mulus dan terus

menerus, tidak berpindah dari satu keadaan ke keadaan lain
stilus
dengan jeda atau ruang kosong di antaranya (sampai Anda
mencapai tingkat molekuler). Sinyalnya terlihat seperti tanjakan,
bersifat magnetis
bukan tangga. Di dunia nyata, gelombang ucapan adalah sinyal
disk
analog, dan perangkat elektromekanis yang dijelaskan di atas
bekerja berdasarkan prinsip mengubah satu jenis sinyal analog
menjadi jenis lain: gelombang tekanan udara menjadi garis tergores
atau medan magnet yang bervariasi. Namun komputer tidak dapat
dapat diubah
kepala memproses sinyal terus menerus ini. Agar komputer dapat
heterodyne memproses informasi apa pun, informasi tersebut harus
frekuensi
direpresentasikansecara digital, yaitu sebagai rangkaian angka.
penganalisa

7.2.1 pengambilan sampel

penguat
Konversi analog-ke-digital (A-ke-D) dicapai melaluicontoh.
Proses pengambilan sampel tidak lebih dari melakukan
Gambar 7.3 Spektograf suara. Sumber: Winckel, 1967, hal. 160. Dicetak ulang pengukuran berulang-ulang secara berkala. Itulah satu-satunya
dengan izin dari Dover Publications, inc. cara untuk mengubah massa atau luas apa pun menjadi

7.1 Dalam Fokus

secara teknis, tentu saja, komputer dapat menangani tepat dua digit, 0 dan 1, yang bersesuaianmatiDanpada.
Namun bilangan sembarang besar atau eksak sembarang dapat direpresentasikan sebagai rangkaian 0 s dan 1 s
dalam basis dua (biner) notasi, dimana nilai tempat didasarkan pada eksponen 2 dan bukan eksponen 10: tempat
1 s, 2 s, 4 s, 8 s daripada 1 s, 10 s, 100 s, 1000 s. angka 5, misalnya, direpresentasikan sebagai 101 dalam basis
dua: 1 empat, tidak ada dua, dan 1 satu. konversi ke bilangan biner terjadi jauh di dalam pemrograman komputer,
sehingga pengguna akhir tidak perlu mengkhawatirkan hal tersebut. Namun penting untuk diingat bahwa sinyal
ucapan direpresentasikan di komputer tidak lebih dan tidak kurang dari serangkaian angka yang panjang.
 Melihat SPeeCh 123

Tabel 7.1suhu sampel setiap jam pada 30/7/2010 di Washington DC

suhu 80 78 76 75 74 72 71 71 73 75 76 79 80 82 83 84 84 85 83 83 81 78 78 75
waktu 00 01 02 03 04 05 06 07 08 09 10 11 12 13 14 15 16 17 18 19 20 21 22 23

suhu pada tanggal 30 Juli 2010

95
90
85
derajat f

80
75
70
65
0123456 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23
waktu

suhu pada tanggal 30 Juli 2010

95
90
85
derajat f

80
75
70
65
0123456 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23
waktu

Gambar 7.4Suhu sampel di Washington, DC pada 30/7/2010. atas, nilai sampel; Di bawah, nilai digambarkan dengan garis
halus.

dunia nyata menjadi angka: Anda mengukurnya. Jika suatu nilai berubah (misalnya, suhu
sepanjang hari), dan Anda ingin menangkap pola perubahannya, Anda melakukan
pengukuran berulang kali, pada interval yang ditentukan (mungkin setiap jam). Jadi
representasi digital suhu di Washington, DC, pada tanggal 30 Juli 2010 (menurut
[Link]), mungkin terlihat seperti informasi pada Tabel 7.1.
Kita dapat membuat grafik angka-angka ini sebagai serangkaian titik, seperti pada Gambar 7.4 (atas), dan
kemudian menghubungkan titik-titik tersebut, seperti pada Gambar 7.4 (bawah). Gambar 7.4 (bawah)terlihat
seperti gelombang analog, namun sebenarnya merupakan representasi grafis dari serangkaian titik sampel,
angka-angka pada Tabel 7.1. Yang terpenting, jika terjadi perubahandiantaratitik sampel, itu tidak akan ditangkap
dalam representasi digital.
Pengambilan sampel ucapan bekerja dengan cara yang persis sama. Mikrofon mengubah
gelombang tekanan suara menjadi variasi arus listrik, sehingga kekuatan arus sebanding dengan
tekanan udara. Setelah beberapa pra-pemrosesan (dibahas di bawah), komponen kartu suara di
komputer mengukur tegangan arus listrik secara berkala, dan kemudian mencatat
pengukurannya. Catatan pengukuran (rangkaian angka yang panjang) merupakan representasi
digital dari gelombang ucapan, sama seperti catatan pengukuran pada Tabel 7.1 merupakan
representasi digital dari suhu.
124 Melihat SPeeCh

Saat tulisan ini dibuat, bahkan komputer pribadi yang paling murah sekalipun (belum lagi ponsel)
dilengkapi dengan mikrofon internal dan kartu suara yang mampu melakukan konversi analog-ke-digital.
Namun, untuk memastikan sinyal berkualitas tinggi, dua pertanyaan mengenai pengambilan sampel
harus dijawab: seberapa sering pengambilan sampel (tingkat pengambilan sampel), dan seberapa
tepatnya (kuantisasi).
Semakin sering sampel diambil (semakin tinggi sampling rate), semakin banyak informasi yang
terkandung dalam representasi digital yang dihasilkan. Dalam pengambilan sampel cuaca, misalnya, apa
pun yang terjadi di antara sampel per jam akan hilang. Jika terjadi badai petir pada pukul 01.15, sehingga
menurunkan suhu sebentar, penurunan sementara tersebut tidak akan dicatat, karena terjadi di antara
sampel yang diambil pada pukul 01.00 dan 02.00. Kecepatan pengambilan sampel lebih tinggi setiap 15
menit Namun, akan menunjukkan penurunannya. Variasi yang relatif cepat atau berumur pendek hanya
dapat ditangkap dengan tingkat pengambilan sampel yang tinggi.
Dalam domain ucapan, waktu terjadinya perubahan bergantung pada komponen frekuensi
dalam sinyal: sinyal frekuensi tinggi berubah sangat cepat (memiliki periode yang sangat singkat),
sinyal frekuensi rendah berubah lebih lambat (memiliki periode lebih lama). Karena ucapan (atau
suara kompleks lainnya) terdiri dari sejumlah besar frekuensi komponen, laju pengambilan sampel
harus cukup cepat untuk mengukur frekuensi tertinggi yang diinginkan.
Sebagai ilmuwan wicara, kami tidak terlalu tertarik untuk mengukur frekuensi yang tidak dapat didengar oleh
siapa pun. Karena jangkauan pendengaran manusia mencapai 20.000 Hz, ini adalah frekuensi tertinggi yang kita
pedulikan. Periode satu siklus pada frekuensi tersebut adalah 0,00005 detik. Seberapa cepat kita harus mengambil
sampel untuk mengukur perubahan secepat itu? Ternyata, secara matematis, untuk mendeteksi keberadaan
komponen sinusoidal dalam gelombang kompleks, Anda harus melakukan pengukuran dua kali dalam
periodenya: sekali pada fase positif dan sekali pada fase negatif. Oleh karena itu, Anda harus mengambil sampel
dua kalisecepat frekuensi tertinggi yang ingin Anda ukur. Jika Anda ingin mengukur frekuensi hingga 20.000Hz,
Anda harus mengambil sampel 40.000 kali per detik (yaitu setiap 0,000025 detik). Komputer tidak memiliki
masalah dalam mengukur secepat itu. Para peneliti pada kelelawar dan paus, hewan yang mengirimkan dan
menerima frekuensi jauh lebih tinggi daripada yang dapat dirasakan manusia, secara rutin mengambil sampel
dengan kecepatan 200.000 kali per detik atau lebih. Video definisi tinggi masih memiliki tingkat pengambilan
sampel yang lebih tinggi. Insinyur yang mengerjakan bukti matematis dari tingkat pengambilan sampel yang
diperlukan adalah seorang imigran Swedia-Amerika bernama Harry Nyquist. Untuk menghormatinya, kami
menyebut frekuensi tertinggi yang dapat ditangkap pada laju pengambilan sampel tertentu sebagaiBatas Nyquist.
Batas Nyquist selalu sama dengan setengah laju pengambilan sampel. Batas Nyquist untuk laju pengambilan
sampel 44.000 sampel per detik adalah 22.000Hz; batas Nyquist untuk laju pengambilan sampel 16.000 sampel
per detik adalah 8.000Hz, dan seterusnya.

7.2Nyquist adalah seorang karyawan Bell Labs, yang bekerja untuk meningkatkan komunikasi telepon, ketika ia menerbitkan

makalahnya tentang pengambilan sampel pada tahun 1928. Komputer, tentu saja, belum ditemukan, tetapi kompresi data

matematis dan teori informasi merupakan topik hangat. Karena nyquist adalah orang Swedia, itu seharusnya disebut [

nykvist]limit, dengan vokal bulat depan, tetapi istilah tersebut telah diubah menjadi [tidakakukwakust].

Efek aneh terjadi jika frekuensi di atas batas Nyquist terdapat dalam sinyal yang diambil sampelnya. Efek
ini disebutalias, diilustrasikan pada Gambar 7.5. Sinyal analog asli, berwarna hitam, memiliki frekuensi
160Hz (periode 6,25ms, dan 1/.00625 = 160). Titik hitam menunjukkan sampel yang diukur, diambil setiap
4 ms. Itu adalah laju pengambilan sampel 250 sampel/detik, untuk batas Nyquist 125Hz. Artinya, 125Hz
adalah frekuensi tertinggi yang dapat direpresentasikan secara akurat pada laju pengambilan sampel
tersebut. Apa yang terjadi jika sinyal 160Hz diambil sampelnya
 Melihat SPeeCh 125

tarif ini? Setelah sinyal diambil sampelnya, informasi di 1.5

antara titik-titik sampel akan hilang. Ketika komputer
kemudian menghubungkan titik-titik di antara titik-titik 1
sampel (garis oranye), bentuk yang salah muncul: titik-
titik yang terhubung mengambil bentuk gelombang 0,5
dengan periode yang lebih lama (sehingga frekuensinya
jauh lebih rendah). Ini aliasing: frekuensi tinggi 0
menyamar sebagai frekuensi rendah. Jelasnya, aliasing
akan mengakibatkan distorsi sinyal digital. – 0,5
Aliasing dihindari dengan menghilangkan semua
frekuensi di atas batas Nyquist dari sinyal suara –1
sebelum konversi analog ke digital terjadi. Hal ini
umumnya dilakukan secara otomatis oleh program – 1.5
0 5 10 15 20 25 30
konversi A-ke-D ketika sinyal berada pada tahap
listrik, dengan melewatkan arus melalui filter low- Sinyal asli Sinyal alias
pass: Semua frekuensi di atas batas Nyquist diblokir.
Oleh karena itu, ilmuwan wicara tidak perlu khawatir Gambar 7.5 alias.
tentang aliasing, namun perlu mengingat bahwa Sumber: [Link]

frekuensi dalam sinyal digital terbatas: tidak ada

frekuensi di atas batas Nyquist. Jika
Jika peneliti tertarik untuk mengukur frekuensi tinggi, ia perlu memastikan bahwa tingkat pengambilan
sampel cukup tinggi: setidaknya dua kali frekuensi tertinggi yang diinginkan.
Cara tepatnya mengatur laju pengambilan sampel untuk pengaturan komputer tertentu akan sangat spesifik
pada sistem, namun opsi harus ditemukan di antara input suara atau menu rekaman. Untuk alasan teknis
(kompatibilitas antara sifat fisik media penyimpanan dan transmisi yang berbeda), standar industri untuk audio
digital biasanya ditetapkan pada 44.100 sampel per detik, lebih dari cukup untuk menangkap seluruh
pendengaran manusia, dan banyak sistem komputer yang menggunakan standar ini. tarif ini. File yang lebih lama,
karena alasan menghemat ruang (lihat di bawah), mungkin diambil sampelnya dengan kecepatan lebih rendah,
jadi selalu periksa sebelum memutuskan untuk menggunakan materi yang diarsipkan.

7.2.2 kuantisasi
Mengapa tidak mengukur pada tingkat pengambilan sampel yang sangat tinggi (misalnya, cukup tinggi untuk
kelelawar) agar aman? Salah satu alasannya adalah file suara dengan cepat menjadi objek yang sangat besar.
Empat puluh ribu angka per detik memakan banyak ruang komputer (baik dalam penyimpanan maupun
pemrosesan), terutama jika Anda ingin merekam lebih dari satu kalimat pendek atau lebih: mengapa
menggandakan atau melipatgandakan angka tersebut untuk mewakili informasi yang tidak akan Anda gunakan ?
Berapa banyak ruang yang dibutuhkan oleh file ucapan bergantung pada ketepatan pengukuran setiap sampel,
yaitukuantisasi.
Setiap kali kita melakukan pengukuran, kita perlu memutuskan seberapa tepat pengukuran yang kita
perlukan. Berapa banyak kesalahan pembulatan yang bisa kita terima? Apakah kita perlu akurat hingga kilometer,
meter, sentimeter, atau mikron terdekat?
Dalam representasi digital, pengukuran yang lebih tepat berarti mengalokasikan lebih banyak tempat
desimal, dan karenanya lebih banyak ruang komputer. Misalnya, pengukuran 1,00001 lebih tepat daripada
pengukuran 1,0, namun angka nol tambahan tersebut memerlukan lebih banyak ruang. Dalam notasi biner,
setiap tempat desimal membutuhkan satu bit ruang penyimpanan (satu kesempatan untuk memasukkan 0 atau
1). Semakin banyak bit yang ditugaskan, presisi meningkat secara eksponensial, seperti yang ditunjukkan pada
Tabel 7.2. Jika kita mengalokasikan dua bit, kita dapat merekam empat level (22): 00 (sangat rendah), 01 (sedang
rendah), 10 (sedang tinggi), 11 (sangat tinggi). Naik ke 6 bit berarti kita dapat merekam hingga 64 (26) tingkat
tekanan suara yang berbeda, dan mengalokasikan 16 bit per sampel lebih dari 1000 kali lebih tepat daripada
126 Melihat SPeeCh

Tabel 7.2Hubungan antara bit per sampel dan presisi pengukuran. itu. Enam puluh lima ribu level sedikit lebih tepat daripada
menandai satu kilometer dengan interval 2 cm.
Jumlah bit per sampel Jumlah level yang tersedia
Secara umum, saat tulisan ini dibuat, sistem audio
1 21= 2 komputer akan default ke 16 bit per sampel, meskipun
sampel ucapan pada 8 bit tidak terdengar buruk. Pada
2 22= 4
tingkat pengambilan sampel 44.100, pengambilan sampel
3 23= 8
16-bit berarti setiap detik ucapan memerlukan sekitar
4 24= 16 705.600 bit, atau 88.200 byte. (Jumlahnya merupakan
5 25= 32 perkiraan karena beberapa bit dalam setiap file diperlukan

6 untuk tujuan lain.)

26= 64
Ukuran file menjadi masalah besar ketika kecepatan pemrosesan
7 27= 128
komputer lebih lambat dan penyimpanan mahal. Jika Anda kebetulan
8 28= 256 menggunakan rekaman digital lama, kemungkinan besar digunakan
12 212= 4.096 laju pengambilan sampel dan laju bit yang lebih rendah (16 K atau 20 K

16 216= 65.536 dan 8 bit) untuk menghemat ruang. (Meskipun beberapa kualitasnya
hilang, sebagian besar berguna
informasi dalam ucapan berada di bawah 5000Hz, seperti yang akan kita lihat.) Ketika prosesor cepat dan
penyimpanan terabyte murah, ukuran file tidak lagi menjadi masalah, sehingga tingkat pengambilan sampel yang
tinggi biasanya digunakan, meskipun peningkatan kualitasnya kecil.

7.2.3 perekaman digital

Sebenarnya merekam pembicaraan ke komputer atau perekam digital tidak lebih sulit daripada membuka
program audio dan menekan tombol rekam. Banyak komputer dilengkapi dengan perangkat lunak audio
yang terinstal, dan banyak program analisis akustik tersedia untuk dibeli atau diunduh. Program yang
sangat populer di kalangan ahli fonetik adalahPraat(Belanda untukpidato), dikembangkan oleh Paul
Boersma dan David Weenink, dan (saat tulisan ini dibuat) tersedia untuk diunduh gratis di [Link].
Bentuk gelombang dan spektogram dalam buku ini dibuat menggunakan Praat. Penekanan tombol
tertentu dan pilihan menu akan berbeda dari satu program ke program lainnya, namun proses dan
algoritma yang mendasarinya umumnya konsisten.
Jika dilakukan dengan benar, rekaman digital akan memiliki kualitas yang lebih baik dibandingkan
rekaman analog. Dalam rekaman analog, pita plastik atau logam pasti akan meregang dan terdistorsi,
dan kebisingan dari roda gigi yang berputar serta desisan pita yang melewati kepala tidak akan pernah
bisa dihilangkan sepenuhnya. Namun rekaman digital tidak serta merta bagus hanya karena digital, dan
perlu kehati-hatian dalam memilih, mengatur, dan menggunakan peralatan perekam.

Secara keseluruhan, tujuannya adalah untuk memaksimalkanrasio sinyal terhadap kebisingan (SNR). Rekaman
harus sebersih dan sejelas mungkin: lebih banyak sinyal, lebih sedikit noise. Untuk mendapatkan sinyal sebanyak-
banyaknya, ahli fonetik yang melakukan perekaman perlu memanfaatkan sepenuhnya sistem yang adarentang
dinamis. Sistem diatur untuk merespons rentang amplitudo tertentu: sinyal masuk harus menggunakan rentang
penuh, memanfaatkan semua level + atau − 32.768 yang disediakan sistem 16-bit. Menaikkan volume input seperti
menggunakan lensa zoom pada kamera. Anda ingin menyesuaikan lensa sehingga gambar Anda memenuhi
bidang penglihatan, dan detail objek terlihat jelas. Anda tidak ingin bingkai dipenuhi dengan langit kosong,
dengan subjek Anda berupa titik tidak jelas di tengahnya. Dengan cara yang sama, Anda ingin masukan Anda
menggunakan rentang dinamis penuh yang tersedia.
Akan selalu ada sejumlah kebisingan latar belakang. Beberapa dari kebisingan ini adalahkesalahan
kuantisasi(atau kesalahan pembulatan) dalam merepresentasikan sinyal analog kontinu sebagai
rangkaian level diskrit. Jumlah noise kuantisasi adalah konstan, bergantung pada bit rate. Semakin tinggi
bit rate, semakin banyak level yang tersedia, dan semakin rendah kesalahan kuantisasi.
Tentu saja, sumber kebisingan latar belakang lainnya juga harus dihilangkan sebisa mungkin. Anda
dapat dengan mudah membawa laptop atau perekam digital ke tempat speaker Anda berada, namun
 Melihat SPeeCh 127

menyadari apa lagi yang terjadi selama perekaman. Sangat mudah untuk “menghilangkan” lalu lintas, TV di kamar
sebelah, kipas angin atau AC, atau orang-orang di lorong, tanpa memperhatikan tingkat kebisingan sampai
semuanya terlambat. Jika pembicara membaca naskah, mereka cenderung mengacak atau membalik halaman
saat mereka berbicara. Para ahli fonetik yang membuat rekamannya di “lapangan” (yaitu, di mana pun di luar
laboratorium pengolahan suara) akan selalu memiliki cerita-cerita lucu (setidaknya lucu kalau dipikir-pikir lagi)
tentang rekaman-rekaman yang rusak karena hujan badai atau kawanan kambing. (Keduanya benar.) Namun,
baik atau buruk, “lapangan” umumnya adalah tempat orang-orang berada, jadi lakukanlah yang terbaik yang
Anda bisa.
Gambar 7.6 menunjukkan tiga bentuk gelombang digital dari tiga rekaman ucapan yang berbeda ]. Bagian
[ gelombang yang amplitudonya lebih tinggi dan lebih kompleks adalah vokal [ ], semakin rendah
bagian amplitudo sesuai dengan [b]. (Suku kata ini dipotong dari ucapan yang lebih panjang, keuntungan
lain dari representasi digital: memotong dan menempel tidak lebih sulit dalam file ucapan dibandingkan
dalam file teks.) Bentuk gelombang atas memiliki SNR yang baik: diambil sampelnya pada 40K, 16-bit ,
dengan sedikit kebisingan latar belakang, dan detail bentuk gelombang terlihat jelas. Bentuk gelombang
kedua didigitalkan dengan cara yang sama, tetapi direkam dalam lingkungan dengan

0,6

- 0,6
0 0,1
0,6

- 0,6
0 0,1
0,0003

- 0,0003
0 0,05
waktu detik

Gambar 7.6atas: 100 ms diekstraksi dari ucapan [B],termasuk akhir vokal dan awal konsonan, direkam dengan rasio signal-to-noise

yang tinggi. Tengah: 100 ms diekstraksi dari ucapan [ab],direkam dengan kebisingan latar belakang yang tinggi, sehingga rasio signal-

to-noise rendah. Bawah: 50 ms dari ucapan [A],dengan level sinyal yang sangat rendah, dan dengan demikian rasio signal-to-noise

juga rendah. Volume masukan yang rendah menghasilkan gangguan kuantisasi yang signifikan.
128 Melihat SPeeCh

kebisingan latar belakang. Perhatikan bagaimana noise mengaburkan detail pada [ ], dan membuat
periodisitas amplitudo rendah tidak dapat dilihat selama [b]. Bentuk gelombang ketiga juga diambil
sampelnya pada 40 K dan 16-bit, tetapi sinyal dimasukkan dengan amplitudo rendah sehingga hanya
sekitar level +/− 16 pertama di sekitar 0 yang digunakan. (Jika skala amplitudo tidak diperbesar dengan
faktor 20.000 dibandingkan dengan dua sinyal pertama, sinyal tidak akan terlihat sama sekali.) Karena
hanya sedikit level yang digunakan, kesalahan kuantisasi merupakan faktor yang besar. Efeknya sama
dengan mencoba memperbesar gambar kecil di foto digital: jika objek dalam gambar terlalu kecil, gambar
yang diperbesar menjadi kumpulan piksel kabur, dan semua detail hilang. Contohnya ekstrem, tetapi
menekankan bahwa rentang dinamis itu penting.
Penting untuk memaksimalkan rentang dinamis dan meminimalkan kebisingan latar belakang, namun
di sisi lain, jangan menaikkan volume terlalu jauh. Jika amplitudo sinyal masuk lebih besar dari amplitudo
maksimum yang dapat diukur sistem, maka hasilnya adalahguntingan: puncak amplitudo tinggi
terpotong, mengakibatkan distorsi. (Sekali lagi, seperti kamera: jangan memperbesar terlalu jauh
sehingga bagian gambar Anda berada di luar bingkai.) Dua bentuk gelombang digital dari vokal [ ]
ditunjukkan pada Gambar 7.7. Bentuk gelombang atas sepenuhnya memanfaatkan rentang dinamis: dari
+1 hingga −1 (di mana 1 = 100%). Dalam bentuk gelombang bawah, puncak tinggi awal setiap periode
terpotong, sehingga mendistorsi sinyal: informasi tentang amplitudo relatif sebenarnya dari puncak yang
berbeda telah dimusnahkan.
Dalam praktiknya, memanfaatkan rentang dinamis sepenuhnya tanpa kliping bisa jadi rumit.
Penutur cenderung meninggikan dan merendahkan suaranya, menoleh, dan menggeser badan.
Mikrofon yang dipasang di kepala, yang dipasang di sisi bibir pembicara, dapat mengurangi
beberapa variasi ini. Selalu perhatikan pengukur level yang harus tersedia pada perekam atau
program Anda, dan sesuaikan volume input, atau posisi mikrofon, untuk menjaga sinyal dalam
level yang dapat diterima. Jika tidak ada pengukur level, gunakan sistem lain.

–1
0 0,03

–1
0 0,03
waktu)

Gambar 7.7atas. 30 ms dari vokal [ ], menggunakan rentang dinamis penuh. Dasar. 30 ms dari vokal [ ], dengan
kliping.
 Melihat SPeeCh 129

Berhati-hatilah dalam memilih mikrofon yang bagus. Baca spesifikasinya. Mikrofon terbaik akan
memiliki respons frekuensi yang mendekati jangkauan penuh pendengaran manusia dan rentang dinamis
lebih dari 100 dB. Anda dapat memperoleh laju pengambilan sampel dan laju bit setinggi mungkin,
namun jika data yang dimasukkan ke dalam sistem dari mikrofon murah tidak mencukupi, rekaman
digital pun akan mengalami kekurangan, dan Anda akan membuang semua bit tersebut. Mikrofon satu
arah dirancang untuk digunakan dengan satu pembicara: mikrofon ini menangkap suara terutama dari
satu arah, sehingga bagus dalam mengurangi kebisingan di latar belakang. Mikrofon segala arah
menangkap suara dari segala arah, sehingga paling cocok untuk merekam lebih dari satu speaker pada
satu saluran. Mikrofon internal pada laptop hampir tidak pernah cukup bagus.
Akhirnya,tidak pernahmerekam seseorang tanpa sepengetahuannya. Partisipan dalam penelitian
Anda harus selalu mengetahui tujuan pembuatan rekaman, bagaimana data akan digunakan, dan
bagaimana privasi mereka akan dilindungi. Anda mungkin perlu mendapatkan persetujuan studi Anda
dari Institutional Review Board untuk perlindungan subjek manusia. Tampaknya tidak mungkin bahwa
merekam suara seseorang dapat membahayakan mereka, namun partisipan penelitian mempunyai hak
untuk mengetahui apa yang terjadi, dan peneliti memiliki tanggung jawab untuk melindungi kepentingan
partisipan.

7.3 melihat bentuk gelombang

Sekarang setelah Anda memiliki file ucapan berkualitas tinggi di komputer Anda, apa yang dapat Anda
lakukan dengannya? Memahami file sebagai rangkaian angka membuka banyak kemungkinan. Sangat
mudah untuk memilih, memotong dan menempelkan, memperbesar bagian (perkalian), atau memutar
pidato secara terbalik (cukup membalik kolom angka). Di sisa bab ini, kita akan berkonsentrasi pada
beberapa keterampilan dasar saja: melihat dan memahami bentuk gelombang, spektrum, dan
spektogram.
Presentasi paling dasar dari file ucapan adalah sebagai bentuk gelombang. Bentuk gelombang adalah
grafik perubahan amplitudo (tekanan udara) terhadap waktu. Meskipun biasanya tidak mungkin untuk
membaca identitas segmen tertentu dari suatu bentuk gelombang, kelas suara yang berbeda memiliki
karakteristik pendefinisian yang berbeda. Pola-pola yang berbeda ini diilustrasikan pada Gambar 7.8,
yang menunjukkan bentuk gelombang 200ms yang diambil dari ucapan [ ], [ ], [ ], [ ], dan [ ], yang
diucapkan oleh penutur bahasa Inggris Amerika dalam bingkai “Say ____ now.”

• Pada masing-masing bentuk gelombang, terlihat bahwa vokal akan memiliki amplitudo relatif
tertinggi (ingat mulut paling terbuka), dan pola pengulangan yang kompleks (berkala).
Perbedaan antara amplitudo absolut vokal dalam bentuk gelombang yang berbeda hanya
disebabkan oleh variasi dalam seberapa keras setiap ucapan diucapkan.
• Konsonan nyaring seperti sengau ([ ]) dan konsonan lateral akan sangat mirip dengan vokal, tetapi amplitudonya lebih
rendah dan kompleksitasnya biasanya lebih sedikit.
• Perhentian bersuara ([ ]) juga bersifat periodik, tetapi memiliki amplitudo yang jauh lebih rendah (suara
pembukaan dan penutupan pita suara “berdetak” melalui saluran suara yang tertutup). Mereka biasanya akan
mengalami ledakan sementara pada saat penutupan dilepaskan ke dalam vokal. Dalam bahasa Inggris
Amerika, energi periodik di [b, d, g] sering kali mereda selama penutupan, kecuali penghentian tersebut
terjadi di antara bunyi-bunyi bersuara lainnya.
• Frikatif tak bersuara tidak memiliki pola berulang, tetapi muncul sebagai derau acak. Frikatif nyaring ([s], [ ])
akan mempunyai amplitudo yang tinggi, seperti pada [ ]. Frikatif non-strident (seperti [θ]) mungkin memiliki
amplitudo yang sangat rendah, dan mungkin sulit dibedakan dari voiceless stop, terutama jika SNR-nya tidak
bagus. Salah satu petunjuknya adalah frikatif tidak diikuti dengan ledakan.
• Perhentian tanpa suara mudah dikenali: berhenti tanpa suara selama fase penutupan (tidak ada amplitudo) sehingga
muncul dalam bentuk gelombang sebagai garis datar (modulo kebisingan latar belakang). mereka akan
130 Melihat SPeeCh

S P

P H

Gambar 7.8Bentuk gelombang 200 ms dari [m ], [d ], [sp ], [halH]Dan [z ].

biasanya diikuti dengan ledakan. Perhentian aspirasi akan diikuti dengan suara aspirasi.
Perhatikan bahwa /p/ di [ ] disedot dan /p/ di [ ] tidak.
• Frikatif bersuara menggabungkan periodisitas dan kebisingan. Seperti halnya penghentian bersuara, periodisitasnya
mungkin hilang menjelang akhir konsonan.

Perhatikan bahwa perbesaran bentuk gelombang yang luas diperlukan untuk memilih detailnya: the
bentuk gelombang pada Gambar 7.8 masing-masing hanya ditampilkan1 5sedetik. Dalam melihat bagian yang lebih panjang
bentuk gelombang, jenis segmen yang berbeda biasanya dapat dipilih berdasarkan perbedaan
amplitudo, seperti pada Gambar 7.9, di mana segmen yang berbeda telah ditandai dalam file
berdurasi dua detik. Program analisis ucapan harus memudahkan untuk memperbesar dan
memperkecil perbesaran yang berbeda. Tugas menandai segmen disebut, cukup beralasan,
segmentasi. Ucapan khusus ini dipilih karena penanda antar segmen, seperti titik penutupan dan
pelepasan, akan mudah untuk diketahui, namun hal ini tidak selalu terjadi. Seseorang tidak bisa
 Melihat SPeeCh 131

H Saya
M e B ASAYA P H e P M æ P F RMB B Saya

0 0,5 1 1.5 2
detik

Gambar 7.9bentuk gelombang tersegmentasi, berdurasi 2 detik: “dia mungkin membeli peta kertas dari Bobby.”

tandai suatu titik waktu, misalnya, di mana diftong berubah dari [a] menjadi [ ]. Ada perubahan bertahap
pada posisi lidah, dan dengan demikian terjadi perubahan bertahap pada bentuk gelombang.
Salah satu jenis informasi yang paling berguna yang dapat diperoleh dari representasi bentuk
gelombang adalah durasi peristiwa bicara yang berbeda: berapa panjang vokal, penutupan konsonan,
ledakan? Perbedaan antara konsonan yang disedot dan tidak disedot terletak pada perbedaannya waktu
permulaan suara (VOT): lamanya waktu antara keluarnya konsonan dan timbulnya periodisitas vokal. Pada
Gambar 7.7, VOT untuk in [ ] adalah 76ms dan VOT untuk in [ ] adalah 11ms. Meskipun langkah-langkah ini
penting, sangat sulit untuk menentukan kualitas segmen yang tepat dari suatu bentuk gelombang.
Walaupun tanda berhenti terlihat berbeda dengan bentuk hidung, yang terlihat berbeda dengan huruf
vokal, kita tidak bisa serta merta membedakan a [b] dari a [d], [n] dari [l], atau [e] dari [o]. Untuk
menganalisis kualitas segmen diperlukan analisis spektral.

7.4 spektrum

Seperti yang telah dibahas pada Bab 6, gelombang kompleks, seperti bunyi vokal, dapat dipahami
sebagai jumlah sejumlah sinusoid sederhana. Itukualitassuara ([e] vs. [o], misalnya) bergantung
pada frekuensi dan amplitudo relatif dari komponen sinusoidal yang berbeda. Analisis spektral
memungkinkan kita mengukur, memvisualisasikan, dan menganalisis frekuensi komponen ini, dan
dengan demikian mengukur, memvisualisasikan, dan menganalisis detail kualitas suara.
Beberapa algoritma untuk melakukan analisis spektral dibahas lebih rinci di Bagian 8.2.3 dan 8.2.4 di
hal. 167. Pada dasarnya, semuanya melibatkan analisis sinyal secara matematis untuk mencapai apa yang
dilakukan filter elektronik dalam spektograf suara: untuk menguji kekuatan frekuensi berbeda yang
mungkin ada. Dalam bab ini, kita menganggap matematika sebagai hal yang biasa, dan memeriksa
hasilnya, dengan tujuan memahami bagaimana komponen frekuensi yang berbeda menentukan kualitas
suara yang berbeda.

7.4.1 spektrum sumber glotal

Getaran pita suara merupakan gerakan yang kompleks. Ada siklus yang mendasari pembukaan dan
penutupan: frekuensi fundamental. Namun di atas gerakan siklik fundamental ini terdapat riak-riak yang
lebih kecil, sehingga menghasilkan gerakan yang lebih kompleks.
132 Melihat SPeeCh

0,1

– 0,1
0 0,01 0,02 0,03 0,04
detik

Gambar 7.10Bentuk gelombang penyuaraan, perkiraan bentuk gelombang glotal.

Bentuk gelombang sebenarnya dari getaran glotal, perubahan tekanan yang akan diukur oleh
mikrofon jika dipegang langsung di atas pita suara, sebelum gelombang melewati saluran suara,
terlihat seperti Gambar 7.10. (Bentuk gelombang ini sebenarnya diambil dari suara yang
disuarakan selama [b].)
Bentuknya mendekati gelombang “gigi gergaji”: kemiringan yang curam, sesuai dengan peningkatan
tekanan ketika pita suara dibuka, diikuti dengan penurunan yang lebih bertahap, sesuai dengan
tarikannya oleh efek Bernoulli. Polanya jelas bersifat periodik. Dengan melihat gambar tersebut, Anda
seharusnya dapat memperkirakan periode satu siklus pembukaan dan penutupan, dan juga frekuensi
dasar pengeras suara, dengan menggunakan rumus F = 1/P. (Anda juga harus dapat menggunakan
informasi tersebut untuk menentukan apakah pembicaranya kemungkinan besar adalah pria atau
wanita.)
Gelombang gigi gergaji, seperti gelombang kompleks lainnya, dapat dianalisis sebagai jumlah
dari sekumpulan komponen sinusoidal (harmonik). Seperti yang dibahas pada Bab 6, grafik
frekuensi dan amplitudo komponen sinusoidal ini, dengan frekuensi pada sumbu x dan amplitudo
pada sumbu y, disebut spektrum.
Dalam sistem yang bergetar terus-menerus, struktur harmoniknya tidak acak. Latar belakang
dan rumus lebih lanjut diberikan di Bagian 8.1.2 di hal. 153. Di sini, penting untuk diketahui bahwa,
karena sifat fisika sistem getar, frekuensi harmonik getaran pita suara akan selalu terjadi pada
kelipatan bilangan bulatdari frekuensi dasar. (Pada dasarnya, periode setiap sub-getaran harus
sesuai dengan periode dasar: lihat Bagian 8.1.2 di halaman 153.) Jadi, jika suatu suara mempunyai
frekuensi dasar 100Hz, harmonik akan terjadi pada 200Hz, 300Hz, 400Hz, dan seterusnya. Suara
dengan F0 210Hz memiliki harmonik pada 420Hz, 630Hz, 840Hz, dan seterusnya. Selanjutnya,
dalam getaran pita suara, ketika frekuensi harmonik meningkat, amplitudonya perlahan-lahan
berkurang: setiap kali frekuensinya digandakan , sekitar 6 dB energi hilang.
Grafik frekuensi komponen ini adalah spektrum gelombang glotal. Spektrum glotal ideal untuk
gelombang seperti pada Gambar 7.10 (dengan asumsi bahwa siklus berlanjut untuk waktu yang
lama tanpa perubahan apa pun dari periode ke periode, suatu kondisi yang tidak terpenuhi di
dunia nyata) ditunjukkan pada Gambar 7.11. Setiap garis menunjukkan harmonik pada frekuensi
tertentu, dan tinggi garis menunjukkan amplitudonya. Karena fisika getaran pita suara pada
dasarnya sama dari orang ke orang, spektrum glotal apa pun akan memiliki bentuk kira-kira
seperti ini: komponen frekuensi dalam kelipatan bilangan bulat dengan amplitudo yang menurun
secara bertahap.
Seperti yang dapat Anda simpulkan dari Gambar 7.10, F0 speaker adalah sekitar 200Hz
(periode sekitar 0,005 detik), tipikal suara wanita. Jadi, pada Gambar 7.11, kita menemukan
harmonik pada kelipatan bilangan bulat F0: 200, 400, 600, dst.
Gambar 7.12 menunjukkan spektrum ideal untuk suara dengan F0 100 Hz. Bentuk
keseluruhan spektrumnya sama, tetapi harmonik ditemukan pada kelipatan 100Hz, bukan
200Hz.
 Melihat SPeeCh 133

100
90
80
70
60
amplitudo

50
40
30
20
10
0
00

00

00

00

00

00

00

00
00

00
0

0
0
0

0
20

40

60
80

00
10

12

14

16

18

20

22

24
26

28

30
frekuensi

Gambar 7.11perkiraan spektrum bentuk gelombang glotal pada Gambar 7.10.

100
90
80
70
60
amplitudo

50
40
30
20
10
0
00

00

00

00

00

00

00

00
00

00
0

0
0
0

0
20

40

60
80

00
10

12

14

16

18

20

22

24
26

28
30

frekuensi

Gambar 7.12perkiraan spektrum bentuk gelombang glottal yang berbeda, dengan F0 lebih rendah.

Saat melihat spektrum, penting untuk diingat bahwa jarak harmonik bergantung pada F0.
Itulebih rendahsuaranya, itulebih padatharmonik. Terdapat dua kali lebih banyak harmonik
di bawah 3000Hz untuk suara dengan F0 100Hz dibandingkan suara dengan F0 200Hz.
Saat membandingkan spektrum, laju penurunan amplitudo harmonik (derajatkemiringan spektral) mencerminkan perbedaan

kualitas suara. Kualitas suara yang berderit (dengan perubahan glotal yang lebih kecil dan tiba-tiba) memiliki lebih banyak energi

dalam harmonik yang lebih tinggi (kemiringan spektral yang lebih sedikit.) Kualitas suara yang bernafas menyebabkan hilangnya

energi yang lebih besar, dan dengan demikian kemiringan spektral yang lebih besar.

Perlu dicatat bahwa suara perempuan mempunyai posisi yang sangat dirugikan jika dikaitkan dengan
analisis spektral. Dengan F0 yang biasanya lebih tinggi, harmonik yang ada lebih sedikit, dan dengan
breathiness yang lebih banyak, harmonik yang ada mungkin memiliki amplitudo yang lebih rendah,
terutama pada frekuensi yang lebih tinggi. Kami membahas faktor-faktor ini ketika berinteraksi dengan
resonansi saluran vokal di bagian 7.4.3. Pertama, Bagian 7.4.2 beralih ke sumber suara aperiodik.
134 Melihat SPeeCh

100
90
80
70
60

amplitudo
50
40
30
20
10
0
0 500 1000 1500 2000 2500 3000
frekuensi

Gambar 7.13Spektrum kebisingan putih.

40 7.4.2 spektrum sumber kebisingan

Kebisingan putihadalah bunyi aperiodik yang variasi

tekanannya benar-benar acak. Radio statis adalah salah
satu contoh dunia nyata. Spektrum sumber derau putih
adalah datar: semua frekuensi hadir secara merata,
seperti yang digambarkan pada Gambar 7.13. Karena
tidak ada pola berulang tertentu yang dapat dipilih
0
sebagai komponen harmonik, grafiknya tidak digambar
0 1000 2000 3000 4000 5000 6000 7000 8000 9000 104
frekuensi dengan batang, tetapi dengan garis terhubung di
semua frekuensi. Amplitudo dalam grafik dipilih secara
acak. Amplitudo sumber sebenarnya akan bergantung
40
pada intensitas sinyal: menaikkan atau menurunkan
volume radio.
Namun, tidak semua kebisingan berwarna “putih”. Spektrum
mungkin memiliki konsentrasi kebisingan dengan amplitudo
yang lebih tinggi di wilayah ruang frekuensi tertentu. Gambar
7.14 menunjukkan spektrum [s] dan [ ]. Seperti halnya white
noise, tidak ada struktur harmonis, sehingga spektrum
0 ditampilkan sebagai grafik garis, bukan grafik batang. Namun
0 1000 2000 3000 4000 5000 6000 7000 8000 9000 104
spektrumnya tidak datar: [s] memiliki konsentrasi energi
frekuensi
amplitudo lebih tinggi di wilayah 6000Hz, sedangkan [ ] memiliki

Gambar 7.14Spektrum [s] (atas) dan [ ] (bawah). energi amplitudo lebih tinggi di wilayah 3000Hz. Jadi [s]
terdengar bernada lebih tinggi daripada [ ]
(meskipun istilah "nada" digunakan secara longgar jika menyangkut bunyi aperiodik). Perbedaan
spektral tersebut mencirikan bunyi frikatif yang berbeda.
Suara sementara – bunyi klik dan ledakan yang disebabkan oleh perubahan tekanan udara secara tiba-tiba –
juga merupakan bagian penting dari sinyal ucapan. Seperti frikatif, transien bersifat aperiodik, dan mungkin
memiliki energi yang terkonsentrasi di wilayah frekuensi berbeda.
 Melihat SPeeCh 135

Getaran pita suara atau bunyi frikatif atau semburan aperiodik dapat menjadi sumber
energi bagi bunyi ujaran. Namun, suara-suara ini tidak membuatnya keluar dari mulut tanpa
perubahan. Mereka disaring oleh resonansi saluran vokal.

7.4.3 spektrum vokal

Udara di saluran vokal menyaring getaran sumber bunyi. Seperti telah dijelaskan pada Bab
6, setiap benda mempunyai frekuensi resonansi tertentu: frekuensi getaran benda jika
diberikan energi. Frekuensi resonansi suatu benda bergantung pada karakteristik fisiknya.
Untuk ayunan atau pendulum lainnya, frekuensinya ditentukan oleh panjang tali; untuk
gong, berdasarkan massa dan ketebalan logam yang bergetar. Untuk kolom udara,
karakteristik yang penting adalah panjang kolom.
Pita suara yang bergetar menyalurkan energi ke udara di saluran suara pada berbagai
frekuensi harmonik. Beberapa frekuensi ini akan cocok atau mendekati frekuensi resonansi
bentuk saluran vokal tertentu yang diasumsikan pada saat itu. Frekuensi resonansi tersebut (
forman) akan diperkuat ketika gelombang berulang saling memperkuat. Frekuensi yang
dihasilkan oleh pita suara yang tidak mendekati frekuensi resonansi saluran suara akan
teredam – energinya akan tersebar secara acak. Jadi saluran vokal merupakan penyaring.
Yang penting, ini adalah filter bergerak. Ketika bentuk lidah dan bibir bergerak, frekuensi formant pun
berubah. Dalam suatu spektrum, frekuensi formant terlihat sebagai puncak yang luas: area dengan
amplitudo lebih tinggi yang melapisi struktur harmonik yang mendasarinya. Ingat: harmonik adalah hasil
kali sumber pita suara, yang terjadi pada kelipatan bilangan bulat dari nada dasar. Forman adalah produk
dari filter saluran vokal, yang memperkuat harmonik tertentu dengan mengorbankan harmonik lainnya.
Bentuk spektral keseluruhan merupakan hasil interaksi harmonisa dan forman.

Ada beberapa model berbeda tentang bagaimana frekuensi formant diturunkan: lihat Bagian
8.1.3 dan 8.1.4 pada halaman 156 dan 159 untuk pembahasan dan rumus lebih [Link] tabungBayangkan
saluran vokal sebagai serangkaian tabung yang terhubung dengan panjang berbeda, yang masing-masing
memiliki sifat resonansi [Link] gangguanbayangkan sebuah tabung panjang, lalu jelaskan efek
penyempitan tabung tersebut di lokasi yang berbeda. Dalam bab ini, kita akan mengasumsikan model tabung
sederhana. Misalnya, seseorang mungkin menganggap rongga mulut sebagai satu saluran dan faring sebagai
saluran lainnya: suara apa pun yang menaikkan badan lidah dan dengan demikian secara efektif memanjangkan
faring akan menyebabkan resonansi saluran faring menurun (karena lebih panjang = lebih rendah). Pada vokal [i],
posisi lidah depan yang tinggi menciptakan sebuah tabung kecil di depan mulut (di atas lidah), dan sebuah tabung
panjang di belakang mulut (di belakang lidah), menciptakan sebuah tabung tinggi. dan satu frekuensi resonansi
rendah. Sebaliknya, vokal /u/ menggerakkan badan lidah ke belakang, menciptakan dua tabung panjang yang
kira-kira sama panjangnya, dan dengan demikian dua frekuensi resonansi yang serupa dan cukup rendah.

Sumber kebisingan dapat disaring dengan cara yang sama, meskipun suara keluarannya akan bersifat
aperiodik, bukan periodik. Inilah yang terjadi pada bisikan: saluran vokal meneruskan kebisingan
mendekati frekuensi tertentu, bukan getaran periodik. Kebisingan ledakan juga dapat disaring. Coba
ucapkan [ ] dan [ ]. Dapatkah Anda mendengar suara ledakan [k] bernada lebih rendah dibandingkan
suara [t]? Salah satu alasannya adalah tabung udara di depan [k] lebih panjang dibandingkan di depan [t],
sehingga menciptakan filter frekuensi lebih rendah.
Di sini, kami berkonsentrasi pada pola spektral yang diamati untuk bunyi vokal yang berbeda. Ada
hubungan yang diketahui antara pola spektral dan bentuk saluran vokal.
Gambar 7.15 menunjukkan spektrum dari tiga vokal berbeda: [æ], [ ], dan [i], berasal dari kata “map,”
“Bob(by),” dan “he” dalam ucapan yang digambarkan sebagai bentuk gelombang pada Gambar 7.9 . Ini adalah
spektrum sebenarnya, bukan spektrum ideal, jadi hal pertama yang perlu diperhatikan adalah harmonik tampak
sebagai puncak sempit, bukan garis tunggal. Karena sinyal yang dianalisis tidaklah invarian sempurna
136 Melihat SPeeCh

F1 F2 F3 juga tidak sepenuhnya bebas dari kebisingan, dan dibatasi baik dalam waktu
50 (sekitar 200ms untuk setiap vokal) dan frekuensi (pada batas Nyquist 22,5 K),
algoritma analisis spektral (Transformasi Fourier Cepatdalam hal ini) dapat
40
mempersempit setiap nilai frekuensi hanya pada rentang yang sempit, bukan

30 pada satu titik. Seperti pada spektrum yang ditunjukkan di atas, frekuensi
(dalam Hz) berada pada sumbu x, dan amplitudo (dB) pada sumbu y. Analisis
20 akan menemukan harmonik hingga batas Nyquist, tetapi hanya 4000 Hz
pertama yang ditampilkan dalam grafik, karena ini adalah rentang pembedaan
10
vokal. Perhatikan bahwa waktu (ms) adalahbukandirepresentasikan dalam
0 sebuah spektrum. Frekuensi dan amplitudo yang diwakili dirata-ratakan selama
0 1000 2000 3000 4000 periode waktu yang dianalisis: dalam kasus ini sebagian dari vokal yang relatif
Hz stabil.
Pertama, perhatikan jarak harmonik yang teratur. Jika Anda menghitung
puncak individu pada spektrum pertama, Anda akan melihat bahwa ada 10
F1 F2 F3
50 puncakthharmonik sama dengan sekitar 2000Hz, memberikan F0 sebesar
200Hz. (Ini adalah cara yang efisien untuk membaca F0 dari suatu spektrum.)
40
F0 pada spektrum kedua hampir sama. Bagaimana dengan yang ketiga? Pada

30 spektrum ketiga, harmonik diberi jarak lebih jauh, dan harmonik ke-10
mendarat pada frekuensi sekitar 2800Hz, untuk F0 280Hz. Karena kita tahu
20 bahwa semua vokal ini berasal dari penutur yang sama dalam ucapan yang
sama, kita dapat menyimpulkan bahwa suaranya lebih tinggi di awal ucapan
10
daripada di akhir, dan/atau ada penekanan pada kata “he .”

0
0 1000 2000 3000 4000 Sekarang perhatikan perbedaan bentuk spektral untuk setiap vokal. Di dalam
Hz dalam setiap kasus, penurunan spektral halus dari spektrum glotal
telah diubah, dengan puncak lebar terdorong ke atas di area
berbeda. Lokasi puncak-puncak ini dipertegas dengan
F1 F2 F3
50 penggambaran garis padat melintasi puncak masing-masing
Saya harmonik. Puncak yang luas ini adalah forman. Pada setiap spektrum,
40 tiga puncak pertama diberi label: F1, F2, F3 (untuk forman 1, 2, 3).
Hubungan antara lokasi tiga formant pertamalah yang paling
30
menentukan kualitas suara yang dirasakan.
20 Perhatikan bahwa, saat kita berpindah dari [æ] ke [ ] ke [i], frekuensi forman
pertama berkurang: F1 adalah sekitar 900Hz untuk [æ], 600Hz untuk [ ] dan
10 300Hz untuk [i]. Hubungan umum ini berlaku secara konsisten:F1 berbanding
terbalik dengan tinggi vokal. F1 tinggi untuk vokal rendah, dan rendah untuk
0
0 1000 2000 3000 4000 vokal tinggi. Nilai pastinya akan berbeda dari satu pembicara ke pembicara

Hz lainnya, karena tidak ada dua saluran vokal yang identik, tetapi nilai-nilai ini
khas untuk suara wanita; dan untuk speaker mana pun, F1 untuk [i] akan lebih
Gambar 7.15 Spektrum untuk [æ], [ ], dan [i]. rendah dari F1 untuk [æ]. Dalam model tabung, F1 untuk banyak vokal
berhubungan dengan kolom udara di faring: saat badan lidah bergerak ke atas,
tabung faring diperpanjang secara efektif, dan frekuensi resonansi turun.
Sekarang perhatikan jarak antara F1 dan F2. Jarak kedua forman sangat berjauhan
[i], sangat berdekatan (hampir tidak dapat dibedakan) untuk [ ], dan perantara untuk [æ].
Hubungan ini juga konsisten:jarak antara F1 dan F2 berbanding terbalik dengan
keterbelakangan vokal. Semakin ke belakang vokalnya, semakin dekat F1 dan F2; semakin
depan vokalnya, semakin jauh jarak F1 dan F2. Menggerakan badan lidah ke belakang
cenderung menyamakan ruang di depan lidah (resonansi F2) dan ruang di belakang lidah
(resonansi F1).
Terakhir, pembulatan bibir cenderung menurunkan semua forman (secara efektif memanjangkan seluruh
saluran vokal), terutama F2 dan F3 (resonansi rongga depan). Jadi dukungan dan pembulatan miliki
 Melihat SPeeCh 137

memperkuat efek akustik: keduanya menurunkan F2. Hal ini F2 - F1 (Hz)

menjelaskan kecenderungan lintas bahasa untuk vokal belakang 2500 2000 1500 1000 500 0
0
berbentuk bulat dan vokal depan tidak bulat. Membulatkan vokal
100
depan akan menurunkan F2, mendekatkan F2 dan F1, membuat
vokal terdengar lebih ke belakang; dan membatalkan
200
Saya
pembulatan vokal belakang akan menaikkan F2, membuat vokal 300
kamu
terdengar lebih depan. Vokal [y] dan [ ] memiliki spektrum 400

F1 (Hz)
akustik yang serupa, sedangkan [i] dan [u] memiliki nilai F2 pada 500
e Hai
ujung rentang yang berlawanan. 600
Grafik F1 dan F2–F1 menunjukkan bagaimana vokal 700
didistribusikan dalam ruang yang ditentukan oleh dimensi A 800
punggung dan tinggi. Grafik F2–F1 pada sumbu x dan F1 pada
900
sumbu y (dengan titik asal di kanan atas) menghasilkan grafik
1000
ruang vokal yang sebanding dengan bagan yang dibuat
berdasarkan kualitas pendengaran saja, relatif terhadap vokal
Gambar 7.16 grafik ruang vokal Jepang.
utama ( lihat Bab 4). Bagan tersebut, baik pendengaran

F1

F2

F3
maupun akustik, secara kasar memperkirakan posisi badan
lidah. Gambar 7.16 menunjukkan grafik vokal bahasa Jepang
yang dihasilkan oleh penutur wanita. Perhatikan bahwa grafik
ini menegaskan kesan pendengaran bahwa /u/ bahasa Jepang
dapat ditranskripsikan secara lebih sempit sebagai [ ]. 50

Jadi spektrum merupakan representasi yang sangat 40

berguna, memungkinkan ahli fonetik membedakan kualitas
30
vokal yang berbeda, serta informasi F0. Namun kelemahannya
telah disebutkan: tidak ada waktu dalam representasi. Karena
20
bunyi ujaran berubah begitu cepat, ahli fonetik sering kali
tertarik untuk melihat bagaimana kualitas spektral berubah 10
seiring waktu. Tentu saja seseorang dapat memeriksa
serangkaian spektrum. Namun, untuk dapat melihat perubahan 0
0 1000 2000 3000 4000
amplitudo sekumpulan frekuensi terhadap waktu dalam satu
Hz
grafik, kita memerlukan grafik dengan tiga dimensi: satu untuk
waktu, satu untuk frekuensi, dan satu lagi untuk amplitudo. Gambar 7.17 Spektrum [i] dengan frekuensi pada sumbu y, dan amplitudo

Grafik seperti ini disebut aspektogram. diwakili dengan bayangan. Frekuensi formant muncul sebagai kotak gelap.

7,5 spektogram
Dalam spektogram, waktu ditampilkan pada sumbu x dan frekuensi pada sumbu y. Amplitudo frekuensi tertentu
pada waktu tertentu diwakili oleh warna, atau dalam cetakan hitam putih, kegelapan. Gambar 7.17 menunjukkan
spektrum [i] dari Gambar 7.15 diputar pada sisinya, sehingga frekuensi berada pada sumbu y, dengan frekuensi
yang lebih tinggi berada di bagian atas. Selain itu, skala kegelapan telah ditambahkan, untuk mewakili amplitudo
yang berbeda. Amplitudo lebih dari 35dB ditampilkan sebagai hitam, antara 25 dan 35dB sebagai abu-abu gelap,
15 hingga 25 sebagai abu-abu terang, dan setiap amplitudo di bawah 15dB sebagai putih. Kolom kotak di sebelah
kiri kemudian mewakili, dalam pita warna, informasi dalam spektrum. F1 (sekitar 300Hz), F2 (2800Hz) dan F3
(3800Hz) muncul sebagai kotak gelap.
Untuk menambah waktu pada representasi, yang diperlukan hanyalah mengambil informasi spektral pada
interval berulang, dan membuat grafik kolom tambahan untuk setiap interval, seperti yang ditunjukkan pada
Gambar 7.18. Ini mungkin mewakili diftong [ ]. Pada waktu t1, F1 tinggi dan F2 rendah, menunjukkan vokal
punggung bawah. Seiring waktu, saat badan lidah bergerak ke atas dan ke depan, F1 turun dan
138 Melihat SPeeCh

F2 meningkat, hingga pada saat t6, pola khas untuk [i] telah tercapai. Perubahan pola
resonansi, yaitu gerakan formant, dapat ditelusuri sebagai garis gelap. Gambar 7.18 adalah
skema spektogram.
Spektogram nyata, dibuat dalam program analisis sinyal Praat, dari urutannya
[ ] (“beli ap[aper],” Gambar 7.9) ditunjukkan pada Gambar 7.19. Tata cara pembuatannya
spektogram pada dasarnya sama dengan diagram pada Gambar 7.17 dan 7.18. Spektrum diambil pada
interval berulang (dalam kasus Gambar 7.18 setiap 5 ms), dan amplitudo energi dalam pita frekuensi
berbeda dihitung. Ketika informasi dari spektrum sekuensial digambarkan dalam grafik dari waktu ke
waktu, dengan amplitudo dikodekan sebagai kegelapan, forman (wilayah dengan energi amplitudo tinggi)
muncul sebagai garis-garis gelap yang bergerak seiring waktu, mencerminkan perubahan frekuensi
resonansi seiring dengan perubahan posisi artikulator saluran vokal. Garis F2 bergerak bertahap dari
sekitar 1500Hz pada waktu 50ms, yang menunjukkan pusat [a], ke 2400 pada 200ms, yang menunjukkan
depan [ ], lalu turun lagi menjadi sekitar 1700Hz, yang menunjukkan [ ]. Area putih di awal dan akhir
berhubungan dengan penutupan stop, ketika tidak ada energi amplitudo tinggi dalam sinyal.
Spektogram jenis ini disebut apita lebaratauspektogram pita lebar, karena frekuensi
formant muncul sebagai pita lebar. Dalam spektogram pita lebar, spektrum diambil
dari “jendela” sinyal ucapan yang sangat pendek pada interval yang
sering, sehingga perubahan yang terjadi dalam periode waktu yang
sangat singkat dapat terlihat jelas. Misalnya, ledakan saat pelepasan
F3 [b] muncul sebagai garis energi sekitar 30 ms. Setiap lurik vertikal
berhubungan dengan periode getaran pita suara (satu ketukan
energi suara). Garis vertikal tidak beraturan antara 200 dan 250ms
menunjukkan glottalisasi, getaran pita suara tidak beraturan, antara
“beli” dan “a.”
Jika “jendela” yang lebih besar dengan interval yang lebih jarang
F2
digunakan, hasilnya adalah aspektogram pita sempit, seperti yang
ditunjukkan pada Gambar 7.20. Spektogram ini merupakan sampel
ucapan yang sama persis seperti pada Gambar 7.19. Anda harus bisa
F1 memilih pola formant yang sama. Dengan mengambil sampel yang lebih
besar untuk setiap spektrum, informasi frekuensi yang lebih akurat dapat
dihitung: dalam spektogram pita sempit, harmonik individual dapat
t1 t2 t3 t4 t5 t6 t7 t8
dibedakan. (Pada waktu 150ms, misalnya, harmonik ke-10 berada pada
Gambar 7.18 spektogram skema [SAYA]. 2500Hz.) Dimensi waktu kurang tepat,

4000

3000

2000
Hz

1000

0
0 0,05 0,1 0,15 0,2 0,25 0,3 0,35
detik

Gambar 7.19spektogram pita lebar dari urutan [bai p] dari ucapan pada Gambar 7.9.
e
 Melihat SPeeCh 139

4000

3000

2000

1000

0
0 0,05 0,1 0,15 0,2 0,25 0,3 0,35
detik

Gambar 7.20spektogram pita sempit dari ucapan yang sama seperti pada Gambar 7.18.

5000

4000

3000
Hz

2000

1000

0
0 0,5 1 1.5 2 2.5 3
detik

Gambar 7.21Spektogram dari kata-kata bahasa Inggris Amerikamanik, tawaran, bayed, tempat tidur, buruk.

namun: semburan, glotalisasi, dan transisi antara vokal dan berhenti tidak lagi terlihat. Karena
tujuan penggunaan spektogram dibandingkan spektrum adalah untuk menyelidiki perubahan
seiring berjalannya waktu, spektogram pita lebar lebih umum digunakan.
Gambar berikut mengilustrasikan pola spektrografi yang khas untuk bunyi (bahasa Inggris) yang
berbeda.
Spektogram pita lebar dari kata bahasa Inggris “bead, bid, bayed, bed, bad” ditunjukkan pada Gambar 7.21.
Perhatikan bagaimana F1 menjadi lebih tinggi ketika vokal semakin rendah, dan F2 menjadi lebih rendah ketika
lidah bergerak semakin ke belakang. (Masing-masing vokal ini dihitung sebagai vokal “depan”, karena masing-
masing memiliki padanannya jauh di belakang, namun spektogram menunjukkan bahwa tidak semua vokal
tersebut memiliki derajat ke depan lidah yang sama.) Pergerakan F2 selama “bayed” menegaskan sifat diftongisasi
vokal bahasa Inggris ini.
Gambar 7.22 menunjukkan vokal belakang pada kata “booed, book, boat, buy, body, bud.” Dua formant
pertama lebih berdekatan satu sama lain dibandingkan kata mana pun pada Gambar 7.21. (Bandingkan suku kata
pertama dan kedua dari “body”, antara waktu 2 dan 2,5 detik. Spasi putih di antara keduanya adalah penutup
untuk [d], yang selama itu hanya ada suara frekuensi rendah yang samar-samar.
140 Melihat SPeeCh

5000

4000

3000
Hz

2000

1000

0
0 0,5 1 1.5 2 2.5 3
detik

Gambar 7.22Spektogram dari kata-kata bahasa Inggris Amerikadicemooh, buku, perahu, dibeli, badan, kuncup.

Tabel 7.3Isyarat formant ke tempat artikulasi konsonan.

Artikulasi Isyarat transisi formal Koneksi yang masuk akal

Suara berhenti F1 lebih rendah Menurunkan laring sebagai persiapan untuk

menyuarakan akan memanjangkan faring

Labial Turunkan semua formant terutama F2 dan F3 Saluran vokal memanjang, terutama
(mirip pembulatan) rongga anterior

Alveolar F2 yang relatif tinggi (1600–2000Hz) Menaikkan bagian depan lidah membuat

rongga bagian depan mengecil

Velar F2 dan F3 saling mendekat: “velar Rongga depan dan belakang seimbang

pinch”

Palatal Naikkan F2, F3, dan F4 (mirip dengan [i]) Penyempitan seluruh bagian depan
rongga mulut

Retrofleksi F3 lebih rendah Rongga sub-lingual besar (area di bawah

lidah)

faring Naikkan F1 (mirip vokal rendah) Penyempitan di bagian belakang mulut

memperpendek faring

energi, yang menunjukkan suara.) Anda juga dapat mencatat beberapa ciri khas vokal
bahasa Inggris: [u] tidak terlalu mundur (F1 dan F2 relatif berjauhan), dan [ ],
seperti [ ], diftong. (Untuk pembicara ini, vokal dalam “membeli” juga diftong.)
Anda mungkin juga memperhatikan gerakan forman di dekat awal dan akhir vokal. Dalam “bud”, misalnya, F1
berbentuk busur, bukan datar, dan F2 mengalami kenaikan tajam di bagian akhir. Perubahan ini disebabkan oleh
pengaruh konsonan di sekitarnya, seiring dengan pergerakan artikulator menuju penutupan yang berbeda.
Karena umumnya hanya ada sedikit energi selama penyempitan konsonan yang sebenarnya, maka ini transisi
formanmasuk dan keluarnya penutupan konsonan memberikan isyarat penting, baik dalam analisis akustik
maupun mendengarkan secara nyata, terhadap identitas konsonan, khususnya tempat artikulasi.
Beberapa petunjuk penting mengenai tempat artikulasi dirangkum dalam Tabel 7.3. Untuk setiap
isyarat, terdapat hubungan yang masuk akal antara gerakan artikulator dan resonansi saluran vokal
(tabung). Tidak mungkin membuat korespondensi satu-satu antara rongga saluran vokal
 Melihat SPeeCh 141

dan nomor forman: setiap “tabung” mempunyai lebih dari satu resonansi, dan resonansi
mana yang rongganya paling rendah atau paling tinggi bergantung pada banyak faktor dan
interaksi. Lihat referensi di akhir bab untuk informasi lebih lanjut dan perhitungan yang lebih
tepat.
Beberapa isyarat ini diilustrasikan pada Gambar 7.23, spektogram dari kata “bab, dad, gag.”
Bentuk F1 yang melengkung disebabkan oleh bunyi konsonan. Perbedaan F2 dan F3 mengkodekan
tempat konsonan: miring ke bawah untuk [b], datar untuk [d] (F2 menunjuk ke 2000Hz), saling
menempel untuk [g]. Pada vokal belakang yang F2nya rendah, akan terjadi peningkatan tajam
pada F2 menjadi konsonan velar atau alveolar, seperti pada Gambar 7.22. Oleh karena itu, jika
Anda mengukur formant vokal, Anda harus berada sejauh mungkin dari velar dan alveolar.
Konsonan nyaring memiliki resonansi mirip vokal, tetapi amplitudonya lebih rendah. Meluncur [j] dan
[w] terlihat seperti [i] dan [u] dengan amplitudo rendah, seperti yang ditunjukkan pada Gambar 7.24. Perhatikan bagaimana semuanya semakin tinggi

5000

4000

3000

2000

1000

0
0 0,4 0,8 1.2 1.6
detik

Gambar 7.23“Bab, ayah, muntah.”

5000

4000

3000
Hz

2000

1000

0
0 0,3 0,6 0,9 1.2 1.5
detik

Gambar 7.24 “ya, cambuk.”

142 Melihat SPeeCh

5000

4000

Hz 3000

2000

1000

0
0 0,3 0,6 0,9 1.2 1.5
detik

Gambar 7.25“robekan, bibir, gigitan.”

forman menyapu ke atas untuk [j], sedangkan F2 menukik untuk [w]. Karena luncuran tidak melibatkan
penutupan atau perubahan suara, tidak ada diskontinuitas yang tajam antara vokal dan luncuran.
Perkiraan rhotic bahasa Inggris juga tidak memiliki diskontinuitas yang tajam. Tanda spektralnya
adalah F3 yang sangat rendah, seperti diilustrasikan pada Gambar 7.25. Konsonan lateral dan sengau
mungkin lebih mudah dikenali sebagai konsonan terpisah, namun lebih sulit dibedakan satu sama lain.
Khusus untuk suara sengau, sering muncul pola resonansi yang berbeda dengan vokal di sekitarnya.
Hidung akan menimbulkan resonansi ekstra dari rongga hidung, seringkali di area 200Hz dan 2500Hz.
Interaksi dengan resonansi hidung juga dapat “membatalkan” struktur formant mulut, sehingga
memperkeruh formant vokal. Lateral sering kali memiliki resonansi sekitar 1200Hz, efek dari saluran
samping.
Terakhir, frikatif muncul sebagai noise dalam spektogram. Konsisten dengan spektrum yang dibahas
dalam Bagian 7.4, mereka tidak memiliki struktur formant, namun muncul sebagai pita kebisingan
dengan konsentrasi di berbagai bagian spektrum frekuensi. Kita sering kali harus melihat frekuensi yang
lebih tinggi untuk membedakan frikatif daripada membedakan vokal dan konsonan lainnya. Akibatnya,
rentang frekuensi pada Gambar 7.26 telah disesuaikan, menunjukkan frekuensi hingga 10.000Hz
dibandingkan 5.000Hz pada gambar sebelumnya.
Gambar 7.26 menunjukkan ujaran “selempang” dan “pencuri”. Frikatif melengking [s] dan [ ] memiliki energi
keseluruhan yang lebih tinggi, sehingga tampak lebih gelap. Sekali lagi, sesuai dengan spektrum pada Gambar
7.14, [s] memiliki frekuensi tertinggi, hampir semuanya di atas 5000Hz. [ ] memiliki energi terkonsentrasi sekitar
3000Hz. Energi di [θ] dan [f] jauh lebih tersebar. Dalam praktiknya, [θ] dan [f] sangat sulit dibedakan, baik dalam
pembacaan spektogram maupun dalam persepsi ucapan sebenarnya. Ini mungkin salah satu alasan mengapa [θ]
jarang terjadi secara lintas bahasa, dan mengapa frikatif ini memiliki “beban fungsional” yang sangat ringan
dalam bahasa Inggris: sangat sedikit ucapan yang bergantung pada perbedaan antara [θ]dan [f] untuk
menyampaikan maknanya yang berbeda.

ringkasan bab
• Sebelum adanya komputer, perekaman dan analisis suara terdiri dari transfer pola analog
getaran ucapan dari udara ke media yang lebih tahan lama, seperti silinder lilin, pita magnetik,
atau penggoresan pada kertas yang diolah secara kimia.
 Melihat SPeeCh 143

104

7500

5000
Hz

2500

0
0 0,3 0,6 0,9 1.2 1.5
detik

Gambar 7.26“Sash, pencuri.”

• Perekaman digital dilakukan melalui proses pengambilan sampel, melakukan pengukuran secara
berkala. Tingkat pengambilan sampel mengacu pada seberapa sering sampel diambil, kuantisasi
seberapa tepat setiap pengukuran. Tingkat pengambilan sampel dan kuantisasi default saat ini adalah
44.100 sampel per detik pada 16 bit per sampel.
• Frekuensi tertinggi yang dapat direkam secara digital, tanpa aliasing, disebut batas
Nyquist, dan sama dengan setengah laju pengambilan sampel.
• Grafik bentuk gelombang tekanan suara berubah seiring waktu. Mereka paling berguna untuk
mengukur durasi segmen dan waktu permulaan suara (VOT).
• Grafik spektrum frekuensi dan amplitudo komponen harmonik, tetapi tidak mewakili
waktu. Mereka berguna untuk mengukur kualitas suara selama interval yang relatif
stabil.
• Harmonisa, yang terjadi pada kelipatan bilangan bulat frekuensi dasar, merupakan hasil
kali sumber glotal.
• Forman adalah puncak dalam spektrum, tempat harmonik yang berhubungan dengan
resonansi saluran vokal telah diperkuat. Tinggi F1 berbanding terbalik dengan tinggi
vokal; jarak antara F1 dan F2 berbanding terbalik dengan keterbelakangan vokal. (Lihat
Gambar 7.15, 7.21, dan 7.22.)
• Spektogram menggambarkan perubahan spektral seiring waktu.

• Transisi formant memberikan informasi tentang penyempitan konsonan. Lihat Tabel 7.3 dan
Gambar 7.23–7.26.

Bacaan lebih lanjut

Johnson, [Link] Akustik dan Auditori. Oxford: Blackwell.

Stevens, [Link] Akustik. Cambridge, MA: MIT Pers.
144 Melihat SPeeCh

latihan ulasan

1. Apa fungsi kimograf? Spektograf suara?

2. Dua puluh tahun yang lalu, ucapan secara rutin diambil sampelnya dengan kecepatan 8000 sampel per detik
dan 8 bit. Saat ini, defaultnya adalah 44.100 sampel/detik dan 16 bit. Apa yang diperoleh pada sampling
rate dan bit rate yang lebih tinggi? Apa sisi negatifnya?
3. Apa hubungan antara F1 dan tinggi vokal? Informasi spektral apa yang berkorelasi dengan
keterbelakangan vokal? Dengan pembulatan?
4. Isilah bagian yang kosong

A. Dalam suatu spektrum, ____________ berubah bergantung pada F0. (harmonik/forman)

B. Dalam suatu spektrum, _____________ berubah bergantung pada posisi lidah.
(harmonik/forman)
C. Dalam spektogram, amplitudo diwakili oleh ______. (jarak pada sumbu x/
jarak pada sumbu y/kegelapan)
D. Istilah lain untuk konversi analog ke digital adalah __________________.
(Transformasi Fourier/sampling/keluaran)
e. Jika frekuensi di atas batas Nyquist terdapat dalam sinyal digital, hal ini dapat
menyebabkan _______________. (aliasing/kliping/kuantisasi)
F. Dalam teori sumber/filter produksi ucapan, filternya adalah ___________.
(getaran laring/udara pada saluran vokal/kecepatan rambat bunyi)
G. Jika Anda ingin menganalisis frekuensi secara digital hingga 10.000Hz, Anda perlu menggunakan laju
pengambilan sampel minimal __________. (5000Hz/10.000Hz/20.000Hz/44.000Hz)

analisis dan diskusi lebih lanjut

5. Cocokkan bentuk gelombang dengan ucapan berikut:

Katakan ngobrol sekarang. ________ Katakan gila sekarang. ________

Katakan mash sekarang. ________ Ucapkan hidangan sekarang. ________
A. Di setiap bentuk gelombang, gambar garis vertikal untuk menunjukkan batas antara setiap
segmen. Asumsikan ledakan dan aspirasi adalah bagian dari konsonan. Beri label setiap
interval dengan simbol fonetik yang benar.
Saya. Tunjukkan ledakan dan aspirasi sebagai bagian dari konsonan.
ii. Tunjukkan dua bagian affricate secara terpisah.
aku aku aku. Diftong dihitung sebagai satu segmen.

B. Dari bentuk gelombang, perkirakan (hingga 20 md terdekat)

Saya. panjang vokal dalamgila.
ii. panjang frikatif ditumbuk.
aku aku aku. panjang penutupan [t] akhir dimengobrol.
iv. panjang ledakan untuk [d] inpiring.

0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1 1.1 1.2 1.3 1.4 1.5
 Melihat SPeeCh 145

0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1 1.1 1.2 1.3 1.4 1.5

0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1 1.1 1.2 1.3 1.4 1.5

0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1 1.1 1.2 1.3 1.4 1.5

6. Perhatikan spektrum di bawah ini. Spektrum mewakili vokal [e] dan [o] yang diucapkan dengan nada
yang relatif tinggi atau rendah.
A. Dalam spektrum A, perkirakan:
Saya. frekuensi harmonik ke-5 _________
ii. F0 _________
aku aku aku. frekuensi forman pertama _________
iv. frekuensi forman kedua _________
[Link] forman ketiga _________
B. Dalam spektrum B, perkirakan:
Saya. frekuensi harmonik ke-10 _________
ii. F0 _________
aku aku aku. frekuensi forman pertama _________
iv. frekuensi forman kedua _________
C. Vokal [e] dan [o] kira-kira sama tingginya. Jadi keempat spektrum
memiliki _____________ yang kira-kira sama.
D. Cocokkan spektrum dengan ucapan:
Saya. [le] dengan nada tinggi _____
ii. [le] dengan nada rendah _____

(Lanjutan)
146 Melihat SPeeCh

aku aku aku. [lo] dengan nada tinggi _____

iv. [lo] dengan nada rendah _____

B
A

0 500 1000 1500 2000 2500 3000 3500 4000 4500 5000 0 500 1000 1500 2000 2500 3000 3500 4000 4500 5000

C D

0 500 1000 1500 2000 2500 3000 3500 4000 4500 5000 0 500 1000 1500 2000 2500 3000 3500 4000 4500 5000

7. Pencocokan spektogram
Periksa spektogram di bawah ini. Yang mana yang sesuai dengan ucapan yang mana?

danau yang dalam ________ menyimpan banyak ________

kenang-kenangan ________ Desktop ________
jambul ________

5000
A 4000
3000
2000
1000
0
0 .2

5000
B 4000
3000
2000
1000
0
0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1 1.1 1.2
 Melihat SPeeCh 147

5000
C
4000
3000
2000
1000
0
0 .2

5000
D
4000
3000
2000
1000
0
0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1 1.1 1.2

8. Coba dekode spektogram di bawah ini. Ucapannya merupakan tanggal penting dalam
sejarah Amerika, berupa bulan, hari, tahun, sehingga pilihan kata yang mungkin
terbatas. (Jika Anda tidak memahami maknanya, carilah!) Carilah penanda yang jelas,
lalu isi bagian yang ambigu dengan menggunakan pengetahuan fonetik dan leksikal.

0 0,25 0,5 0,75 1 1.25 1.5 1.75 2 2.25 2.5

104

8000

6000

4000

2000

(Lanjutan)
148 Melihat SPeeCh

penelitian lebih lanjut

9. Buatlah spektogram dari “ucapan misteri” Anda sendiri, dan bagikan kepada orang lain di kelas Anda. Bisakah
mereka menguraikannya?

Catatan: Beberapa gagasan lebih lanjut untuk mempraktikkan analisis spektrografi dapat ditemukan di
akhir Bab 8.

OnlineKunjungi situs web pendamping buku untuk sumber tambahan terkait bab ini di:
[Link]

referensi
Collins, B. dan IM Mees. [Link] Higgins yang Sebenarnya: Kehidupan dan Karir Daniel Jones. Berlin: Mouton
de Gruyter.
Winckel, [Link], Suara dan Sensasi. New York: Dover Publikasi, Inc.

Deskripsi teks spektograf didasarkan pada:

Lieberman, P. dan S. Blumstein. [Link] Ucapan, Persepsi Ucapan, dan Fonetik Akustik. Cambridge:
Pers Universitas Cambridge.