Hörer identifizierten 95,4% der natürlich gesprochenen amerikanisch-englischen Vokale in Aufnahmen von 139 Sprechern, gegenüber 94,4% im klassischen Datensatz von Peterson und Barney mit 76 Sprechern (Hillenbrand et al., JASA 2011). Reduziert man dieselben Vokale auf eine reine Formantsynthese, fällt die Genauigkeit auf 88,5%; reduziert man sie auf reine Sinustöne, die nur die Formanten nachzeichnen, kommen ungeschulte Hörer auf 55,0%. Auch die Wahrnehmung von Formanten reift langsam: Niederländische Kinder im Alter von 6 bis 11 Jahren brauchten im Mittel eine F1-Änderung von 49%, um sie zu bemerken, Erwachsene dagegen nur 33% (Polsterer et al., JASA Express Letters 2026). Wir haben Daten aus dem Journal of the Acoustical Society of America (Peterson und Barney, Hillenbrand, Vorperian, Chung, Chen), dem Journal of Phonetics, dem Journal of Communication Disorders, dem VoxCommunis-Korpus (LREC 2022) und einer Studie aus JASA Express Letters von 2026 zusammengeführt. Wenn Sie von unserer Übersicht zu Gesangsformanten und Belting-Akustik hierher gekommen sind: Diese Seite behandelt die Sprechseite, also die alltäglichen Vokalziele gewöhnlicher Sprecher.
Ein Formant ist eine Resonanz des Vokaltrakts, ein Frequenzband, das Rachen und Mund verstärken. F1 steigt, wenn sich Kiefer und Zunge senken (offene Vokale), F2 steigt, wenn sich die Zunge nach vorn bewegt (vordere Vokale), und F3 ist vor allem bei r-gefärbten Vokalen wichtig, etwa dem in ‘heard’. Alle Tabellen unten verwenden Hertz (Hz), sofern nichts anderes angegeben ist.
TL;DR
- Peterson und Barney nahmen 76 Sprecher (33 Männer, 28 Frauen, 15 Kinder) auf, die 10 Vokale zweimal sprachen, insgesamt 1.520 Vokale (Praat-Handbuch, Tabelle von Peterson und Barney 1952).
- Natürliche Vokale wurden in 94,4% (Peterson und Barney) bzw. 95,4% (Hillenbrand) der Fälle korrekt identifiziert (Hillenbrand et al., JASA 2011).
- Die mittleren Formanten der Eckvokale unterscheiden sich zwischen veröffentlichten amerikanisch-englischen Datensätzen um etwa 700 Hz beim F2 von /u/ bei Frauen (Kent und Vorperian, Journal of Communication Disorders 2018).
- F2 von /i/ im amerikanischen Englisch: 2146 Hz bei Männern, 2570 Hz bei Frauen, 2964 Hz bei 5-Jährigen, 3220 Hz bei 2-Jährigen (Chung et al., JASA 2012).
- Ein geschlechtsbezogener F2-Unterschied besteht bei /i/ und /u/ bereits mit 4 Jahren (Vorperian et al., JASA 2019).
- Ein auf einem US-Dialekt trainierter Formant-Klassifikator fiel bei einem anderen von 88,9% auf 44,8% Treffer (Jacewicz und Fox, JASA 2012).
- Die Formantbewegung innerhalb eines Vokals betrug bei Sprechern von 51-65 Jahren 477 Hz gegenüber 380 Hz bei Sprechern von 21-33 Jahren (Jacewicz, Fox und Salmons, Journal of Phonetics 2011).
- Das durchschnittliche F1 von [i] und [u] korreliert über 31 Sprachen mit r = 0,83 (Ahn und Chodroff, VoxCommunis, LREC 2022).
- Der mittlere LPC-F1-Fehler erreicht 58 Hz (9%), wenn F0 über 300 Hz liegt (Chen, Whalen und Shadle, JASA 2019).
- Selbst geschulte Phonetiker, die von Hand maßen, lagen beim synthetischen F1 um 32 Hz (8%) bis 118 Hz (26%) daneben (Shadle, Nam und Whalen, JASA 2016).
- Die F1-Unterscheidungsschwelle von Kindern lag im Mittel bei einem F1-Unterschied von 49%, bei Erwachsenen bei 33% (Polsterer et al., JASA Express Letters 2026).
1. Die Referenzdatensätze hinter jedem Vokaldiagramm
Nahezu jedes Vokaldiagramm in einem Phonetik-Lehrbuch geht auf drei amerikanisch-englische Aufnahmen aus den Jahren 1952, 1995 und 1999 zurück. Über die sieben amerikanisch-englischen Datensätze, die in einem Überblick von 2018 verglichen wurden, unterscheiden sich die mittleren Formanten der Eckvokale um etwa 500 Hz beim F2 von /u/ bei Männern und um etwa 700 Hz beim F2 von /u/ bei Frauen (Kent und Vorperian, Journal of Communication Disorders 2018). Eine “Norm” ist nur zusammen mit dem Datensatz, dem Dialekt und dem Jahrzehnt aussagekräftig, aus denen sie stammt.
Die Referenzdatensätze sind nach heutigen Maßstäben außerdem klein: Dutzende Sprecher pro Gruppe, nicht Tausende. Die Aufnahmen und Messungen von Hillenbrand sind öffentlich verfügbar (GitHub-Spiegel von Hillenbrand et al. 1995, mit Erlaubnis des Autors gehostet), sodass jeder die klassischen Analysen wiederholen kann.
| Metrik | Wert | Quelle |
|---|---|---|
| Sprecher und Vokale bei Peterson und Barney 1952 (hVd-Wörter wie heed, hid, head, had) | 76 Sprecher (33 Männer, 28 Frauen, 15 Kinder); 10 Vokale, jeweils zweimal gesprochen; 1.520 aufgenommene Vokale | Praat-Handbuch, Formanttabelle von Peterson und Barney 1952 |
| Sprecher bei Hillenbrand et al. 1995 | 139 (45 Männer, 48 Frauen, 46 Kinder) | Hillenbrand, Journal of the International Phonetic Association 2003 |
| Beobachtungen stationärer Vokale im öffentlichen Datensatz h95 | 1.668 Beobachtungen; 10 fehlende F2-Werte und 41 fehlende F3-Werte wurden imputiert | R-Paket phonTools, Dokumentation des Datensatzes h95 |
| Sprecher bei Lee, Potamianos und Narayanan 1999 | 436 Kinder im Alter von 5 bis 17 Jahren, plus 56 Erwachsene | Lee et al., JASA 1999 (Abstract) |
| Sprecher im neuesten US-Entwicklungsdatensatz zu Eckvokalen | 190 sich typisch entwickelnde Sprecher im Alter von 4 bis 20 Jahren (97 weiblich, 93 männlich) | Vorperian et al., JASA 2019 |
| Streuung der mittleren Formanten der Eckvokale über 7 amerikanisch-englische Datensätze | Etwa 500 Hz (F2 von /u/ bei Männern), 400 Hz (F1 von /æ/ bei Frauen), 700 Hz (F2 von /u/ bei Frauen) | Kent und Vorperian, Journal of Communication Disorders 2018 |
| Vokalraumfläche erwachsener Männer: Peterson und Barney gegenüber 18-jährigen Männern bei Lee et al. 1999 | 411,5 kHz² gegenüber etwa 330 kHz² | Kent und Vorperian, Journal of Communication Disorders 2018 |
Kontexthinweis: jüngste verfügbare Daten für die drei Ankerdatensätze: 1952, 1995 und 1999. Die Vokalraumfläche ist die Fläche des F1-F2-Polygons, das zwischen den Eckvokalen aufgespannt wird; eine größere Fläche bedeutet weiter gestreute Vokale.
2. F1-, F2- und F3-Mittelwerte für Männer, Frauen und Kinder
Kürzere Vokaltrakte resonieren höher, deshalb steigen die Formanten von Männern über Frauen zu Kindern. Für den amerikanisch-englischen Vokal /i/ lag das mittlere F2 bei 2-Jährigen bei 3220 Hz gegenüber 2146 Hz bei erwachsenen Männern, ein Abstand von 1.074 Hz (3220 minus 2146) (Chung et al., JASA 2012). Die Skalierung ist nicht einheitlich: Das F1 von /i/ bei 4-jährigen Jungen beträgt das 1,42-Fache des Werts erwachsener Männer, das F4 aber das 1,57-Fache, die Stimme eines Kindes ist also nicht einfach die eines Mannes, nach oben verschoben.
Die Zeilen von Peterson und Barney unten sind die am häufigsten nachgedruckten “nominalen” Mittelwerte der Männer; Symbole und Beispielwörter stehen genau so da, wie der Nachdruck sie wiedergibt. Für alle, die Stimmeffekte entwickeln, die das wahrgenommene Alter oder Geschlecht verändern, lautet die Erkenntnis: Das Formantmuster, nicht nur die Tonhöhe, unterscheidet sich zwischen Männern, Frauen und Kindern.
| Metrik | Wert | Quelle |
|---|---|---|
| Männer bei Peterson und Barney, /i/ wie in ‘beet’ (F1 / F2 / F3) | 270 / 2290 / 3010 Hz | Peterson und Barney, JASA 1952, nachgedruckt von der Princeton University (COS 325) |
| Männer bei Peterson und Barney, /ae/ wie in ‘bat’ (F1 / F2 / F3) | 660 / 1720 / 2410 Hz | Peterson und Barney, JASA 1952 (Nachdruck aus Princeton) |
| Männer bei Peterson und Barney, /a/ wie in ‘father’ (F1 / F2 / F3) | 730 / 1090 / 2440 Hz | Peterson und Barney, JASA 1952 (Nachdruck aus Princeton) |
| Männer bei Peterson und Barney, /u/ wie in ‘boot’ (F1 / F2 / F3) | 300 / 870 / 2240 Hz | Peterson und Barney, JASA 1952 (Nachdruck aus Princeton) |
| Amerikanisch-englisches /i/, erwachsene Männer gegenüber erwachsenen Frauen (F1 / F2 / F3) | 370 / 2146 / 2838 Hz gegenüber 391 / 2570 / 3128 Hz | Chung et al., JASA 2012 |
| Amerikanisch-englisches /i/, 5-Jährige gegenüber 2-Jährigen (F1 / F2 / F3) | 439 / 2964 / 3739 Hz gegenüber 544 / 3220 / 4210 Hz | Chung et al., JASA 2012 |
| Formantverhältnis, 4-jährige Jungen gegenüber erwachsenen Männern | 1,42 (F1 von /i/); 1,57 (F4 von /i/) | Vorperian et al., JASA 2019 |
Kontexthinweis: Die Werte von Peterson und Barney wurden aus Spektrogrammen abgelesen, während die Werte von 2012 aus einer LPC-Analyse in Praat am Vokalmittelpunkt stammen, mit 10 Sprechern (5 männlich, 5 weiblich) pro Sprache und Altersgruppe. Unterschiedliche Epochen, Werkzeuge und Dialekte bedeuten, dass die beiden Datensätze nicht streng vergleichbar sind (siehe Abschnitt 7).
3. Wie die Erkennungsgenauigkeit von Formanten abhängt
Formanten tragen den größten, aber nicht den gesamten Teil der Vokalidentität. Natürliche Vokale erreichen 95,4% Erkennung, mit Formanten synthetisierte Kopien 88,5% und Sinuswellen-Nachbildungen vor dem Training nur 55,0% (Hillenbrand et al., JASA 2011). Eine Sinuswellen-Nachbildung ersetzt jeden Formanten durch einen einzigen reinen Ton, der dessen Frequenzverlauf folgt; sie behält also das Formantmuster bei, verwirft aber die Stimme. Der Abfall um etwa 40 Punkte (95,4 minus 55,0) zeigt, wie stark sich Hörer auch auf den Rest des Signals stützen.
Auch die Vielfalt der Sprecher kostet Genauigkeit. Stammten die Sprecher aus zwei verschiedenen US-Dialektregionen und drei Generationen, fielen die Hörer insgesamt auf 80,2% (Jacewicz und Fox, JASA 2012).
| Metrik | Wert | Quelle |
|---|---|---|
| Natürliche Vokale wie beabsichtigt erkannt: Peterson und Barney (10 Vokaltypen, 76 Sprecher) gegenüber Hillenbrand et al. 1995 (12 Vokaltypen, 139 Sprecher) | 94,4% gegenüber 95,4% | Hillenbrand et al., JASA 2011 |
| Formantsynthetisierte Versionen der Vokale aus 300 hVd-Silben | 88,5% | Hillenbrand et al., JASA 2011 (mit Verweis auf Hillenbrand und Nearey 1999) |
| Sinuswellen-Vokale, 71 Hörer vor dem Training gegenüber nach umfangreicherem Training (Zufallsniveau 8,3%) | 55,0% (Spanne von 21,3% bis 80,7% über die Hörer) gegenüber 73,5% | Hillenbrand et al., JASA 2011 |
| Erkennung von 120 dialektal gemischten Sprechern (North Carolina und Wisconsin) durch 30 Hörer | 80,2% insgesamt, rund 15% weniger als bei Hillenbrand et al. 1995 | Jacewicz und Fox, JASA 2012 |
| Kleinste wahrnehmbare Änderung des F1 (Unterschiedsschwelle) bei 94 niederländischen Sprechern, Kinder von 6-11 Jahren gegenüber Erwachsenen von 20-36 Jahren | F1-Unterschied von 49% gegenüber 33% (W = 1525, p = 0,001) | Polsterer et al., JASA Express Letters 2026 |
Kontexthinweis: In der niederländischen Studie von 2026 wurde die Schwelle an der eigenen Aufnahme des Studienreizes deur gemessen, die jeder Teilnehmer anfertigte; es ist ein niederländisches Wort, das hier in der Originalsprache belassen wird. Innerhalb der Kinder sagte das Alter die Schwelle nicht signifikant voraus (b = -0,028, p = 0,3).
4. Altersverschiebungen: Wie die Formanten von Kindern in die Normwerte Erwachsener hineinwachsen
Kinder sind akustisch keine kleinen Erwachsenen, und die Geschlechter trennen sich früher, als die Stimmhöhe vermuten lässt. Bei 190 Sprechern im Alter von 4 bis 20 Jahren bestand bei den hohen Vokalen /i/ und /u/ bereits mit 4 Jahren ein geschlechtsbezogener Unterschied im F2 (Vorperian et al., JASA 2019, Autoren-PDF), Jahre vor der Pubertät. Das Fazit der Autoren ist unmissverständlich: “Die akustischen Eigenschaften von Vokalen werden lange vor der Pubertät geschlechtsspezifisch.”
Für automatische Systeme bleibt Kindersprache bis in die späten Teenagerjahre ein bewegliches Ziel, eine Herausforderung, die sich auch in den Fehlerraten der Spracherkennung bei Kindern zeigt.
| Metrik | Wert | Quelle |
|---|---|---|
| Geschlechtsbezogener F2-Unterschied: hohe Vokale /i/ und /u/ gegenüber den tiefen Vokalen | Vorhanden mit 4 Jahren bei /i/ und /u/; mit 6 und 7 Jahren bei den tiefen Vokalen | Vorperian et al., JASA 2019 |
| Alter, in dem Formantdaten Erwachsenenwerte erreichen | Etwa 16 bei weiblichen Sprechern, etwa 20 bei männlichen Sprechern | Vorperian et al., JASA 2019 |
| Alter, in dem sich segmentale Dauern an Erwachsenenniveaus angleichen, und die Verzögerung bei f0- und Formantvariabilität | Etwa 12 Jahre; f0- und Formantvariabilität erreichen den Erwachsenenbereich möglicherweise etwa 2 oder 3 Jahre später | Lee et al., JASA 1999 |
| Differenzierung zwischen männlichen und weiblichen Sprechern, 436 Kinder | Beginnt mit etwa 11 Jahren, vollständig ausgeprägt mit etwa 15 Jahren | Lee et al., JASA 1999 |
| Akustisches Überschwingen, bevor sich die Werte bei Erwachsenenniveau einpendeln | Irgendwo zwischen 13 und 15 Jahren | Lee et al., JASA 1999 |
| Verlauf der Formantänderung der Vokale mit dem Alter bei männlichen Sprechern | Annähernd linear mit dem Alter | Lee et al., JASA 1999 |
| Alter, in dem die Vokalproduktion erwachsenenähnliche Präzision erreicht | Etwa 12 Jahre | Kent und Rountrey, American Journal of Speech-Language Pathology 2020 |
| Frequenzbereich, der nötig ist, um die ersten vier Formanten eines 2-Jährigen zu erfassen | Knapp über 5 kHz | Kent und Rountrey, American Journal of Speech-Language Pathology 2020 |
Kontexthinweis: f0 ist die Grundfrequenz, die Schwingungsrate der Stimmlippen, die als Tonhöhe wahrgenommen wird; Formanten werden vom Vokaltrakt bestimmt. Beide entwickeln sich nach unterschiedlichem Zeitplan, weshalb Formantunterschiede zwischen Jungen und Mädchen lange vor dem Tonhöhenunterschied auftreten können. Jüngste verfügbare normative Formantdaten von Kindern: 2019.
5. Dialekt- und Generationsverschiebungen
Eine Vokalnorm ist eine Momentaufnahme einer Region zu einem bestimmten Zeitpunkt. Clopper und Kollegen weisen darauf hin, dass die Sprecher von Peterson und Barney “der Sprache der amerikanischen Ostküste näher kommen als dem General American English” (Clopper, Pisoni und de Jong, JASA 2005), während die Sprecher von Hillenbrand aus dem nördlichen Mittleren Westen stammten. Ein formantbasierter Klassifikator, der mit Eltern aus North Carolina trainiert wurde, erreichte auf seinem eigenen Trainingsdatensatz 88,9%, aber bei Eltern aus Wisconsin nur 44,8% (Jacewicz und Fox, JASA 2012): Beim Wechsel zu einem anderen Dialekt halbierte sich seine Genauigkeit in etwa.
Wandel verläuft auch über Generationen hinweg. Bei 123 Frauen aus drei US-Regionen war die gesamte Formantbewegung innerhalb eines Vokals (ihre “Trajektorienlänge”, die Strecke, die die Formanten in der F1-F2-Ebene zurücklegen) in der ältesten Gruppe am größten (Jacewicz, Fox und Salmons, Journal of Phonetics 2011). Dialektlücken zeigen sich auch bei Maschinen: siehe unsere Übersicht zum Akzent-Bias der Spracherkennung.
| Metrik | Wert | Quelle |
|---|---|---|
| Sprecher und Messungen in der US-Dialektstudie mit sechs Regionen | 48 Sprecher (je 4 Männer und 4 Frauen aus 6 Regionen); 13.440 Messungen | Clopper, Pisoni und de Jong, JASA 2005 |
| Wechselwirkung Vokal mal Dialekt für F1 | F(50,2020) = 10,1, p < 0,001 | Clopper, Pisoni und de Jong, JASA 2005 |
| Erkennung von Sprechern des eigenen Dialekts durch Hörer gegenüber dem anderen Dialekt | Hörer aus North Carolina 82,1% gegenüber 75,8%; Hörer aus Wisconsin 83,5% gegenüber 79,6% | Jacewicz und Fox, JASA 2012 |
| Mit Eltern aus North Carolina trainierter Klassifikator: eigener Trainingsdatensatz gegenüber Eltern aus Wisconsin | 88,9% gegenüber 44,8% | Jacewicz und Fox, JASA 2012 |
| Trajektorienlänge der Formanten nach Region, 123 Frauen | North Carolina 516 Hz, Wisconsin 396 Hz, Ohio 353 Hz | Jacewicz, Fox und Salmons, Journal of Phonetics 2011 |
| Trajektorienlänge der Formanten nach Generation: Alter 51-65 gegenüber 37-49 gegenüber 21-33 | 477 Hz gegenüber 408 Hz gegenüber 380 Hz | Jacewicz, Fox und Salmons, Journal of Phonetics 2011 |
| Senkung von /æ/ über die Generationen, North Carolina, betonte Position | F(2, 38)=29,18, p<0,001, η2=0,606 | Jacewicz, Fox und Salmons, Journal of Phonetics 2011 |
Kontexthinweis: Die älteste Gruppe unterschied sich in der Trajektorienlänge signifikant von beiden jüngeren Gruppen, während sich die beiden jüngeren Gruppen nicht voneinander unterschieden. Die Aufnahmen für die Drei-Generationen-Studie entstanden zwischen 2006 und 2008.
6. Vokalräume im Sprachvergleich
Sprachen, die ein Vokalsymbol teilen, teilen nicht dessen Formanten. Das /u/ erwachsener Männer hatte ein mittleres F2 von 721 Hz im Kantonesischen, 1668 Hz im amerikanischen Englisch und 1704 Hz im Japanischen (Chung et al., JASA 2012), sodass ein gleich geschriebenes /u/ in einer Sprache viel weiter vorn im Mund liegen kann als in einer anderen. Ein Werkzeug, das englische Normwerte für eine andere Sprache übernimmt, erbt diese Abweichung.
Große mehrsprachige Korpora prüfen heute, was konstant bleibt. In VoxCommunis bewegen sich die sprachbezogenen F1-Durchschnittswerte für [i] und [u] gemeinsam, ein Muster namens Uniformität: Eine Sprache, die einen hohen Vokal mit höherem F1 produziert, tut dies tendenziell auch beim anderen (Ahn und Chodroff, VoxCommunis, LREC 2022). Die Abdeckung ist weiterhin ungleichmäßig, dieselbe Lücke, die wir in unserer Übersicht zur Spracherkennung für ressourcenarme Sprachen besprechen.
| Metrik | Wert | Quelle |
|---|---|---|
| F2 des /u/ erwachsener Männer nach Sprache (5 Sprachen, insgesamt 150 Sprecher aus 2-Jährigen, 5-Jährigen und Erwachsenen) | Kantonesisch 721, Griechisch 1011, Koreanisch 1241, Englisch 1668, Japanisch 1704 Hz | Chung et al., JASA 2012 |
| Umfang des VoxCommunis-Korpus | 36 Sprachen; 0,24 bis 288 Stunden Sprache und 5 bis 3.620 Sprecher pro Sprache | Ahn und Chodroff, LREC 2022 |
| F1-Korrelation zwischen [i] und [u] über Sprachen hinweg | r = 0,83, p < 0,001, 31 Sprachen | Ahn und Chodroff, LREC 2022 |
| F1-Korrelation zwischen [e] und [o] über Sprachen hinweg | r = 0,74, p < 0,001, 22 Sprachen | Ahn und Chodroff, LREC 2022 |
| F2-Korrelation zwischen [i] und [a]: VoxCommunis gegenüber dem früheren Korpus VoxClamantis | r = 0,67 gegenüber r = 0,06 | Ahn und Chodroff, LREC 2022 |
| Sprachen des UCLA Phonetics Lab Archive, die für das Korpus VoxAngeles zeitlich ausgerichtet wurden | 95 von 314 Sprachen | Chodroff et al., VoxAngeles, arXiv 2024 |
Kontexthinweis: Die VoxCommunis-Korrelationen vergleichen Sprachdurchschnitte, nicht einzelne Sprecher, und die beiden Korpora widersprechen sich bei einigen Paaren, Uniformität ist also eine Tendenz, kein Gesetz.
7. Formant-Messfehler zwischen Werkzeugen und Methoden
Die Zahlen in den Abschnitten 1 bis 6 sind Messwerte, und der Messfehler wächst mit der Stimmhöhe. Bei 470.000 synthetisierten Vokalen lag der mittlere LPC-F1-Fehler bei 41 Hz (7%) für F0 von 200-300 Hz und bei 58 Hz (9%) oberhalb von 300 Hz (Chen, Whalen und Shadle, JASA 2019). LPC (Linear Predictive Coding, lineare Prädiktionscodierung) ist der Standard-Formanttracker in Werkzeugen wie Praat; bei hoher Stimmlage werden seine Schätzungen zur nächsten Oberwelle der Stimme hingezogen, weshalb die Formanten von Frauen und besonders von Kindern am wenigsten zuverlässig sind.
Auch die Wahl des Werkzeugs spielt eine Rolle. Ein Vergleich von Praat, WaveSurfer, TF32 und CSL ergab, dass die ersten drei für synthetisierte Vokale und Vokale erwachsener Männer genau und vergleichbar waren, für erwachsene Frauen und Kinder aber weniger zufriedenstellend (Burris et al., Journal of Speech, Language, and Hearing Research 2014).
| Metrik | Wert | Quelle |
|---|---|---|
| Typische Genauigkeit der Formantschätzung per Spektrogramm und LPC | Etwa f0/4; etwa 60 Hz für ein Kind mit einer f0 von 250 Hz | Kent und Vorperian 2018 |
| Absolute Differenz zwischen wiederholten Formantmessungen bei Hillenbrand et al. 1995 | 12 bis 60 Hz | Kent und Vorperian 2018 |
| Mittlerer LPC-F1-Fehler, synthetische Vokale bei F0 von 200-300 Hz gegenüber über 300 Hz | 41 Hz (7%) gegenüber 58 Hz (9%) | Chen, Whalen und Shadle, JASA 2019 |
| LPC-F1-Fehler relativ zum Formantwert, nach Vokal | /u/ 23%, /i/ 18%, /æ/ 10%, /ɑ/ 8% | Chen, Whalen und Shadle, JASA 2019 |
| Per LPC gemessene Vokalraumfläche bei F0 von 234 Hz, als Anteil der wahren Fläche | 85% | Chen, Whalen und Shadle, JASA 2019 |
| Manueller Messfehler von vier Phonetikern bei synthetischen Vokalen | 32 Hz (8%) bis 118 Hz (26%) | Shadle, Nam und Whalen, JASA 2016 |
| Formantbandbreiten natürlicher Sprache aus vier Analyseprogrammen, die innerhalb von ±10% der manuellen Werte lagen | Keine | Burris et al., JSLHR 2014 |
| Konsens-Referenzwerte, nach 3 Monaten innerhalb von 50 Hz erneut gemessen; als unsicher verworfene Referenzwerte | Etwa 80%; etwa 15% (meist F3 und F4) | Derdemezis et al., American Journal of Speech-Language Pathology 2016 |
Kontexthinweis: Chen und Kollegen schätzen, dass mehr als die Hälfte der in der Literatur berichteten F1- und F2-Variabilität wahrscheinlich auf die F0-Variabilität zurückgeht (Verhältnisse von simuliert zu berichtet von 0,76 für F1 und 0,58 für F2), und erwarten bei echter Sprache größere Fehler als in ihren idealisierten Simulationen. In der Studie von Derdemezis wurde die Standard-Formantobergrenze von Praat von 5500 Hz für erwachsene Männer auf 5000 Hz gesenkt.
Zusammenfassung: Vokalformant-Normwerte in Zahlen
| Metrik | Wert | Quelle |
|---|---|---|
| Sprecher bei Peterson und Barney 1952 | 76 (33 Männer, 28 Frauen, 15 Kinder) | Praat-Handbuch, Tabelle von Peterson und Barney 1952 |
| Sprecher bei Hillenbrand et al. 1995 | 139 (45 Männer, 48 Frauen, 46 Kinder) | Hillenbrand, Journal of the International Phonetic Association 2003 |
| Streuung des mittleren F2 von /u/ bei Frauen über 7 amerikanisch-englische Datensätze | Etwa 700 Hz | Kent und Vorperian 2018 |
| Männer bei Peterson und Barney, /i/ (F1 / F2 / F3) | 270 / 2290 / 3010 Hz | Peterson und Barney, JASA 1952 (Nachdruck aus Princeton) |
| F2 von /i/ im amerikanischen Englisch: Männer, Frauen, 5-Jährige, 2-Jährige | 2146, 2570, 2964, 3220 Hz | Chung et al., JASA 2012 |
| Erkennung natürlicher Vokale, Peterson und Barney gegenüber Hillenbrand | 94,4% gegenüber 95,4% | Hillenbrand et al., JASA 2011 |
| F1-Unterschiedsschwelle, Kinder gegenüber Erwachsenen | 49% gegenüber 33% | Polsterer et al., JASA Express Letters 2026 |
| Alter des ersten geschlechtsbezogenen F2-Unterschieds bei /i/ und /u/ | 4 Jahre | Vorperian et al., JASA 2019 |
| Differenzierung zwischen männlichen und weiblichen Sprechern, Beginn gegenüber vollständig ausgeprägt | Etwa 11 Jahre gegenüber etwa 15 Jahre | Lee et al., JASA 1999 |
| Sprecher in der US-Dialektstudie mit sechs Regionen | 48 | Clopper, Pisoni und de Jong, JASA 2005 |
| Genauigkeit des Klassifikators über Dialekte hinweg, eigener Dialekt gegenüber anderem Dialekt | 88,9% gegenüber 44,8% | Jacewicz und Fox, JASA 2012 |
| Trajektorienlänge der Formanten, älteste gegenüber jüngster Generation | 477 Hz gegenüber 380 Hz | Jacewicz, Fox und Salmons, Journal of Phonetics 2011 |
| F1-Korrelation von [i] und [u] über 31 Sprachen | r = 0,83 | Ahn und Chodroff, LREC 2022 |
| Sprachen des UCLA-Archivs, in VoxAngeles zeitlich ausgerichtet | 95 von 314 | Chodroff et al., arXiv 2024 |
| Mittlerer LPC-F1-Fehler bei F0 über 300 Hz | 58 Hz (9%) | Chen, Whalen und Shadle, JASA 2019 |
| Manueller F1-Messfehler bei synthetischen Vokalen | 32 Hz (8%) bis 118 Hz (26%) | Shadle, Nam und Whalen, JASA 2016 |
| Als unsicher verworfene Referenzwerte in einem Vergleich von vier Programmen | Etwa 15% | Derdemezis et al., AJSLP 2016 |
Methodik und Quellen
Wir haben gezielte Suchen aus sechs Blickwinkeln durchgeführt (Referenzdatensätze, Geschlechts- und Altersnormen, Erkennungsgenauigkeit, Dialekt, sprachübergreifende Daten, Messfehler) und nur Zahlen behalten, die wir in der Primärarbeit, in einem offiziellen Abstract oder in einem benannten Nachdruck gelesen haben. Wo eine Seite schwer erreichbar war, haben wir sie über einen Text-Proxy gelesen, verlinken aber das Original.
- Peterson und Barney, JASA 1952, nominale Mittelwerte der Männer, nachgedruckt von der Princeton University (COS 325), aus P. R. Cook (Hrsg.), Music, Cognition, and Computerized Sound, MIT Press 1999.
- Praat-Handbuch: Formanttabelle von Peterson und Barney 1952 (Sprecherzahlen und Vokalliste).
- Hillenbrand, American English: Southern Michigan, Journal of the International Phonetic Association 2003.
- Datendateien von Hillenbrand et al. 1995, GitHub-Spiegel und Dokumentation des Datensatzes h95 in phonTools.
- Hillenbrand et al., Perception of sinewave vowels, JASA 2011.
- Kent und Vorperian, Static measurements of vowel formant frequencies and bandwidths: A review, Journal of Communication Disorders 2018.
- Lee, Potamianos und Narayanan, Acoustics of children’s speech, JASA 1999 (Abstract).
- Vorperian et al., Corner vowels in males and females ages 4 to 20 years, JASA 2019.
- Kent und Rountrey, What acoustic studies tell us about vowels in developing and disordered speech, AJSLP 2020.
- Polsterer et al., Auditory acuity to vowels is more refined in adulthood compared to childhood, JASA Express Letters 2026.
- Clopper, Pisoni und de Jong, Acoustic characteristics of the vowel systems of six regional varieties of American English, JASA 2005.
- Jacewicz und Fox, Effects of cross-generational and cross-dialectal variation on vowel identification and classification, JASA 2012.
- Jacewicz, Fox und Salmons, Vowel change across three age groups of speakers in three regional varieties of American English, Journal of Phonetics 2011.
- Chung et al., Cross-linguistic studies of children’s and adults’ vowel spaces, JASA 2012.
- Ahn und Chodroff, VoxCommunis: A Corpus for Cross-linguistic Phonetic Analysis, LREC 2022.
- Chodroff et al., Phonetic Segmentation of the UCLA Phonetics Lab Archive (VoxAngeles), arXiv 2024.
- Chen, Whalen und Shadle, F0-induced formant measurement errors result in biased variabilities, JASA 2019.
- Shadle, Nam und Whalen, Comparing measurement errors for formants in synthetic and natural vowels, JASA 2016.
- Burris et al., Quantitative and descriptive comparison of four acoustic analysis systems: vowel measurements, JSLHR 2014.
- Derdemezis et al., Optimizing vowel formant measurements in four acoustic analysis systems for diverse speaker groups, AJSLP 2016.
- Daten-Hinweis: Die Erkennungsrate von Hillenbrand et al. 1995 erscheint bei Hillenbrand et al. 2011 als 95,4%, in der Vergleichsspalte von Jacewicz und Fox 2012 (Tabelle III) jedoch als 95,8%; wir zitieren 95,4%. Auch beim Zeitpunkt widersprechen sich die Quellen: Vorperian et al. 2019 finden Formant-Geschlechtsunterschiede ab 4 Jahren und f0-Geschlechtsunterschiede ab 7 Jahren, der Überblick von Kent und Vorperian zitiert frühere Daten, die f0-Unterschiede bei 10 oder 11 Jahren ansetzen, und Lee et al. 1999 verorten den Beginn der Differenzierung zwischen männlich und weiblich bei etwa 11 Jahren; die Studien verwendeten unterschiedliche Altersstufen, Vokale und Maße. Die vokalbezogenen Werte von Peterson und Barney stammen aus einem Nachdruck, nicht aus der Arbeit von 1952 selbst, und uns lagen nur die Mittelwerte der Männer vor, weshalb die Mittelwerte der Frauen und Kinder aus der Originaltabelle hier nicht zitiert werden. Die meisten Kernnormen in dieser Übersicht sind Jahrzehnte alt, und wir konnten keinen neuen großen normativen Vokaldatensatz des amerikanischen Englisch bestätigen, der 2025 oder 2026 veröffentlicht wurde. Werte aus verschiedenen Studien verwendeten unterschiedliche Werkzeuge und Einstellungen (siehe Abschnitt 7), sodass Unterschiede von wenigen Dutzend Hertz zwischen Studien nicht als echte Sprechunterschiede gelesen werden sollten.
Zuletzt aktualisiert: 8. November 2026. Wir aktualisieren diese Übersicht vierteljährlich, und die nächste Aktualisierung wird erwartet, wenn die nächste Version des VoxCommunis-Korpus veröffentlicht wird.