19 Akustische Stylesheets

19.1 Einführung in akustische Stylesheets (Aural Stylesheets)

Die akustische Darstellung eines Dokuments, die von blinden Benutzern sowie Benutzern, die keine visuelle Ausgabe nutzen können, bereits häufig eingesetzt wird, kombiniert Sprachsynthese und „akustische Icons“. Häufig erfolgt diese akustische Darstellung durch die Konvertierung des Dokuments in einfachen Text, der dann einer so genannten Bildschirmleser-Software oder -Hardware übergeben wird, die einfach alle Zeichen auf dem Bildschirm liest. Das Ergebnis ist eine weniger effektive Darstellung, als würde die Dokumentstruktur beibehalten. Stylesheet-Eigenschaften für eine akustische Darstellung können mit den visuellen Eigenschaften (gemischte Medien) kombiniert oder als akustische Alternative zur visuellen Darstellung verwendet werden.

Neben den offensichtlichen Vorteilen, die sie in Hinblick auf den Zugriff bringen, gibt es noch andere große Märkte für rein akustisch angebotene Informationen, wie beispielsweise für Autofahrer, industrielle und medizinische Dokumentationssysteme, Home-Entertainment, oder um Benutzer zu unterstützen, die gerade lesen lernen oder Probleme mit dem Lesen haben.

Bei der Verwendung akustischer Eigenschaften besteht die Zeichenfläche aus einem dreidimensionalen physischen Raum (Klangumgebung) und einem temporären Raum (man kann Klang vor während und nach anderen Klängen spezifizieren). Darüber hinaus erlauben die CSS-Eigenschaften den Autoren, die Qualität synthetisierter Sprache zu variieren (Sprachtyp, Frequenz, Modulation usw.).

H1, H2, H3, H4, H5, H6 {
    voice-family: paul;
    stress: 20;
    richness: 90;
    cue-before: url("ping.au")
}
P.heidi { azimuth: center-left }
P.peter { azimuth: right }
P.ziege  { volume: x-soft }

19.2 Eigenschaften für die Lautstärke : 'volume'

'volume' bezieht sich auf die Medien-Lautstärke der Wellenform. Mit anderen Worten, eine hochmodulierte Stimme mit einer Lautstärke von 50 könnte sehr viel höhere Spitzenwerte haben. Die Gesamtwerte können sehr wahrscheinlich für den Menschen annehmbar angepasst werden, beispielsweise mit einer physischen Lautstärkenregelung (die sowohl die 0- als auch die 100-Werte proportional vergrößern würde); diese Eigenschaft passt also den dynamischen Bereich an.

Die Werte haben die folgende Bedeutung:

<number>

Eine beliebige Zahl zwischen '0'und '100'. '0' stellt die minimale hörbare Lautstärke dar, '100' die maximale erträgliche Lautstärke.

<percentage>

Prozentwerte werden relativ zum geerbten Wert berechnet und dann auf den Bereich zwischen '0'und '100' zugeschnitten.

silent

Es wird überhaupt nichts ausgegeben. Der Wert '0' hat nicht dieselbe Bedeutung wie 'silent'.

x-soft

Entspricht '0'.

soft

Entspricht '25'.

medium

Entspricht '50'.

loud

Entspricht '75'

x-loud

Entspricht '100'.

Die Benutzerprogramme sollen es dem Zuhörer gestatten, die Werte für '0' und '100' zu setzen. Es gibt keine allgemein verwendbare Einstellung; geeignete Werte sind von der verwendeten Ausrüstung abhängig (Lautsprecher, Kopfhörer), von der Umgebung (im Auto, Heimkino, Bibliothek) und von den persönlichen Vorlieben. Einige Beispiele:

• Ein Browser für den Einsatz im Auto verwendet eine Einstellung für sehr viel Hintergrundlärm. '0' entspricht in diesem Fall einer relativ hohen Lautstärke, '100' einer sehr hohen Lautstärke. Die Sprache ist gegenüber dem Straßenlärm gut verständlich, aber der gesamte dynamische Bereich ist komprimiert. Autos mit besserer Isolation könnten einen breiteren dynamischen Bereich erlauben.
• Ein anderer Sprach-Browser könnte beispielsweise in einem Appartement verwendet werden, spät nachts oder in einem gemeinsamen Studierzimmer. '0' wird dann mit einer sehr geringen Lautstärke festgelegt, '100' mit einer immer noch relativ geringen Lautstärke. Wie im ersten Beispiel gibt es einen geringen Anstieg; der dynamische Bereich ist reduziert. Die tatsächlichen Lautstärken sind hier jedoch gering, während sie im ersten Beispiel hoch waren.
• In einem stillen und isolierten Haus gibt es ein teueres Hi-Fi-Heimkino. '0' wird auf relativ leise, '100' auf relativ laut gestellt; es gibt einen breiten dynamischen Bereich.

In all diesen Fällen könnte dasselbe Autor-Stylesheet verwendet werden, indem die Einstellungen für '0' und '100' auf der Client-Seite festgelegt werden.

19.3 Spracheigenschaften: 'speak'

Diese Eigenschaft gibt an, ob und wie Text akustisch dargestellt wird (etwa vergleichbar mit der Eigenschaft 'display'). Die möglichen Werte sind:

none

Unterdrückt die akustische Darstellung, so dass keine Zeit für die Darstellung dieses Elements aufgewendet werden muss. Beachten Sie jedoch, dass Ableitungen diesen Wert überschreiben können und möglicherweise gesprochen werden. (Um sicher zu gehen, dass die Darstellung eines Elements und seiner Ableitungen unterdrückt wird, verwenden Sie die Eigenschaft 'display'.)

normal

Verwendet sprachabhängige Ausspracheregeln für die Darstellung eines Elements und seiner untergeordneten Elemente.

spell-out

Buchstabiert den Text (praktisch für Akronyme und Abkürzungen).

Beachten Sie den Unterschied zwischen einem Element, dessen 'volume'-Eigenschaft den Wert 'silent' hat, und einem Element, dessen 'speak'-Eigenschaft den Wert 'none' hat. Das erstere benötigt dieselbe Zeit, als wäre es ausgesprochen worden, inklusive der Pause vor und nach dem Element, aber es wird keine hörbare Ausgabe erzeugt. Das letztere benötigt keine Zeit und wird nicht dargestellt (während seine Ableitungen sehr wohl dargestellt werden können).

19.4 Pausen-Eigenschaften: 'pause-before', 'pause-after' und 'pause'

Diese Eigenschaften geben eine Pause an, die vor (oder nach) dem Sprechen eines Elementinhalts eingehalten werden soll. Die Werte haben die folgenden Bedeutungen:

<time>

Gibt die Pause in absoluten Zeiteinheiten an (Sekunden und Millisekunden).

<percentage>

Bezieht sich auf das Inverse des Werts der 'speech-rate'-Eigenschaft. Beträgt die Sprechgeschwindigkeit beispielsweise 120 Wörter pro Minute (das heißt ein Wort dauert eine halbe Sekunde oder 500 ms), bedeutet eine 'pause-before' von 100% eine Pause von 500 ms, und eine 'pause-before' von 20% bedeutet 100 ms.

Die Pause wird zwischen dem Elementinhalt und dem Inhalt von 'cue-before' oder 'cue-after', falls vorhanden, eingefügt.

Autoren sollten relative Einheiten verwenden, um angesichts großer Abweichungen der Sprechgeschwindigkeiten robustere Stylesheets zu erstellen.

Die 'pause'-Eigenschaft ist eine Abkürzung für die Einstellung von 'pause-before' und 'pause-after'. Werden zwei Werte angegeben, ist der erste Wert 'pause-before', der zweite Wert ist 'pause-after'. Ist nur ein Wert angegeben, gilt er für beide Eigenschaften.

H1 { pause: 20ms } /* pause-before: 20ms; pause-after: 20ms */
H2 { pause: 30ms 40ms } /* pause-before: 30ms; pause-after: 40ms */
H3 { pause-after: 10ms } /* pause-before: ?; pause-after: 10ms */

19.5 Cue-Eigenschaften: 'cue-before', 'cue-after' und 'cue'

Akustische Icons stellen eine weitere Möglichkeit dar, semantische Elemente voneinander zu unterscheiden. Klänge können vor und/oder nach dem Element abgespielt werden, um sie voneinander abzugrenzen. Die Werte haben die folgenden Bedeutungen:

<uri>

Der URI gibt die Ressource für ein akustisches Icon an. Löst sich der URI zu etwas anderem auf als zu einer Audio-Datei, beispielsweise zu einem Bild, sollte die Ressource ignoriert werden, und die Eigenschaft wird behandelt, als hätte sie den Wert 'none'.

none

Es wurde kein akustisches Icon angegeben.

A {cue-before: url("bell.aiff"); cue-after: url("dong.wav") }
H1 {cue-before: url("pop.au"); cue-after: url("pop.au") }

Die 'cue'-Eigenschaft ist eine Abkürzung für die Einstellung von 'cue-before' und 'cue-after'. Werden zwei Werte angegeben, bezieht sich der erste auf 'cue-before', der zweite auf 'cue-after'. Wird nur ein Wert angegeben, gilt er für beide Eigenschaften.

H1 {cue-before: url("pop.au"); cue-after: url("pop.au") }
H1 {cue: url("pop.au") }

Kann ein Benutzerprogramm ein akustisches Icon nicht darstellen (wenn es beispielsweise die Umgebung des Benutzers nicht erlaubt), empfehlen wir, einen alternativen Hinweis zu erzeugen (z.B. die Anzeige einer Warnung, die Ausgabe eines Warntons usw.).

19.6 Misch-Eigenschaften: 'play-during'

Ähnlich den Eigenschaften 'cue-before' und 'cue-after' gibt diese Eigenschaft einen Sound an, der als Hintergrund abgespielt werden soll, während der Inhalt eines Elements gesprochen wird. Die Werte haben die folgenden Bedeutungen:

<uri>

Der durch diesen <uri> angegebene Sound wird als Hintergrund abgespielt, während der Inhalt des Elements gesprochen wird.

mix

Falls dieses Schlüsselwort angegeben ist, bedeutet es, dass der Sound, der von der 'play-during'-Eigenschaft des übergeordneten Elements geerbt wurde, weiterhin abgespielt der in <uri> angegebene Sound damit gemischt wird. Ist 'mix' nicht angegeben, ersetzt der Hintergrundton des Elements den des übergeordneten Elements.

repeat

Falls dieses Schlüsselwort angegeben ist, bedeutet es, dass der Sound wiederholt wird, falls er zu kurz ist, um die Gesamtdauer des Elements abzudecken. Andernfalls wird der Sound einmal abgespielt und dann beendet. Das ist vergleichbar mit der 'background-repeat'-Eigenschaft. Ist der Sound zu lang für das Element, wird er abgebrochen, nachdem das Element gesprochen wurde.

auto

Der Sound des übergeordneten Elements wird weiterhin abgespielt (er wird nicht neu gestartet, was der Fall wäre, wäre diese Eigenschaft vererbt worden).

none

Dieses Schlüsselwort bedeutet Stille. Der Sound des übergeordneten Elements (falls vorhanden) ist still, während das aktuelle gesprochen wird, und wird nach dem aktuellen Element fortgesetzt.

BLOCKQUOTE.sad { play-during: url("violins.aiff") }
BLOCKQUOTE Q   { play-during: url("harp.wav") mix }
SPAN.quiet     { play-during: none }

19.7 Räumliche Eigenschaften: 'azimuth' und 'elevation'

Räumliches Audio ist eine wichtige stilistische Eigenschaft für die akustische Darstellung. Es bietet eine natürliche Möglichkeit, mehrere Stimmen voneinander zu unterscheiden, so wie im richtigen Leben (die Menschen stehen nur selten alle am selben Punkt in einem Raum). Stereo-Lautsprecher erzeugen Soundquellen von verschiedenen Seiten. Bi-akustische Kopfhörer oder die immer beliebter werdenden Heimkinos mit 5 Lautsprechern können vollständigen Surround-Sound erzeugen, und Einstellungen mit mehreren Lautsprechern können ein wirklich dreidimensionales Klangbild erzeugen. VRML 2.0 beinhaltet ebenfalls räumliches Audio, was bedeutet, dass es mit der Zeit auch immer mehr Hardware für räumliches Audio im Verbraucherpreisbereich geben wird.

Die Werte haben die folgenden Bedeutungen:

<angle>

Die Position wird als Winkel im Bereich zwischen '-360deg' und '360deg' angegeben. Der Wert '0deg' steht für eine Ausrichtung unmittelbar vorne im Mittelpunkt der Klangszene. '90deg' ist rechts, '180deg' hinten, und '270deg' (oder äquivalent dazu und gebräuchlicher '-90deg') ist links.

left-side

Wie '270deg'. Mit 'behind', '270deg'.

far-left

Wie '300deg'. Mit 'behind', '240deg'.

left

Wie '320deg'. Mit 'behind', '220deg'.

center-left

Wie '340deg'. Mit 'behind', '200deg'.

center

Wie '0deg'. Mit 'behind', '180deg'.

center-right

Wie '20deg'. Mit 'behind', '160deg'.

right

Wie '40deg'. Mit 'behind', '140deg'.

far-right

Wie '60deg'. Mit 'behind', '120deg'.

right-side

Wie '90deg'. Mit 'behind', '90deg'.

leftwards

Verschiebt den Sound nach links, relativ zum aktuellen Winkel. Genauer gesagt, werden dabei 20 Grad subtrahiert. Die Arithmetik wird als modulo 360 Grad ausgeführt. Beachten Sie, dass 'leftwards' genauer als „gedreht im Gegen-Uhrzeigersinn“ beschrieben wird, weil dabei immer 20 Grad subtrahiert werden, selbst wenn der geerbte Azimuth bereits hinter dem Zuhörer liegt (in diesem Fall scheint der Sound nach rechts zu gehen).

rightwards

Verschiebt den Sound nach rechts, relativ zum aktuellen Winkel. Genauer gesagt, werden 20 Grad addiert. Die Arithmetik ist unter 'leftwards' beschrieben.

Diese Eigenschaft wird am wahrscheinlichsten implementiert, indem dasselbe Signal in unterschiedliche Kanäle mit unterschiedlichen Lautstärken gemischt wird. Dabei könnten auch eine Phasenverschiebung, eine digitale Verzögerung oder andere, ähnliche Techniken verwendet werden, um die Illusion einer Klangbühne zu erzielen. Welche Mittel genau eingesetzt werden, um diesen Effekt zu erzielen, sowie die Anzahl der verwendeten Lautsprecher, sind vom Benutzerprogramm abhängig; diese Eigenschaft identifiziert nur das gewünschte Endergebnis.

H1   { azimuth: 30deg }
TD.a { azimuth: far-right }          /*  60deg */
#12  { azimuth: behind far-right }   /* 120deg */
P.comment { azimuth: behind }        /* 180deg */

Wird ein räumlicher Azimuth angegeben und das Ausgabegerät kann keine Sounds hinter der Position des Zuhörers erzeugen, sollten die Benutzerprogramme Werte der rückwärtigen Halbkugel in Werte der vorderen Halbkugel umwandeln. Eine Methode sieht wie folgt aus:

• if 90deg < x <= 180deg then x := 180deg – x
• if 180deg < x <= 270deg then x := 540deg – x

Die Werte für diese Eigenschaft haben die folgenden Bedeutungen:

<angle>

Gibt die Steigung als Winkel zwischen '-90deg' und '90deg' an. '0deg' bedeutet, auf dem vorderen Horizont, was in etwa derselben Ebene mit dem Zuhörer entspricht. '90deg' bedeutet direkt über und '-90deg' bedeutet direkt unter dem Zuhörer.

below

Wie '-90deg'.

level

Wie '0deg'.

above

Wie '90deg'.

higher

Addiert 10 Grad zur aktuellen Steigung.

Welche Mittel für die Erzielung dieses Effekts eingesetzt werden und die Anzahl der verwendeten Lautsprecher, ist nicht definiert. Diese Eigenschaft definiert nur das gewünschte Endergebnis.

H1   { elevation: above }
TR.a { elevation: 60deg }
TR.b { elevation: 30deg }
TR.c { elevation: level }

19.8 Eigenschaften zur Sprachcharakteristik: 'speech-rate', 'voice-family', 'pitch', 'pitch-range', 'stress' und 'richness'

Diese Eigenschaft gibt die Sprechgeschwindigkeit an. Beachten Sie, dass sowohl absolute als auch relative Schlüsselwortwerte erlaubt sind (siehe auch 'font-size', 15.2.4). Die Werte haben die folgende Bedeutung:

<number>

Gibt die Sprechgeschwindigkeit in Wörtern pro Minute an, eine Maßzahl, die abhängig von der jeweiligen Sprache variiert, aber dennoch von Sprachsynthesizern allgemein unterstützt wird.

x-slow

Entspricht 80 Wörtern pro Minute.

slow

Entspricht 120 Wörtern pro Minute.

medium

Entspricht 180 – 200 Wörtern pro Minute.

fast

Entspricht 300 Wörtern pro Minute.

x-fast

Entspricht 500 Wörtern pro Minute.

faster

Addiert 40 Wörter pro Minute zur aktuellen Sprechgeschwindigkeit.

slower

Subtrahiert 40 Wörter pro Minute von der aktuellen Sprechgeschwindigkeit.

Der Wert ist eine durch Kommas getrennte, nach Priorität geordnete Liste mit Sprachfamiliennamen (zu vergleichen mit 'font-family'). Die Werte haben die folgenden Bedeutungen:

<generic-voice>

Die Werte stellen Stimmfamilien dar. Mögliche Werte sind 'male', 'female' und 'child' (männlich, weiblich, Kind).

<specific-voice>

Bei den Werten handelt es sich um spezifische Instanzen (z.B. Schauspieler, Trinoide, Carlos, Lani).

H1 { voice-family: announcer, male }
P.part.romeo  { voice-family: romeo, male }
P.part.juliet { voice-family: juliet, female }

Die Namen bestimmter Stimmen können in Anführungszeichen eingeschlossen werden. Sie müssen in Anführungszeichen eingeschlossen werden, wenn Wörter, aus denen sich der Name zusammensetzt, nicht den Syntaxregeln für Bezeichner entsprechen. Außerdem wird empfohlen, dass bestimmte Stimmen in Anführungszeichen eingeschlossen werden, deren Namen sich aus mehreren Wörtern zusammensetzen. Werden die Anführungszeichen weggelassen, werden alle Leerraumzeichen vor und hinter dem Stimmnamen ignoriert und Folgen beliebig vieler Leerraumzeichen innerhalb des Stimmnamens zu einem einzigen Leerzeichen umgewandelt.

Gibt die durchschnittliche Stimmung (eine Frequenz) der Sprechstimme an. Die durchschnittliche Stimmung einer Stimme ist von der Stimmfamilie abhängig. Die durchschnittliche Stimmung für eine männliche Standardstimme beispielsweise liegt bei etwa 120 Hz, für eine weibliche Stimme etwa bei 210 Hz.

Die Werte haben die folgenden Bedeutungen:

<frequency>

Gibt die durchschnittliche Stimmung der Sprechstimme in Hertz (Hz) an.

x-low, low, medium, high, x-high

Diese Werte sind keinen absoluten Frequenzen zugeordnet, weil sie von der Stimmfamilie abhängig sind. Benutzerprogramme sollten diese Werte geeigneten Frequenzen zuordnen, abhängig von der Stimmfamilie und der Benutzerumgebung. Die Benutzerprogramme müssen diese Werte jedoch in der richtigen Reihenfolge zuordnen (d.h. 'x-low' ist eine niedrigere Frequenz als 'low' usw.).

Gibt die Abweichung von der durchschnittlichen Stimmung an. Die wahrgenommene Stimmung einer menschlichen Stimme wird durch die Grundfrequenz festgelegt und weist normalerweise einen Wert von 120 Hz für eine männliche Stimme und 210 Hz für eine weibliche Stimme auf; diese Abweichungen vermitteln zusätzliche Bedeutung und Betonung. Eine hoch animierte Stimme, das heißt, eine Stimme, die stark abgewandelt ist, weist einen hohen Stimmungsbereich auf. Diese Eigenschaft bestimmt den Bereich, über den diese Variationen auftreten, das heißt, wie stark die Grundfrequenz von der durchschnittlichen Stimmung abweichen darf.

Die Werte haben die folgenden Bedeutungen:

<number>

Ein Wert zwischen '0' und '100'. Ein Stimmungsbereich von '0' erzeugt eine flache, monotone Stimme. Ein Stimmungsbereich von '50' erzeugt eine normale Variation. Stimmungsbereiche größer 50 erzeugen animierte Stimmen.

Gibt die Höhe „lokaler Spitzen“ in der Intonationskontur einer Stimme an. Beispielsweise ist Englisch eine betonte Sprache, und unterschiedliche Abschnitte eines Satzes erhalten eine primäre, sekundäre oder tertiäre Betonung. Der Wert von 'stress' steuert die Abweichung, die aus diesen Betonungszeichen resultiert. Diese Eigenschaft begleitet die Eigenschaft 'pitch-range' und wird bereitgestellt, um den Entwicklern die Möglichkeit zu eröffnen, professionelle akustische Ausgabegeräte zu nutzen.

Die Werte haben die folgenden Bedeutungen:

<number>

Ein Wert zwischen '0' und '100'. Die Bedeutung dieses Werts ist von der gesprochenen Sprache abhängig. Ein Wert von '50' beispielsweise für eine standardmäßige englisch sprechende Männerstimme (durchschnittliche Stimmung = 122 Hz), die mit normaler Intonation und Betonung spricht, hätte eine andere Bedeutung als der Wert '50' für eine italienische Stimme.

Gibt den Umfang der Sprechstimme an. Eine umfassende Stimme „trägt“ in einem großen Raum, eine glatte Stimme nicht. (Der Begriff „glatt“ bezieht sich auf die Darstellung der Wellenform.)

Die Werte haben die folgenden Bedeutungen:

<number>

Ein Wert zwischen '0' und '100'. Je höher dieser Wert ist, desto mehr trägt die Stimme. Ein geringerer Wert erzeugt eine sanfte, honigsüße Stimme.

19.9 Spracheigenschaften: 'speak-punctuation' und 'speak-numeral'

Eine zusätzliche Spracheigenschaft, speak-header, ist im Kapitel 17 über Tabellen beschrieben.

Diese Eigenschaft legt fest, wie die Interpunktion ausgesprochen wird. Die Werte haben die folgenden Bedeutungen:

code

Die Interpunktion wie beispielsweise Semikolons, Klammern usw. werden wörtlich ausgesprochen.

none

Die Interpunktion wird nicht gesprochen, sondern durch unterschiedliche natürliche Pausen dargestellt.

Diese Eigenschaft steuert, wie Zahlen ausgesprochen werden. Die Werte haben die folgenden Bedeutungen:

digits

Die Zahlen werden als einzelne Ziffern ausgesprochen. „237“ wird also als „Zwei Drei Sieben“ ausgesprochen.

continuous

Die Zahl wird als vollständige Zahl ausgesprochen. „237“ wird also als „Zweihundertsiebenunddreißig“ ausgesprochen. Die Wortdarstellungen sind sprachabhängig.