Anbefalte minimumskrav for tegnspråk på digital video

Transkript

1 Anbefalte minimumskrav for tegnspråk på digital video Finn Arild T. Eilertsen Utviklingsavdelingen, Møller kompetansesenter April 2002

2 Generelt om behov for standard for tegnspråk på digital video FNs standardregler for like muligheter for mennesker med funksjonshemming og Regjeringens Handlingsplan for funksjonshemmede og Opplæringslovens kap. 5 utgjør til sammen et sterkt grunnlag for å kunne kreve at informasjon er tilgjengelig for funksjonshemmede, deriblant døve. Staten har her en sterk forpliktelse til å tilrettelegge for at døve også får tilgang til informasjon og mulighet til kommunikasjon. Mange døve har norsk tegnspråk som førstespråk. En del døve har sterkt behov for å få informasjon på tegnspråk. Hørende dyslektikere har radio, norskspråklige TV-programmer og muntlig samtale som alternativ til norsk skriftspråk. Døve som har lese- og skrivevansker eller som ikke behersker norsk som språk har bare tegnspråk som et fullgodt språk å kommunisere og få informasjon i. Derfor er det viktig at man sikrer at teknologiske standarder ikke ekskluderer muligheten til å bruke tegnspråk. For eksempel mobiltelefoner med kamera og bildeoverføring har man sikret at kvaliteten er eller kan gjøres så god at døve også kan benytte dette som et kommunikasjonsmiddel? Standarder for videokonferansesystemer, bildetelefoner og videooverføring ellers har man sikret at dette kan gjøres i en kvalitet god nok til å brukes til norsk tegnspråk? Utviklingsavdelingen ved Møller kompetansesenter har i de siste årene produsert CD-ROM og internettmateriell med tegnspråk på digital video. Gjennom denne erfaringen føler vi at vi har grunnlag for å kunne angi retningslinjer for hva som kan definere minimumskrav for norsk tegnspråk gjengitt på digital video. Disse retningslinjene er utviklet primært med tanke på norsk tegnspråk, men er fullt overførbare til andre lands tegnspråk. Vi håper at disse retningslinjene kan tjene til at standarder ikke blir definert på en slik måte at tegnspråk ekskluderes fra teknologiske bruksområder.

3 Bildefrekvens Antallet bilder som en video viser pr. sekund kaller vi her for bildefrekvens. Bildefrekvensen avgjør hvor flytende en bevegelse vil gjengis på skjermen. På vanlig TV i Europa hvor PAL standarden følges, oppdateres TV-bildet 50 ganger i sekundet (50 Hz). Det er imidlertid bare 25 bilder som vises pr. sekund, da TV-en bruker to skjermoppdateringer på å gjengi ett bilde. På en PC har imidlertid ikke skjermens oppdateringsfrekvens sammenheng med bildefrekvensen på en digital video. Derfor behøver vi her kun å forholde oss til antallet bilder pr. sekund i et filmklipp uten å berøre oppdateringsfrekvensen på PC-skjerm eller grafikkkort. For å gjengi tegnspråk godt på digital video, må bildefrekvensen være god nok til at man kan oppfatte det som blir sagt. Vårt kriterium er at tegnspråk på digital video må være av en så god kvalitet at man ikke mister meningsinnhold på grunn av gjengivelseskvaliteten. For skriftlig tekst har man oppfattet alt dersom man kan skjelne hvilke bokstaver som står på skjermen. For tegnspråk må man oppfatte bevegelse, munnstilling, blikkretning og andre viktige grammatiske enheter for å få en oppfattelse av meningsinnholdet i det som blir sagt. Hvor flytende en bevegelse gjengis påvirker meningsinnholdet. Derfor må det stilles høyere krav til tegnspråk på digital video enn der videoen for eksempel bare skal vise ansiktet til den du snakker med via talespråk. Om videobøker for døve kan man lese i Signing Books for the Deaf, EU Telematics Applications Programme DE 4209: While in many circumstances the impression is good enought with only 8 frames per second, this is not true for sign language with its relatively fast movements. The minimum rate depends, of course, on the signer(s) in front of your camera; but you will probably find that 12,5 frames per second is the minimum before viewers complain that signs are difficult to recognise. Videre viser vi til en analyse i rapporten Kvalitetskrav på videotelefoni för teckenspråkskommunikation (Hellström 1996) angående bildefrekvens som oppsummeres slik: 1-4 bilder/sekund: Omöjligt för teckenspråk 5-11 bilder/sekund: Möjligt att uppfatta, men ansträngende och ger missförståndsrisk bilder/sekund: Godtagbart för teckenspråk. Risk för problem vid bokstavering. Gradvis bättre ju högre bildväkslingstakt. 20 bilder/sekund eller mer: Bra Hellströms analyse trekker fram to aspekter som klart viser behovet. Det første er at dersom man bokstaverer et ord med håndalfabetet, trenger man minst 3 bilder for å gjenkjenne en bokstav. Blant døve er det vanlig å bokstavere et ord med en hastighet på 7 bokstaver pr. sekund. Derfor må det vises minst 21 bilder pr. sekund for at en skal kunne oppfatte naturlig bokstavering på tegnspråk. Det andre er at viktige grammatiske elementer som å blinke med øyet må bli med på videoen. Et blink tar ca. 0,1 sekund. Derfor kan ikke bildeintervallet være lengre enn halvparten av denne tiden. Et intervall på 0,05 sekund tilsvarer 20 bilder pr. sekund.

4 Siden standard videoutstyr som brukes i Europa (PAL og SECAM) benytter 25 bilder pr.sekund vil det være naturlig å velge denne bildefrekvensen som standard for tegnspråk på digital video. Der NTSC standarden følges, blant annet i USA, vil det tilsvarende være 29,97 bilder pr. sekund. Avviker man fra denne frekvensen, vil det også forvanske produksjonen av tegnspråk på digital video og medføre økte produksjonskostnader. En vanlig metode for å spare båndbredde er å halvere bildefrekvensen til 12,5 eller 15 sekunder. Dette gir en for lav bildefrekvens til å gjengi tegnspråk, og det er derfor viktig å unngå at denne frekvensen blir en uforanderlig konfigurasjon innen f.eks. mobiltelefoni med kamera og bildeoverføring. For tegnspråk på digital video bør minimumskravet være full bildefrekvens, altså 25 eller 30 bilder pr. sekund.

5 Oppløsning Oppløsningen på videoen angir hvor mange bildepunkter som utgjør et bilde. For vanlig TVopptak er oppløsningen 720 x 576 for PAL. Det er denne oppløsningen ett bilde har på en DVD-film. Når det gjelder digital video til bruk på datamaskiner, har det vokst fram en form for standarder når det gjelder oppløsninger. Et eksempel er CIF (Common Interchange Format) som er 352 x 288 punkter. Dette er det samme som VCD PAL. For å spare lagerplass og båndbredde er også f.eks. QCIF (Quarter CIF) på 176 x 144 brukt. Men det er også vanlig å finne video størrelser som er direkte avledet av skjermoppløsning på PC-skjermene. Mange av videofilene som er i sirkulasjon blant annet på internett, kan spilles av på full skjerm. Det er derfor vanlig å finne digital video som har størrelser er direkte avledet av vanlige skjermoppløsninger som 640 x 480, 1024 x 768 og så videre. Typiske video størrelser er da 160 x 120, 320 x 240 og 640 x 480. For å sammenligne med vanlig videoutstyr følger en oversikt over vanlige digitale oppløsninger. Merk at oppløsningen (resolution) er angitt med NTSC øverst og PAL i underste linje, tabellen kan lett misforstås her. Figur fra Video CD og Super Video CD (VCD og SVCD) er også standarder som er utbredt, spesielt i Asia. Man kan brenne en CD-R plate med vanlige brenneprogrammer som f.eks. Nero Burning ROM og lage VCD/SVCD-plater som kan spilles av på mange stasjonære DVDspillere. Oppløsningen som brukes for VCD er den samme som CIF, for SVCD 480 x 576 punkter. Når det gjelder tegnspråk på digital video, ønsker vi at det skal angis en minimumsoppløsning som sikrer at man kan avlese tegnspråk uten å miste meningsinnhold. Samtidig er det ønskelig at oppløsningen kan følge en standard som gjør det enklest mulig å kunne overføre tegnspråkmateriell mellom ulike medier.

6 Det er vanskelig å angi en konkret tallgrense for hvor stor oppløsning en video må ha for at tegnspråk skal kunne formidles uten tap av meningsinnhold. Mange faktorer spiller inn, blant annet kontrast og lys i bildet, avstand fra kamera, bildeskarphet og komprimering. Den klassiske tegnspråkvideoen viser som regel en person som snakker tegnspråk (en tegnspråkmodell) i halvbilde, dvs. at vi ser øverste halvpart av kroppen til tegnspråkmodellen. Bredde-høyde formatet på bildet er 4:3, som er mest vanlig idag hvis man ser bort fra spillefilmer. Dette formatet egner seg godt for å vise en person som snakker tegnspråk da vi får med hele ansiktet og har godt med plass i bildet til armbevegelser. Er det snakk om flere tegnspråkmodeller som står ved siden av hverandre i samme bilde og man har en statisk kameraposisjon, må man som regel øke avstand mellom kamera og modell for å få med begge modellene i bildet. Dermed må man også øke oppløsningen for å få like god lesbarhet. I disse tilfellene vil widescreen-format egne seg bedre enn det tradisjonelle 4:3 formatet. Den følgende vurderingen gjelder for den klassiske videoen med en tegnspråkmodell i halvbilde i 4:3 format. Her må vi trekke inn egne erfaringer fra produksjon av digital video. I løpet av de siste 3 årene har vi publisert CD-ROMer med tegnspråkmateriell på digital video. Pr. idag utgjør mengden digital tegnspråkvideo fra oss som er levert på markedet ca. 6 GB og er stadig økende. Vår erfaring er at digital video som viser en tegnspråkmodell må ha en oppløsning på minst 320 x 240 bildepunkter for å sikre god lesbarhet. Vi har i våre produksjoner ofte benyttet denne oppløsningen. Dette har også sammenheng med den fysiske størrelsen man får på skjermen. De fleste PC-skjermer har en oppløsning i forhold til fysiske dimensjoner på omtrent 72 dpi. Dette tilsvarer en fysisk synlig videostørrelse på 11,3 x 8,5 cm på skjermen for en video med 320 x 240 punkters oppløsning. En person med normalt syn kan sitte på anbefalt avstand fra en vanlig PC-skjerm og avlese tegnspråk med denne størrelsen, men vi merker at mange brukere bøyer seg nærmere skjermen for å avlese nyanser i språket, som f.eks. blikkretning og munnstilling. Derfor anser vi 320 x 240 punkter som en minimumsoppløsning for å avlese tegnspråk i maksimal kvalitet. Det kan likevel tenkes at det i visse tilfeller ikke er nødvendig å avlese alle nyanser i et tegnspråklig budskap, som for eksempel en kort beskjed om neste stoppested på et tog. I disse tilfellene kan en oppløsning tilsvarende QCIF (176 x 144 punkter) være tilstrekkelig hvis videoen har høy bildekvalitet når det gjelder skarphet, kontrast og bildefrekvens. For tegnspråk på digital video som viser en tegnspråkmodell i halvbilde bør oppløsningen tilsvare CIF/VCD (352 x 288) punkter dersom videoen skal kunne avleses behagelig. I situasjoner der tegnspråket kun skal formidle enkel informasjon og der båndbredde er en faktor, kan QCIF (176 x 144) punkter være tilstrekkelig.

7 Navigerbarhet Tegnspråk på digital video er ofte gjenstand for språklige analyser. Årsaken er blant annet at tegnspråk idag er et fagfelt i sterk utvikling, og det finnes lite språkmateriell å analysere. En stor del av målgruppen for tegnspråk på digital video er mennesker som ønsker å lære tegnspråk, for eksempel foreldre til døve barn, tolkestudenter og andre innen utdanningssektoren. Derfor er det et behov for at tegnspråk på digital video har god navigerbarhet. Dette avhenger ofte av maskinvare, kodeker 1 og avspillingsprogramvare. Det vil gå for langt å berøre detaljer rundt konkrete eksempler. Navigerbarhet som en egenskap er også noe som måles subjektivt, da dette ikke kan måles i tall, men ofte blir betegnet som god eller dårlig. Vi vil heller spesifisere to konkrete minimumskrav for navigerbarhet: Bilde for bilde søk. Ved pause skal det være mulig å hoppe ett bilde framover eller bakover gjentatte ganger. Eksakt indeksering av bilde i videoen. Det skal være mulig å referere til et bilde entydig. For videoer med en bildefrekvens på 25 tilsier dette at tidskoden skal ha en minimumsoppløsning på 1/25 sekunder, eller 0.04 sekunder (1/30 sekunder for NTSC). Kan man ikke spesifisere tidskode nøyaktigere enn for eksempel 1/10 sekunder, vil for eksempel en tidskode på 0.1 sekunder peke til bilde nr. 0, 1, 2 og 3 i en video. Tegnspråk på digital video bør kunne navigeres i slik at man kan søke bilde for bilde både framover og bakover, samt indeksere enkeltbilder i videoen entydig. 1 kodek: ko mpressor-dekompressor, programvare som komprimerer video til et egnet lagringsformat for å spare lagerplass (f.eks. på harddisk), og dekomprimerer videoen under avspilling.

8 Kilder Gunnar Hellström 1996: Kvalitetskrav på videotelefoni för teckenspråkskommunikation SDR, Omnitor, Kalejdo 1996, Signing Books for the Deaf. EU-Telematics Applications Programme DE 4209.