Sources of Variability in Consonant Perception and Implications for Speech Perception Modeling

The  present  study  investigated  the  influence  of  various  sources  of response  variability  in  consonant  perception.  A  distinction  was  made  between source­induced variability and receiver­related variability. The former refers to perceptual differences induced by differences in the speech tokens and/or the masking noise tokens; the latter describes perceptual differences caused by within­ and across­listener uncertainty. Consonant­vowel combinations  (CVs) were presented to normal­hearing listeners in white noise at six different signal­to­noise ratios. The obtained responses were analyzed with respect to the considered sources of variability using a measure of the perceptual distance between responses. The largest effect was found across different CVs. For stimuli of the same phonetic identity, the speech­induced  variability  across  and  within talkers  and the  across­listener  variability were  substantial  and  of  similar magnitude. Even time­shifts in the  waveforms of white masking noise produced a significant effect, which was well above the within­listener  variability  (the  smallest effect). Two auditory­inspired models in combination with a template­matching back end were considered to predict the perceptual  data.  In  particular, an energy­based and a modulation­based approach were compared. The  suitability  of the two models was evaluated with  respect to the source­induced perceptual distance and in terms of consonant recognition rates and consonant confusions. Both models captured the source­induced perceptual distance
remarkably well. However, the modulation­based approach showed a better agreement  with  the  data  in  terms  of  consonant  recognition  and  confusions.  The results indicate that low-frequency modulations up to 16 Hz play a crucial role in
consonant perception.