Application of Wavelets in Speech

Processing 2nd Edition Mohamed

Hesham Farouk (Auth.)
Visit to download the full and correct content document:
https://textbookfull.com/product/application-of-wavelets-in-speech-processing-2nd-edi
tion-mohamed-hesham-farouk-auth/
More products digital (pdf, epub, mobi) instant
download maybe you interests ...

Recent Advances in Engineering Mathematics and Physics:

Proceedings of the International Conference RAEMP 2019
Mohamed Hesham Farouk

https://textbookfull.com/product/recent-advances-in-engineering-
mathematics-and-physics-proceedings-of-the-international-
conference-raemp-2019-mohamed-hesham-farouk/

PROTEIN DOWNSTREAM PROCESSING design development and

application of high 2nd Edition

https://textbookfull.com/product/protein-downstream-processing-
design-development-and-application-of-high-2nd-edition/

Robust Digital Processing of Speech Signals 1st Edition

Branko Kovacevic

https://textbookfull.com/product/robust-digital-processing-of-
speech-signals-1st-edition-branko-kovacevic/

Wavelets in Medicine and Biology Akram Aldroubi

https://textbookfull.com/product/wavelets-in-medicine-and-
biology-akram-aldroubi/
Audio And Speech Processing With MATLAB Paul R. Hill

https://textbookfull.com/product/audio-and-speech-processing-
with-matlab-paul-r-hill/

Student Speech Policy Readability in Public Schools:

Interpretation, Application, and Elevation of Student
Handbook Language 1st Edition Erica Salkin

https://textbookfull.com/product/student-speech-policy-
readability-in-public-schools-interpretation-application-and-
elevation-of-student-handbook-language-1st-edition-erica-salkin/

Engineering aspects of membrane separation and

application in food processing 1st Edition Robert W.
Field

https://textbookfull.com/product/engineering-aspects-of-membrane-
separation-and-application-in-food-processing-1st-edition-robert-
w-field/

Sustainable Downstream Processing of Microalgae for

Industrial Application 1st Edition Kalyan Gayen

https://textbookfull.com/product/sustainable-downstream-
processing-of-microalgae-for-industrial-application-1st-edition-
kalyan-gayen/

Speech and Audio Processing A MATLAB based Approach 1st

Edition Ian Vince Mcloughlin

https://textbookfull.com/product/speech-and-audio-processing-a-
matlab-based-approach-1st-edition-ian-vince-mcloughlin/
SPRINGER BRIEFS IN ELEC TRIC AL AND
COMPUTER ENGINEERING  SPEECH TECHNOLOGY

Mohamed Hesham Farouk

Application
of Wavelets
in Speech
Processing
Second Edition

123
SpringerBriefs in Electrical and Computer
Engineering

Speech Technology

Series editor
Amy Neustein, Fort Lee, NJ, USA
Editor’s Note

The authors of this series have been hand-selected. They comprise some of the most
outstanding scientists—drawn from academia and private industry—whose research
is marked by its novelty, applicability, and practicality in providing broad based
speech solutions. The SpringerBriefs in Speech Technology series provides the
latest findings in speech technology gleaned from comprehensive literature reviews
and empirical investigations that are performed in both laboratory and real life
settings. Some of the topics covered in this series include the presentation of real
life commercial deployment of spoken dialog systems, contemporary methods of
speech parameterization, developments in information security for automated
speech, forensic speaker recognition, use of sophisticated speech analytics in call
centers, and an exploration of new methods of soft computing for improving human-
computer interaction. Those in academia, the private sector, the self service industry,
law enforcement, and government intelligence, are among the principal audience
for this series, which is designed to serve as an important and essential reference
guide for speech developers, system designers, speech engineers, linguists and
others. In particular, a major audience of readers will consist of researchers and
technical experts in the automated call center industry where speech processing is a
key component to the functioning of customer care contact centers.

Amy Neustein, Ph.D., serves as Editor-in-Chief of the International Journal of

Speech Technology (Springer). She edited the recently published book “Advances in
Speech Recognition: Mobile Environments, Call Centers and Clinics” (Springer
2010), and serves as quest columnist on speech processing for Womensenews.
Dr. Neustein is Founder and CEO of Linguistic Technology Systems, a NJ-based
think tank for intelligent design of advanced natural language based emotion-
detection software to improve human response in monitoring recorded conversations
of terror suspects and helpline calls. Dr. Neustein’s work appears in the peer review
literature and in industry and mass media publications. Her academic books, which
cover a range of political, social and legal topics, have been cited in the Chronicles
of Higher Education, and have won her a pro Humanitate Literary Award. She
serves on the visiting faculty of the National Judicial College and as a plenary
speaker at conferences in artificial intelligence and computing. Dr. Neustein is a
member of MIR (machine intelligence research) Labs, which does advanced work in
computer technology to assist underdeveloped countries in improving their ability
to cope with famine, disease/illness, and political and social affliction. She is a
founding member of the New York City Speech Processing Consortium, a newly
formed group of NY-based companies, publishing houses, and researchers dedicated
to advancing speech technology research and development.

More information about this series at http://www.springer.com/series/10043

Mohamed Hesham Farouk

Application of Wavelets
in Speech Processing
Second Edition
Mohamed Hesham Farouk
Department of Engineering, Math and Physics
Cairo University, Faculty of Engineering
Giza, Egypt

ISSN 2191-8112     ISSN 2191-8120 (electronic)

SpringerBriefs in Electrical and Computer Engineering
ISSN 2191-737X        ISSN 2191-7388 (electronic)
SpringerBriefs in Speech Technology
ISBN 978-3-319-69001-8    ISBN 978-3-319-69002-5 (eBook)
https://doi.org/10.1007/978-3-319-69002-5

Library of Congress Control Number: 2017958884

© The Author(s) 2014, 2018

This work is subject to copyright. All rights are reserved by the Publisher, whether the whole or part of
the material is concerned, specifically the rights of translation, reprinting, reuse of illustrations, recitation,
broadcasting, reproduction on microfilms or in any other physical way, and transmission or information
storage and retrieval, electronic adaptation, computer software, or by similar or dissimilar methodology
now known or hereafter developed.
The use of general descriptive names, registered names, trademarks, service marks, etc. in this publication
does not imply, even in the absence of a specific statement, that such names are exempt from the relevant
protective laws and regulations and therefore free for general use.
The publisher, the authors and the editors are safe to assume that the advice and information in this book
are believed to be true and accurate at the date of publication. Neither the publisher nor the authors or the
editors give a warranty, express or implied, with respect to the material contained herein or for any errors
or omissions that may have been made. The publisher remains neutral with regard to jurisdictional claims
in published maps and institutional affiliations.

Printed on acid-free paper

This Springer imprint is published by Springer Nature

The registered company is Springer International Publishing AG
The registered company address is: Gewerbestrasse 11, 6330 Cham, Switzerland
To the soul of my mother
Preface

This is a new edition of the title Application of Wavelets in Speech Processing

published in 2014. All chapters of previous edition have been revised in this work.
The sequence of topics is rearranged taking into consideration the dependency
among topics such that the information flow through book chapters becomes
smoother. More subjects have been added in the current edition reflecting advances
in using wavelet analysis for speech processing and its widespread applications.

Organization of the Book

The chapters of this book have been structured such that each one is self-contained
and can be read separately. Each chapter is concerned with a specific application of
wavelets in speech technology. Every module in a chapter surveys the literature in
this topic such that the use of wavelets in the work is explained and experimental
results of proposed method are then discussed. Chapter 1 introduces the topic of
speech processing, while Chap. 2 discusses processes for speech production and
different approaches in modeling of a speech signal. Chapter 3, thereafter, explains
how wavelets can describe and model many features of a speech signal. Applications
of wavelet transform (WT) in speech processing are the subjects of subsequent
chapters. Collectively, the power of WT in estimating spectral characteristics of
speech is explained in Chap. 4 showing how elements of such spectrum can be
derived like pitch and formants. Chapter 5 confers the problem of speech activity
detection and signal separation based on features extracted from WT. Enhancement
and noise cancellation is revised in Chap. 6 showing how WT improves the process.
The problem of speech recognition is discussed in Chap. 7 in view of the provided
powerful features obtained by a wavelet analysis. Another recognition problem is
considered in Chap. 8 discussing the identification of a speaker from his voice.
Additionally, a similar topic on emotion recognition through wavelet features in an
utterance is elucidated in Chap. 9. Another key application of speech is discussed in
Chap. 10 showing how speech signal can be decoded and synthesized using a

vii
viii Preface

low-dimensional features domain. Also, the assessment of speech quality based on

WT coefficients is surveyed and explained in Chap. 11. Chapter 12 has been added
in this edition to examine how nonlinear features can be extracted from a speech
signal by WT. Furthermore, Chap. 13 hits critical application of speech signal in
security and steganography. More arguments on clinical diagnosis are discussed in
Chap. 14 through wavelet features of speech recorded from a patient.

Acknowledgment

The author would like to thank the editorial board of the SpringerBriefs series for
letting him prepare this monograph and for their continuous cooperation during the
preparation of the work. Thanks should also go to my colleagues at the Engineering
Physics Department, Bahira Elsebelgy, Ph.D., and M. El-Gohary, M.Sc., for helping
in proofreading.

Giza, Egypt Mohamed Hesham Farouk

Contents

1 Introduction............................................................................................. 1
1.1 History and Definition of Speech Processing.................................. 1
1.2 Applications of Speech Processing.................................................. 2
1.3 Recent Progress in Speech Processing............................................. 2
1.4 Wavelet Analysis as an Efficient Tool for Speech Processing......... 3
References................................................................................................. 4
2 Speech Production and Perception........................................................ 5
2.1 Speech Production Process.............................................................. 5
2.2 Classification of Speech Sounds...................................................... 6
2.3 Speech Production Modeling........................................................... 7
2.4 Speech Perception Modeling........................................................... 8
2.5 Intelligibility and Speech Quality Measures.................................... 9
References................................................................................................. 10
3 Wavelets, Wavelet Filters, and Wavelet Transforms............................ 11
3.1 Short-Time Fourier Transform (STFT)............................................ 11
3.2 Multiresolution Analysis and Wavelet Transform............................ 12
3.3 Wavelets and Bank of Filters........................................................... 14
3.4 Wavelet Families.............................................................................. 15
3.5 Wavelet Packets................................................................................ 16
3.6 Undecimated Wavelet Transform..................................................... 18
3.7 The Continuous Wavelet Transform (CWT).................................... 18
3.8 Wavelet Scalogram........................................................................... 19
3.9 Empirical Wavelets.......................................................................... 19
References................................................................................................. 20
4 Spectral Analysis of Speech Signal and Pitch Estimation................... 23
4.1 Spectral Analysis.............................................................................. 23
4.2 Formant Tracking and Estimation.................................................... 24
4.3 Pitch Estimation............................................................................... 25
References................................................................................................. 27

ix
x Contents

5 Speech Detection and Separation..........................................................  29

5.1 Voice Activity Detection.................................................................. 29
5.2 Segmentation of Speech Signal....................................................... 30
5.3 Source Separation of Speech........................................................... 31
References.................................................................................................  33
6 Speech Enhancement and Noise Suppression......................................  35
6.1 Thresholding Schemes..................................................................... 36
6.2 Thresholding on Wavelet Packet Coefficients................................. 37
6.3 Enhancement on Multitaper Spectrum............................................. 38
References.................................................................................................  39
7 Speech Recognition.................................................................................  41
7.1 Signal Enhancement and Noise
Cancellation for Robust Recognition............................................... 41
7.2 Wavelet-Based Features for Better Recognition.............................. 42
7.3 Hybrid Approach.............................................................................. 43
7.4 Wavelet as an Activation Function for Neural
Networks in ASR............................................................................. 44
References.................................................................................................  45
8 Speaker Identification.............................................................................  47
8.1 Wavelet-Based Features for Speaker Identification......................... 48
8.2 Hybrid Feature Sets for Speaker Identification................................ 49
References.................................................................................................  49
9 Emotion Recognition from Speech........................................................  51
9.1 Wavelet-Based Features for Emotion Recognition.......................... 51
9.2 Combined Feature Set for Better Emotion Recognition.................. 53
9.3 WNN for Emotion Recognition....................................................... 54
References.................................................................................................  54
10 Speech Coding, Synthesis, and Compression.......................................  57
10.1 Speech Synthesis............................................................................ 57
10.2 Speech Coding and Compression.................................................. 58
10.3 Real-Time Implementation of DWT-Based
Speech Compression...................................................................... 58
References ...............................................................................................  59
11 Speech Quality Assessment....................................................................  61
11.1 Wavelet-Packet Analysis................................................................ 61
11.2 Discrete Wavelet Transform........................................................... 63
References ...............................................................................................  64
12 Scalogram and Nonlinear Analysis of Speech......................................  65
12.1 Wavelet-Based Nonlinear Features................................................ 65
12.2 Wavelet Scalogram Analysis.......................................................... 66
12.3 Nonlinear and Chaotic Components in Speech Signal.................. 67
References ...............................................................................................  69
Contents xi

13 Steganography, Forensics, and Security of Speech Signal..................  71

13.1 Secure Communication of Speech................................................. 71
13.2 Watermarking of Speech................................................................ 73
13.3 Watermarking in Sparse Representation........................................ 73
13.4 Forensic Analysis of Speech.......................................................... 74
References ...............................................................................................  75
14 Clinical Diagnosis and Assessment of Speech Pathology....................  77
References ............................................................................................... 79

Index................................................................................................................. 81
Abbreviations

ANN Artificial neural network

ANFIS Adaptive network-based fuzzy inference system
ASR Automatic speech recognition
AWP Admissible wavelet packet
BP Backpropagation algorithm for neural network training
c.s.a Cross-sectional area
CDS Cosine distance scoring
CODEC Coding-decoding system
CWT Continuous wavelet transform
DCT Discrete cosine transform
DFT Discrete Fourier transform
DLSDWT Daubechies lifting scheme discrete wavelet transform
DSP Digital signal processor
DWFT Discrete wavelet-Fourier transform
DWT Discrete wavelet transform
ERB Equivalent rectangular bandwidth
EM Expectation maximization
EW Empirical wavelet
EWT Empirical wavelet transform
FD Fractal dimension
FPGA Field programmable gate array
FT Fourier transform
FWENN Formants, wavelet entropy, and neural networks
GMM Gaussian mixture model
HMM Hidden Markov model
ICA Independent component analysis
IDWT Inverse DWT
IIR Infinite impulse response filter
LDA Linear discriminant analysis
LLE Largest Lyapunov exponent
LMM Laplacian mixture model

xiii
xiv Abbreviations

LPC Linear predictive coding

LPCC Linear prediction cepstral coefficients
LSB Least significant bit
MELP Mixed-excitation linear prediction
MFCC Mel-frequency cepstral coefficients
MOS Mean-opinion score
MRA Multiresolution analysis
MRAM Multiresolution auditory model
MRTSC Multiresolution sinusoidal transform coding
MTS Multitaper spectrum
NLD Nonlinear dynamics
NN Neural network
PWF Perceptual wavelet filterbank
PWP Predefined wavelet packet
PWPD Perceptual wavelet packet decomposition
RBFNN Radial basis function neural network
RP Recurrence plot
RPS Reconstructed phase space
SNR Signal-to-noise ratio
SOM Self-organizing map
SS Spread spectrum
SSNR Segmental SNR
STFT Short-time Fourier transform
SURE Stein’s unbiased risk estimate
SVM Support vector machine
UMB Universal background model
UWPD Undecimated wavelet packet decomposition
UWPT Undecimated wavelet packet transform
UWT Undecimated wavelet transform
VAD Voice activity detection
V/U Voiced/unvoiced
WBCF Wavelet-bark coherence function
WCC Wavelet cepstral coefficient
WNN Neural network with wavelet-based activation function
WOCOR Wavelet octave coefficients of residues of linear prediction
WP Wavelet packet
WPD Wp decomposition
WPT Wp transform
WT Wavelet transform
WBCF Wavelet-based bark coherence function
ZCR Zero-crossing rate
Chapter 1
Introduction

In this monograph, we discuss many proposed algorithms which employ wavelet

transform (WT) for different applications in speech technology. A survey will be
conducted through recent works which use WT in speech processing realm. This
survey will cover both the use of wavelets in enhancing both previously proposed
algorithms and new algorithms based, principally, on wavelet analysis. In general,
wavelet analysis can serve through many ways in speech processing since it can
provide new enhanced spectral analysis approach, basis expansion for signals, and
identification features and can help in noise cancelation.

1.1 History and Definition of Speech Processing

First trials for speech processing through machines may be dated since ancient
Egyptians who built statutes producing sounds. During the eighteenth century, there
are documents on attempts for building speaking machines [1] .
In the human speech processing system, several transformations may be included,
such as thought to articulation, articulator’s movement to acoustical signal, propa-
gation of the speech signal, electronic transmission/storage, loudspeaker to the lis-
tener’s ears, acoustic to electrical in the inner ear, and interpretation by the listener’s
brain. These transformations are modeled through many mathematical algorithms.
In most of the speech processing algorithms, a feature space is built based on a
transformation kernel to a space of lower dimension, which allows a post-­processing
stage, readily, resulting in more useful information.
Accordingly, speech processing is discussing the methods and algorithms used in
analyzing and manipulating speech signals. Since signals are usually processed in a
digital representation, speech processing can be regarded as a special case of digital
signal processing, applied to speech signal. The main topics of speech processing
are recognition, coding, synthesis, and enhancement. The processing for speech

© The Author(s) 2018 1

M.H. Farouk, Application of Wavelets in Speech Processing,
SpringerBriefs in Electrical and Computer Engineering,
https://doi.org/10.1007/978-3-319-69002-5_1
2 1 Introduction

recognition concentrates on extracting the best features which can achieve the high-
est recognition rate using a certain classifier. For speech coding and synthesis, the
coding parameters from speech signals should result in a low-dimensional set which
gives the closest matching between the original and the reconstructed signals. For
speech enhancement, efforts are directed toward discovering analysis components
which may comprise sources of signal degradation.

1.2 Applications of Speech Processing

Applications of speech processing techniques may include compression and

enhancement of human speech, clinical diagnosis of speech disorders, man-machine
interfacing through voice, security systems for speech communications, machine
translation of speech, reading machines, and understanding based on voice com-
munication. In these applications, the speech signal is, customarily, transformed
from time domain to another domain in which efficient features can be extracted to
express a functional character of such signal. As an example, spectral features can
be exploited in identifying the meaning or type of a speech utterance in the field of
speech and speaker recognition. For other applications, the features can be used for
reconstructing the signal again after analysis and enhancement.
Nowadays, many real-world applications are available based on research results
in speech processing. They may range from the use of speech-based dictation
machines to speech-based command and control supporting interactions with
machines. Speech recognition can serve as an alternative interface to traditional
ones or as a complement modality speeding up the analysis process and increasing
its fidelity and convenience. Many applications for critical society services are con-
tinuously being improved and made easily accessible through a speech-based inter-
face. Cellular phones and multimedia systems, also, employ speech coding
algorithms. Moreover, diagnosis of speech disorder can benefit from results obtained
by research in speech processing. Speech processing also has applications in secu-
rity fields [2] .

1.3 Recent Progress in Speech Processing

Most applications of speech processing have emerged many years ago. However,
recent years have seen widespread deployment of smartphones and other portable
devices with the ability to make good quality recordings of speech and even video.
Such recordings can be processed locally or transmitted for processing on remote
stations having more computational power and storage. More computational power
and storage increase rapidly every day as computational technology advances.
1.4 Wavelet Analysis as an Efficient Tool for Speech Processing 3

The current state of speech processing systems is still far from human perfor-
mance. A major problem for most speech-based applications is robustness, which
refers to the fact that they may be insufficiently general. As an example, a truly
robust automatic speech recognition (ASR) system should be independent from any
speaker, in reasonable environments. Environmental noise from natural sources or
machines, as well as communication channel distortions, all tend to degrade the
system’s performance, often severely. Human listeners, by contrast, often can adapt
rapidly to these difficulties, which suggests that there remains significant enhance-
ment needed. However, much of what we know about human speech production and
perception needs to be integrated into research efforts in the near future.
As a result, the main objective of research in speech processing is directed toward
finding techniques for robust speech processing. This concern has been motivated
by the increase in the need of lower-complexity and more efficient methods for
speech feature extraction, which are needed for enhancing the naturalness, accept-
ability, and intelligibility of the reconstructed speech signal corrupted by environ-
mental noise, and the necessity of reducing noise for robust speech recognition
systems to achieve high recognition rate in harsh environments [3]. New algorithms
are continuously developed for enhancing the performance of speech processing for
different applications. Most of the improvements are founded on the growth of
research infrastructure in speech area and the inspiration from related biological
systems. The technology of powerful computation and communication systems
admit more sophisticated and efficient algorithms to be employed for more reliable
and robust applications of speech processing. In addition to such systems, larger
speech corpora become available, and in general, the infrastructure of research in
speech area is growing continuously.

1.4  avelet Analysis as an Efficient Tool for Speech

W
Processing

As the use of wavelets started in the field of digital signal processing since the
1990s, it finds wide applications in speech processing. Wavelet analysis has contin-
ued to serve many speech-based applications since that time till now. Unlimited
algorithms and hardware implementations have been developed employing wavelet
analysis as an efficient spectral analysis tool compensating limitations of Fourier-­
based algorithms [4]. Eventually, different merits of WT can support efficient fea-
ture extraction in approximately most of the research concerns especially with
newer versions of speech corpora emerging continuously. Moreover, WT represents
an economic analysis tool from a processing time perspective since it can be
obtained in O(L), whereas the short-time Fourier transform (STFT) representation
requires O(L log M), where L is the length of the discretized speech signal and
M denotes the subframe length of the used window [5].
4 1 Introduction

References

1. J. Benesty, M. Sondhi, Y. Huang, Springer Handbook of Speech Processing (Springer-Verlag

New York, Inc., Secaucus, 2007)
2. R. Hu, S. Zhu, J. Feng, A. Sears, Use of Speech Technology in Real Life Environment, Lecture
Notes in Computer Science, vol 6768 (Springer, New York, 2011), pp. 62–71
3. V.T. Pham, Wavelet analysis for robust speech processing and applications, Ph.D. dissertation,
Ph. D. thesis, (VDM Verlag, Saarbrücken, Germany, 2007), http://theses.eurasip.org/media/
theses/documents/pham-van-tuan-wavelet-analysis-for-robust-speech-processing-and-applica-
tions.pdf
4. J.I. Agbinya, Discrete wavelet transform techniques in speech processing. TENCON '96. Proc.
1996 IEEE TENCON. Digit. Signal Process. Appl. Perth, WA 2, 514–519 (1996)
5. B. Wieland, Speech signal noise reduction with wavelets. Diplomarbeit an der Universität Ulm ,
October 2009
Chapter 2
Speech Production and Perception

Speech sounds are produced due to the movement of organs constituting the vocal
tract (glottis, velum, tongue, lips) acting on the air from the respiratory passages
(trachea, larynx, pharynx, mouth, nose). The vocal organs generate a local distur-
bance on the air at several positions in the vocal tract creating the sources for speech
production. The acoustic waves generated by such sources are then modulated dur-
ing the propagation through the vocal tract with a specific shape. Accordingly,
speech sounds are generated by the combined effect of sound sources and vocal
tract characteristics. The source-filter model of speech production assumes that the
spectrum of source excitation at the glottis is shaped according to filtering proper-
ties of the vocal tract. Such filtering properties change continuously with time.
Continuous changes in the shape of the vocal tract and excitation either through
glottis or tract constriction make the produced sounds at the lips nonstationary.
Wavelet analysis is one of the best methods for extracting spectral features from
nonstationary signals, since it employs multiresolution measures both in time and
frequency.

2.1 Speech Production Process

The speech production process takes place inside the vocal tract extending from the
glottis to the lips. The process is energized from air-filled lungs. The vocal tract is a
chamber of extremely complicated geometrical shape whose dimensions and con-
figuration may vary continuously with time and whose walls are composed of tis-
sues having widely ranging properties.
Figure 2.1 shows the anatomical structure of the vocal tract. The glottis is a slit-­
like orifice between the vocal cords (at the top of the trachea). The cartilages around
the cords support them and facilitate adjustment of their tension. The flexible

© The Author(s) 2018 5

M.H. Farouk, Application of Wavelets in Speech Processing,
SpringerBriefs in Electrical and Computer Engineering,
https://doi.org/10.1007/978-3-319-69002-5_2
6 2 Speech Production and Perception

Nasal
Nasal pharynx
Cavity

Soft
palate

Oral
pharynx

Velum
Epiglottis
Lips
Pharynx

False Vocal
Tongue folds

Vocal folds

Larynx

Laryngeal
ventricle

Thyroid
cartilage

Trachea Esophagus

Fig. 2.1 Anatomical structure of the vocal tract

s­tructure of the vocal cords makes them oscillate easily. These oscillations are
­responsible for periodic excitation of vowels. The excitation of other sounds may
be through a jet of air through a constriction within the vocal tract or a combination
of the periodic excitation and what is produced by that jet of air. The nasal tract
constitutes an ancillary path for sound transmission. It begins at the velum and
terminates at the nostrils.

2.2 Classification of Speech Sounds

Speech sounds are classified according to the type and place of excitation. Voiced
sounds and vowels are characterized by a periodic excitation at the glottis. For
voiced sounds and vowels, the expelled air from the lungs causes the vocal cords to
vibrate as a relaxation oscillator, and the airstream is modulated into discrete puffs.
These oscillations start when the subglottal pressure is increased sufficiently to
2.3 Speech Production Modeling 7

force the initially abducted cords apart with lateral acceleration. As the air flow
builds up in the orifice, the local pressure is reduced and a force acts to return the
cords to a proximate position. Consequently, the pressure approaches the subglottal
value as the flow decreases with the decrease in the orifice (glottal area). The relax-
ation cycle is then repeated. The mass and compliance of the cords and the subglot-
tal pressure determine the oscillation frequency (pitch) [1].
Unvoiced sounds are generated by passing the airstream through a constriction in
the tract. The pressure perturbations due to these excitation mechanisms provide an
acoustic wave which propagates along the vocal tract toward the lips. The source of
voiced sounds is a combined effect of both types of excitation.
If the nasal tract is coupled to the vocal cavity through the velum, the radiated
sound is the resultant of the radiation at both the lips and the nostrils and it is called
nasalized sounds (as in /m/ and /n/). The distinctive sounds of any language (pho-
nemes) are uniquely determined by describing the excitation source and the vocal
tract configuration.
The variation of the cross-sectional area (c.s.a.) along the vocal tract is called the
area function according to the articulators positions. The area function of the vowels
is determined primarily by the position of the tongue, but the positions of the jaw,
lips, and, to a small extent, the velum also influence the resulting sound. The area
function with the excitation type can uniquely define the produced sound.

2.3 Speech Production Modeling

As discussed in the previous section, the process of speech production can be

divided into three stages: sound source generation, articulation by vocal tract, and
radiation from the lips and/or nostrils. The resulted speech signal s(t), in time
domain, can be written as a convolution of excitation e(t) and vocal tract impulse
response h(t):

s (t ) = e (t ) h (t )
∗
(2.1)

Specifically, sound source e(t) is either voiced or unvoiced. A voiced source can
be modeled, in the simplest case, by a generator of periodic pulses or asymmetrical
triangular waves which are repeated at every fundamental period (pitch). The peak
value of the source wave corresponds to the loudness of the voiced sound. On the
other hand, an unvoiced sound source can be modeled by a white noise generator,
while the mean energy corresponds to the loudness [2].
For many speech applications such as recognition, coding, and synthesis, good
performance can be achieved with a speech model that reflects broad characteristics
of timing and articulatory patterns as well as varying frequency properties [3] and
[4]. In such a model, a scheme is designed to perform some spectral shaping on a
8 2 Speech Production and Perception

certain excitation wave so that it matches the natural spectrum (i.e., the vocal tract
tube looks as a spectral shaper of the excitation). This approach is called “terminal
analog” since its output is analogous to the natural process at the terminals only. The
main interest in such an approach is centered on resonance frequencies (formants or
system poles) and their bandwidths. The two widely used methods of this approach
are the formant model [5] and the linear prediction (LP) model [6]. These models
provide simpler implementation schemes for both hardware and software. Many
commercial products now adopt such models in their operation [7]. The adoption of
terminal analog models affords sufficient intelligibility for many applications along
with fast response due to its simplicity and amenability to implementation through
many available media. Apparently, the extracted features using such models can be
considered as different forms of resonances or spectral content of a speech signal.
As wavelets are considered one of the efficient methods for representing the spec-
trum of speech signals, WT can efficiently help in implementing such models [8].

2.4 Speech Perception Modeling

The ear is the main organ in the process of speech perception. It consists of an outer
part, a middle part, and an inner part. Figure 2.2 shows the structure of the human
auditory system. The main function of the outer ear is to catch sound waves which
is done by the pinna. The pinna is pointed forward and has a number of curves to be
able to catch the sound and determine its direction. After the sound reaches the
pinna, it is guided to the middle ear using the external auditory canal until it reaches

Middle Ear Inner Ear

Pinna

Auditory Nerve

Cochlea

Eardrum

Fig. 2.2 Human auditory system

2.5 Intelligibility and Speech Quality Measures 9

the ear drum. The main function of the middle ear is to magnify the sound pressure
because the inner ear transfers sound through fluid not air as in the middle and outer
ears. Thereafter, the inner ear starts with the cochlea, the most important organ in
the human ear. The cochlea performs the spectral analysis of the speech signal
through splitting it into several frequency bands which are called critical bands [9].
The ear averages the energies of the frequencies within each critical band and thus
forms a compressed representation of the original stimulus.
Studies have shown that human perception of the frequency content of sounds,
either for pure tones or for speech signals, does not follow a linear scale. The major-
ity of the speech and speaker recognition systems have used the feature vectors
derived from a filter bank that has been designed according to the model of auditory
system. There are a number of forms used for these filters, but all of them are based
on a frequency scale that is approximately linear below 1 kHz and approximately
logarithmic above this point. Wavelet multiresolution analysis can provide accurate
localization in both time and frequency domains which can emulate the operation of
the human auditory system [8].

2.5 Intelligibility and Speech Quality Measures

The terms intelligibility and quality of speech are used interchangeably. The degra-
dation of speech quality is, mainly, a result of background noise either through a
communication channel or environment [3]. The evaluation of speech quality is
highly important in many speech applications. Subjective listening or conversation
tests are the most reliable measure of speech quality; however, these tests are often
fairly expensive, time consuming, labor-intensive, and difficult to reproduce.
However, for some applications, like the assessment of alternative coding or
enhancement algorithms, an objective measure is more economic to give the
designer an immediate and reliable estimate of the anticipated perceptual quality of
a particular algorithm. Traditional objective quality measures which rely on wave-
form matching like signal-to-noise ratio (SNR) or its variants like segmental SNR
(SSNR) are examples of straightforward measures. Perceptual quality measures are
better candidate for fast assessment with more accurate results. The motivation for
this perception-based approach is to create estimators which resemble that of the
human hearing system as described by the psychoacoustic models. In a psycho-
acoustic model of the human hearing, the whole spectrum bandwidth of the speech
signal is divided into the critical bands of hearing. WT can contribute to a quality
evaluation of speech in the context of critical band decomposition and auditory
masking [10], [11], [12], and [13]. Moreover, wavelet analysis can reduce the com-
putational effort associated with the mapping of speech signals into an auditory
scale [10].
10 2 Speech Production and Perception

References

1. J. Flanagan, Speech Analysis; Synthesis and Perception (Springer, New York, 1972)
2. M. Hesham, Vocal tract modeling. Ph. D. Dissertation, Faculty of Engineering, Cairo
University, 1994
3. J. Deller, J. Proakis, J. Hansen, Discrete-Time Processing of Speech Signals (IEEE PRESS,
New York, 2000)
4. M. Hesham, M.H. Kamel, A unified mathematical analysis for acoustic wave propagation
inside the vocal tract. J. Eng. Appl. Sci. 48(6), 1099–1114 (2001)
5. D. Klatt, Review of text-to-speech conversion for English. J. Acoust. Soc. Am 82(3), 737–793
(1987)
6. J.D. Markel, A.H.J. Gray, Linear Prediction of Speech (Springer, New York, 1976), ch.4
7. D. O’Shaughnessy, Invited paper: automatic speech recognition: history, methods and chal-
lenges. Pattern Recogn. 41(10), 2965–2979 (2008)
8. S. Ayat, A new method for threshold selection in speech enhancement by wavelet thresholding,
in International Conference on Computer Communication and Management (ICCCM 2011),
(Sydney, May 2011)
9. J. Benesty, M. Sondhi, Y. Huang, Springer Handbook of Speech Processing (Springer-Verlag
New York, Inc., Secaucus, 2007)
10. M. Hesham, A predefined wavelet packet for speech quality assessment. J. Eng. Appl. Sci.
53(5), 637–652 (2006)
11. A. Karmakar, A. Kumar, R.K. Patney, A multiresolution model of auditory excitation pattern
and its application to objective evaluation of perceived speech quality. IEEE Trans. Audio
Speech Lang. Process. 14(6), 1912–1923 (2006)
12. L. Rabiner, R. Schafer, Theory and Applications of Digital Speech Processing (Pearson, New
Jersey, 2011)
13. W. Dobson, J. Yang, K. Smart, F. Guo, High quality low complexity scalable wavelet audio
coding, in Proceedings of IEEE International Conference Acoustics, Speech, and Signal
Processing (ICASSP’97), Apr 1997, pp. 327–330
Chapter 3
Wavelets, Wavelet Filters, and Wavelet
Transforms

Multiresolution analysis based on the wavelet theory permits the introduction of the
concepts of signal filtering with different bandwidths or frequency resolutions. The
WT provides a framework to decompose a signal into a number of new signals, each
one with a different degree of resolution. While the Fourier transform (FT) gives an
idea on the frequency content in a signal, the wavelet representation is an intermedi-
ate representation between the frequency and the time representations, and it can
provide good localization in both frequency and time domains. Fast variation in
both domains can be detected by inspecting the coefficients of the WT. Because
of the difficult nature of speech signals and their fast variation with time, the
WT is used. In this part, we will review the properties of different approaches for
obtaining a WT.

3.1 Short-Time Fourier Transform (STFT)

In general, any mathematical transform for a signal or a function of time s(t) takes
the form:
∞
S (α ) = ∫ s ( t ) K (α , t ) dt (3.1)
−∞

where S(α) is the transform of s(t) with respect to the kernel K(α, t) and α is the
transform variable. In the Fourier transform, the kernel is K(ω, t) = e-jω t where ω is
the angular frequency and is equal to 2π f while f is the frequency.
FT is the main tool for spectral analysis of different signals. The STFT cuts out
a signal in short-time intervals (frames) and performs the FT in order to capture

© The Author(s) 2018 11

M.H. Farouk, Application of Wavelets in Speech Processing,
SpringerBriefs in Electrical and Computer Engineering,
https://doi.org/10.1007/978-3-319-69002-5_3
12 3 Wavelets, Wavelet Filters, and Wavelet Transforms

time-dependent fluctuation of the frequency components in a nonstationary signal.

The STFT can be expressed as:
∞
S (ω , β ) = ∫ s ( t ) w ( t − β ) e − jω t dt (3.2)
−∞

where s(t) is a signal, S(ω) is its STFT, and w(t-β) is a window function centered
around β in time. The window function is then shifted in time, and the Fourier trans-
form (FT) of the product is, thereafter, computed again. So, for a fixed shift β of the
window w(t), the window captures the features of the signal s(t) around different
locations defined by β. The window helps to localize the time domain data within a
limited period in time, before obtaining the frequency domain information. The
signal has been assumed to be quasi-stationary during the period of w(t). The STFT
can be viewed as a convolution of the signal s(t) with a filter having an impulse
response of the form h(t) = w(t ‐ β) e‐jωt. The STFT can be also interpreted as a bank
of narrow, slightly overlapping band pass filters with additional phase information
for each one. Alternatively, it can be seen as a special case of a family of transforms
that use basis functions.
In order to improve the accuracy with respect to time-dependent variation for
STFT, it is necessary to shorten the frame period. The frequency resolution becomes
worse with decreasing frame length. In other words, the requirements in the time
localization and frequency resolution are conflicting. So, the major drawback of the
STFT is that it uses a fixed window width. Alternatively, the WT provides a better
time-frequency representation of the signal than any other existing transform. The
WT solves the above problem to a certain extent. In contrast to STFT, which uses a
single analysis window, the WT uses short windows at high frequencies and long
windows at low frequencies.

3.2 Multiresolution Analysis and Wavelet Transform

In FT, a fixed window is used uniformly on a spread of frequencies. On the contrary,

WT uses short windows at high frequencies and long windows at low frequencies.
In this way, the characteristics of nonstationary speech signals can be more closely
examined. Accordingly, WT coefficients are localized in both time and frequency
domains. This localization is constrained with Heisenberg’s uncertainty principle
which affirms that no transform can provide high resolution in both time and fre-
quency domains at the same time. The useful locality property is exploited in this
context. Because the wavelet basis functions are generated by scaling from a mother
wavelet, they are well localized in time and scale domains. This behavior of wavelet
decomposition is suitable for the processing of speech signals which requires
high-­frequency resolution to analyze low-frequency components (voiced sounds,
3.2 Multiresolution Analysis and Wavelet Transform 13

formant frequencies) and high temporal resolution to analyze high-frequency com-

ponents (mostly unvoiced sounds).
As a mathematical transform, the WT takes a kernel based on a function ψ(t) as
follows:
∞
1 t −b (3.3)
S ( a, b ) = ∫ s (t ) ψ  dt
−∞ a  a 

where a is a scale parameter and b is another parameter for translation.

As in Eq. (3.3), the wavelet analysis is done similar to the STFT analysis except
that the kernel function is not sinusoidal. The wavelet function ψ(t) is a member in
a wavelet family. A wavelet family is generated from what is called the mother
wavelet. All wavelets of a family share the same properties and their collection con-
stitutes a complete basis.
The semi-discrete WT of the function s(t), s ∈ L2(ℜ) is defined as follows [1]:
Analysis equation:
∞
S ( j,k ) = ∫ s (t ) 2 ψ ( 2 − j t − kTs ) dt.
− j /2
(3.4)
−∞

Synthesis or inverse transform equation:

∞ ∞
(3.5)
s (t ) = ∑ ∑ S ( j, k ) 2 − j /2
ψ ∗ ( 2 − j t − kTs ) .
j =−∞ k =−∞

where j and k are indices indicating scale and location of a particular wavelet while
Ts is the sampling time of s(t). Without loss of generality, Ts = 1 can be considered
in a discrete case while ψ* is the complex conjugate of ψ.
The wavelet theory would immediately allow us to obtain line frequency analysis
and synthesis with the possibility of capturing both long-lasting (low-frequency)
components and localizing short irregularities, spikes, and other singularities with
high-frequency content. The former objectives can be approached by wavelets at
low scales, while the latter are successfully performed by wavelets at high scales
and appropriate locations. Wavelet localization follows Heisenberg uncertainty
principle in both the time and frequency domains that for any given wavelet Δt
Δf ≥1/2π.
As in (3.3), the pure wavelet expansion requests an infinite number of scales or
resolutions k to represent the signal s(t) completely. This is impractical if the expan-
sion is known, only for certain scales k < M, we need a complement component to
present information of expansion for k > M. This is done by introducing a scaling
function φ(t) such that [2]:
(3.6)
ϕ j ,k ( t ) = 2 − j / 2 ϕ ( 2 − j t − k )
14 3 Wavelets, Wavelet Filters, and Wavelet Transforms

where the set φj,k(t) is an orthonormal basis for subspace of L2(ℜ). With the intro-
duced component, the signal s(t) can be represented as a limit of successive approxi-
mations corresponding to different resolutions. This formulation is called a
multiresolution analysis (MRA).
Consequently, the signal s(t) can be set as the sum of approximations plus M
details at the Mth decomposed resolution or level. Equation (3.5) can be rewritten
after including approximations as follows:
M
(3.7)
s ( t ) = ∑aM , k φM , k ( t ) + ∑∑d j , k ψ j ,k ( t )
k j =1 k

where M represents the number of scales. aM,k are the approximations or scaling
coefficients and dj,k are the details or wavelet coefficients.
As a result, WT can be obtained in O(L) whereas the STFT representation
requires O(L log2M) where L is the length of discretized signal and M denotes the
subframe length of the used window [3].

3.3 Wavelets and Bank of Filters

The WT can be viewed as a convolution of the signal and a wavelet function. In

discrete-time domain, the set of discrete-time scaling and wavelet functions can
be constructed from filters bank. The signal can be split into frequency bands
through such bank of filters. As an example, a two-channel filter bank is shown
in Fig. 3.1. The filters are therefore a low-pass L(z) and a high-pass H(z) filter.
The outputs of the analysis bank are called subbands. This technique is also
called subband coding [4].

d 1,1

h(n) h’ (n)
2 2 s~(n)
s (n)

a 1,1

l(n) l’ (n)
2 2

Analysis bank Synthesis/Reconstruction bank

Fig. 3.1 Analysis and reconstruction of a signal using DWT through two-channel filter bank
3.4 Wavelet Families 15

The original signal can be reconstructed using this bank of filters. In the synthe-
sis phase, the signals are upsampled and passed through the synthesis filters. The
output of the filters in the synthesis bank is summed to get the reconstructed
signal.

3.4 Wavelet Families

A wavelet function must be oscillatory in some way to capture a frequency band

from the analyzed signal. The wavelet function comprises both the analyzing func-
tion and a short-time window. A wavelet family is generated from a mother function
ψjk which can be defined as follows:

ψ jk ( t ) = 2 j / 2 ψ ( 2 j t − k ) , (3.8)

where j and k are indices indicating scale and location of a particular wavelet.
Accordingly, the wavelet family is a collection of wavelet functions ψjk(t) which
are translated along the time axis t and then dilated by 2j times, and the new dilated
wavelet is translated along the time axis again. The wavelets of a family share the
same properties and their collection constitutes a complete basis. The basic wavelet
function must have local (or almost local) support in both a real dimension (time in
case of speech signals) and a frequency domain. Several kinds of wavelet functions
were developed and all of them have specific properties [4] as follows:
1. A wavelet function has finite energy [5]:
∞
(3.9)
∫ ψ (t )
2
dt < ∞
−∞

2. Similar condition must hold for Ψ(f)/f if Ψ(f) is the Fourier transform of the
wavelet function and it has zero meanΨ(0)=0. This condition can be formulated
as follows:

ψ(f)
2
∞ (3.10)
∫
0
f
df < ∞

Another important property is that the wavelet function is compactly supported.

The speed of convergence to zero, as the time t or the frequency goes to infinity,
quantifies both time and frequency localizations. The symmetry is useful in avoid-
ing dephasing. The number of vanishing moments for a wavelet function is useful
for regularity which serves the compression purposes. The regularity can achieve
smoothness of the reconstructed signal. Additional properties, namely, the existence
of a scaling function and orthogonality or biorthogonality, allow to get faster algo-
rithm and space-saving coding.
16 3 Wavelets, Wavelet Filters, and Wavelet Transforms

f (t) y (t)

1
1

t t
1 1

-1

(a) (b)

Fig. 3.2 Haar Scaling (a) and wavelet (b) functions

There are a number of basis functions that can be used as the mother wavelet for
wavelet transformation. Since the mother wavelet produces all wavelet functions
used in the transformation through translation and scaling, it determines the charac-
teristics of the resulting transform. Therefore, the appropriate mother wavelet
should be chosen in order to use the wavelet analysis effectively for a specific
application.
Figure 3.2 shows an example of the simplest wavelet, Haar. Haar wavelet is one
of the oldest and simplest types. The Haar scaling function acts as a low-pass filter
through an averaging effect on the signal while its wavelet counterpart acts as a
high-pass filter.
Daubechies wavelets are the most popular. They represent the foundations of
wavelet signal processing and are used in numerous applications. The Haar,
Daubechies, Symlets, and Coiflets are compactly supported orthogonal wavelets.
These wavelets along with Meyer wavelets can provide a perfect reconstruction of
a signal. The Meyer, Morlet, and Mexican Hat wavelets are symmetric in shape [5].
The discrete form of a scale function is the impulse response of a low-pass filter,
while the wavelet is the impulse response of a high-pass filter.

3.5 Wavelet Packets

Wavelet packet basis consists of a set of multiscale functions derived from the shift
and dilation of a basic wavelet function as in (3.8). The wavelet packet (WP) basis
space is generated from the decomposition of both the low-pass filter function space
and the corresponding basic high-pass filter function space. The conventional wave-
let basis space can be considered as a special case of the WP space when the decom-
position takes place only in the low-pass filter function space [6]. Assuming that the
discrete form of a scale function is l(n) and the wavelet one is h(n), WP basis can be
expressed as:
Another random document with
no related content on Scribd:
jonka Artwellin tapaaminen tallissa ja pitkä yöllinen ratsastus
aavemaisessa hiljaisuudessa suurella arolla oli aiheuttanut.

Sillä tavalla hän ei ollut koskaan ennen käyttäynyt, eikä hän

koskaan ennen ollut kokenut niitä voimakkaita intohimoja, jotka koko
aamun olivat hänessä riehuneet. Näytti siltä kuin hän olisi yhdessä
yössä kokonaan muuttunut. Hän tunsi, että sivistyksen kiilto oli
hänestä irtautunut, paljastaen hänet alkuperäisillä vaistoilla ja
atavistisilla haluilla varustetuksi olennoksi. Silmänräpäyksen oli hän,
katsoessaan suljettua ovea, vähällä tulla hysteeriseksi, mutta silloin
kuuli hän Mrs Whitmanin äänen, tyynenä, lempeänä ja tyynnyttävinä:
"Tulkaa tänne, rakkaani."

Samassa oli hän polvillaan toipilaan edessä, pää hänen sylissään.

Mrs Whitmanin kädet silittivät hänen päätään kepeästi, lohduttavina
ja hänen äänensä kuului tyynenä, kuten aina:

"Kas niin, kas niin, rakkaani. Minä ymmärrän — minä ymmärrän.

Sen on täytynyt olla pelottavan raskasta teille ja minä en ihmettele,
että menetitte tasapainonne. Tämä on julma ja synkkä maa, rakkaani
— sellaisille, joilla on ihanteita ja joilla on rohkeutta taistella niitten
puolesta."

Kahdeskymmenes luku.

Lattimerin siveysopin mukaan ei ollut mikään rikos ottaa sitä, mitä

halusi. Ja koska hän oli äärimmäisen itsekäs, ei hän tunnustanut
muuta lakia kuin sen, joka turvasi hänen omat halunsa. Sitä
Jumalaa, josta ihmiset puhuivat, ei hän ollut nähnyt ja hän ei
hyväksynyt mitään oppia, joka esti häntä ottamasta lähimmäisensä
henkeä, ystävänkin, jos tarve vaati. Hän oli, kuten Betty oli sanonut,
"häikäilemätön, hymyilevä paholainen."

Hän tunsi terveellistä kunnioitusta Brannonia kohtaan, mutta ellei

siihen olisi sekaantunut pelkoa, olisi hän varmasti hakenut jotakin
syytä riitaan kun Brannon kävi hänen talollaan sinä aamuna kun
Josephine Hamilton oli tuonut Artwellin sinne.

Jos Lattimer olisi ollut tavallinen murhaaja, olisi hän sallinut

Denverin käyttää asettaan, jonka hän oli ojentanut Brannonia kohti,
kun tämä pysäytti hevosensa hänen kuistinsa nurkalle samana
aamuna. Mutta sellainen murha, joka suoritetaan lyömällä tai
ampumalla takaapäin, ei kuulunut Lattimerin tapoihin. Jos hän halusi
ottaa joltakin mieheltä hengen, niin hän antoi hänelle näennäisen
tilaisuuden puolustautua, vaikka uhri sitä todellisuudessa ei
saanutkaan.

Brannonin ollessa kyseessä, sai Lattimerin jokin saatanallinen

halu leikitellä hänen kanssaan estämään Denveriä käyttämästä
pyssyään.

Callahanin murhatapaus oli suonut Lattimerille tilaisuuden saada

Brannonin käsiinsä saattamatta itseään tai apureitaan
moitteenalaisiksi ja havainto, että Josephine oli valehdellut
pelastaakseen hänet, teki hänen suunnitelmansa vielä
yksinkertaisemmaksi.

Lattimer halusi Josephineä omakseen ja hän aikoi saada hänet.

Siitä päivästä saakka, jona hän oli Denveriltä kuullut kuinka tyttö oli
tehnyt tyhjäksi Brannonin aikeen hirttää Artwellin, oli hän ihaillut
hänen rohkeuttaan. Kun Lattimer oli kantanut Josephinen siltä
paikalta, johon hän oli pyörtynyt tuotuaan Artwellin perille, oli tytön
nostattama intohimo hänessä kasvanut syvemmäksi ja
voimakkaammaksi kuin mitä hän oli tuntenut ketään naista kohtaan.
Puhuessaan hänen kanssaan kuistilla, oli hän ankarasti
tukahduttanut intohimonsa, jotta tyttö ei huomaisi eikä säikähtäisi
sitä. Mutta hänen päätöksensä omistaa hänet oli yhtä syvä kuin
ennenkin.

Brannonin lähdettyä, otti Lattimer Josephinen nenäliinan maasta,

pyyhki siitä, silitti sen polvellaan ja katseli sitä miettiväisenä.

Hän päätteli, että Brannon ei ollut huomannut sitä ja kuitenkin

kiusasi häntä epäilys. Brannon oli mies, joka piti mielenliikutuksensa
itsellään. Hän oli ovela, tarkkanäköinen, terävällä huomiokyvyllä
varustettu ja hänen peitetty varoituksensa lähtiessään ilmaisi, että
hän piti epäluulojaan hyvin perusteltuina. Tiesikö Brannon että
Josephine oli käynyt Lazy L:ssä? Tarkoittiko hän tyttöä, kun hän
kysyi, oliko Lattimer nähnyt "ratsastajaa, jolla oli kaksi satulaa."

Jos Brannon tiesi, että tyttö oli käynyt Lazy L:ssä, niin hänen
tietonsa tekisi leikin vielä mielenkiintoisemmaksi Lattimerille. Se
tekisi Lattimerin voitonriemun entistä täydellisemmäksi, sillä hänellä
tulisi olemaan se tyydytys lisäksi, että hän musertaisi Brannonin
siitäkin huolimatta, että tämä tiesi sen.

Lattimerillä ei ollut mitään aihetta kiirehtiä suunnitelmansa

toimeenpanoa. Kuultuaan Les Artwelliltä ja Josephineltä, että
Brannon ei ollut murhannut Callahania, tiesi Lattimer, että Brannon
tunsi tekevänsä Josephinelle palveluksen ottaessaan murhan syyn
niskoilleen. Ja varmaankaan hän ei olisi ottanut vastuuta päälleen,
jos hän olisi tiennyt, että Les Artwell oli lähellä Triangle L:ää sinä
iltana. Ollen tietämätön Artwellin osuudesta tapahtumain kulkuun ei
Brannon ryhtyisi hyökkäämään — siinä tapauksessa, että hän tiesi
Josephinen käyneen Lazy L:ssä — kunnes hän oli varma siitä, että
tyttöä ei sotkettaisi asiaan.

Lattimerin laskuissa oli virheitä ja hän tiesikin osan niistä. Selvä

asia oli kuitenkin se, että Brannon oli ainoastaan varoittanut häntä,
sillä jos hänellä olisi ollut varmat todistukset, tai edes perustellut
epäluulot, niin olisi hän ryhtynyt sen mukaisiin toimiin heti.

Seuraavana päivänä Brannonin käynnin jälkeen tuli Lattimer

ratsastaen Whitmanin karjatalon aitauksen portille ja laskeutui
satulasta. Hän katseli ympärilleen nähdäkseen Benia, mutta tätä ei
näkynyt missään. Lattimer meni sitten mökille ja astui sisään,
saatuaan jykevään kolkutukseensa ystävällisen kehoituksen.
Toipilaan tervetuliaishymy oli lievä. Hänen silmissään kuvastui
levottomuus ja hätä.

"Käy istumaan, John", sanoi hän. Ja sitten, ennenkuin Lattimer

ennätti istuutua, kysyi hän kiihkeänä, hätäisenä:

"John, oletko tuonut lääkärin Lesille?"

"Hän ei ole pahasti haavoittunut, muori", lohdutteli Lattimer. "Ei niin

pahasti, että hän tarvitsisi lääkäriä. Hän on vain heikko paljosta
verenvuodosta."

"Oh"! huokasi Mrs Whitman. "Miksi ei Les voi olla toisenlainen?

Miksi et puhu hänelle, John?"

Lattimer punastui hänen rukoilevan äänensävynsä johdosta.

"Olen puhunut, muori Whitman. Se ei näy auttavan. Hän on

itsepäinen."
 Mrs Whitman risti kätensä, kohtaloonsa tyytyen.

"Olen miettinyt, mikä kahdesta pahasta minut vihdoin vie hautaan,

tautiniko vaiko Les. Hän nosti kätensä ylös toivottoman näköisenä.

"En muista rikkoneeni niin raskaasti, että ansaitsisin kumpaakaan

rangaistusta", sanoi hän. "Vaikka ehkäpä Jumala tietää miksi se
tapahtuu. Ensimmäinen mieheni oli aivan Lesin kaltainen." Hän
punastui. "Mutta sinähän tiedät sen. Sinun isäsi on kait kertonut
hänestä. Isäsi tunsi hänet jo ennenkuin minä menin naimisiin hänen
kanssaan."

"Les on aina ollut itsepäinen" jatkoi hän. "Hän ei välittänyt mistään

ja hän tuli vain pahemmaksi isänsä kuoltua ja sitten kun minä menin
naimisiin Mr Whitmanin kanssa. Hän näkyi alusta pitäen vihanneen
Benia. Luulin aina tehneeni suuren erehdyksen mennessäni
toistamiseen naimisiin. Mutta Ben ei koskaan asettunut Lesiä
vastaan. Hän antoi Lesin tehdä mitä halusi ja oli aina ystävällinen
hänelle. Mutta Les oli aina omavaltainen ja hän jätti kotinsa jo
ennenkuin me muutimme tänne.

"Eikä koskaan vihjaissutkaan, että te olitte hänen äitinsä", sanoi

Lattimer. "Hän on omituinen poika."

"Se oli sen vuoksi, että hän vihaa Beniä. Luulen, että olisin ollut
tyytyväisempi, ellei hän olisi tullut tänne ensinkään", jatkoi hän, "sillä
silloin en olisi tiennyt kaikkea, mitä hän teki. John", lisäsi hän
matalalla, pelonsekaisella äänellä "tappoiko Les Callahanin."

"Pelkäänpä että niin on asianlaita, muori", vastasi Lattimer

epäröiden.
 Mrs Whitman veti syvään henkeä, mutta ainoa mitä hänen
mielenliikutuksestaan näkyi, oli hänen silmissään väikkyvä kosteus,
joka ei edes saanut pudota kyyneleinä poskipäille.

"Mistä tiedät sen, John?"

"Hän kertoi itse sen."

Mrs Whitmania puistatti. Hän nojautui eteenpäin ja puhui

kuiskaten, koettaen äidin vaiston ohjaamana keksiä pelastusta
pojalleen rangaistuksesta, joka välttämättömyyden voimalla oli
seuraava hänen rikostaan, niin pian kuin se tulisi tunnetuksi.

"John" sanoi hän, "tietääkö Brannon sen?"

Lattimer pudisti päätään kieltävästi, mutta ei varmasti.

"Oletko varma siitä?" urkki Mrs Whitman. "Brannonista ei voi tietää

mitään. Hän on niin vaitelias, niin hyvä ja terävä arvaamaan toisten
tekoja."

"Luulen, että Brannon ei tiedä sitä", sanoi Lattimer. "Aion pitää

hänet tietämättömänä, kunnes Les on niin terve, että voi lähteä näiltä
mailta. Ratsastin tänne Lesin vuoksi, sillä arvelin, ettei tuo
Hamiltonin tyttö ole kertonut asiaa, niinkuin se on. Haluan saada
jollakin tavoin sanan hänelle, että te toivotte, että hän tulisi
hoitamaan Lesiä. Menisin itse, mutta pelkään, että Betty Lawson
epäilee jotakin. Lähettäkää Ben Triangle L:ään ja sanokaa, että te
haluaisitte hänet seuraksenne muutamaksi päiväksi. Sitten voi hän
livahtaa minun talolleni ja hoitaa Lesiä.

"Miss Hamilton on täällä vielä, John", sanoi Whitman. "Hän ja

Betty riitaantuivat." Hänen tarkat silmänsä katsoivat Lattimeriin ja
hän huomasi Lattimerin katseessa syvän riemun ilmeen.

Mutta Lattimerin ääni oli tasainen ja matala.

"Mistä he riitaantuivat?" kysyi hän.

"Miss Hamilton ei ollut oikein oma itsensä. Hän loukkaantui siitä,

että Betty epäili hänen kertomustaan Callahanin kuolemasta. Hän
myönsi valehdelleensa ja sanoi että Brannon oli tappanut Callahanin
Miss Hamiltonin tietämättä."

Lattimer rypisti silmäkulmiaan.

Jos Betty kertoisi Brannonille Josephinen syytökset, niin ei

Brannon tietäisi enempää kuin hän jo tiesi. Mutta jos juttu kulkisi
Cole Meederin korviin ennenkuin Lattimer olisi valmis, silloin ei
Lattimer voisi olla varma, ettei Josephine kieltäisi sanomaansa
estääkseen Cole Meederiä hirttämästä Brannonia.

"Miss Hamilton ei tiedä kuka Callahanin tappoi", sanoi Mrs

Whitman. "Huomasin sen paikalla, kun kuulin hänen puhuvan siitä.
Hän uskoo todellakin, että Brannon teki sen. Mutta minä — minä
tiesin, John. Heti kun Miss Hamilton kertoi tavanneensa Lesin
tallissa, tiesin, että Les — niin, tiesin, että hän oli murhaaja. Mutta en
voinut antaa Bettyn saada tietää sitä."

"Antakaa Miss Hamiltonin vain luulla, että Brannon on syyllinen",

sanoi Lattimer. "Jos hän saa tietää, että Les sen teki, niin hän
varmaan jonakin päivänä laulaa sen julki. Hän on sitä lajia."

Lattimer nousi. Hänen onnistui tehdä vakavan ilmeensä niin

vaikuttavaksi, että Mrs Whitman vetäisi vapisten henkeään ja kysyi:
 "Mitä nyt sitten, John?"

"Arvelen, että minun täytyy lähteä takaisin karjatalolle. Les on

yksin. Hän tarvitsee huolellista hoitoa, jos hän tahtoo läpäistä. Missä
Ben on?"

"Hän meni jokea alas vähän matkaa. Boskinin kahlaamolle. Hän

aikoo huomenna viedä karjaa siitä yli."

"Missä Miss Hamilton on?"

"Hän meni Benin kanssa, John."

Huomatessaan tulen leimauksen Lattimerin silmissä, lisäsi hän:

"Hän ei olisi tahtonut jättää minua, mutta hän näytti niin kalpealta ja
väsyneeltä tänä aamuna, että ajattelin ratsastusmatkan tekevän
hänelle hyvää."

"Samantekevä, vaikka hän ei olekaan täällä", sanoi Lattimer.

Ehkäpä ei näyttäisikään hyvältä, jos minä häntä pyytäisin, mutta Les
tarvitsee naisellista hoitoa. Emme voi saada Betty Lawsonia sinne.
Koko alangolla ei ole muita naisia ja te ette voi lähteä. Willetin naiset
eivät kelpaa. Arvelen siis että Miss Hamiltonin täytyy tulla.

"Ellei hän mahdollisesti tahdo tulla, niin jää teidän asiaksenne

taivuttaa hänet siihen. Hän säälii Lesiä, otaksuen, että häntä
vainotaan. Pankaa hänet tulemaan, vaikkapa teidän täytyisi kertoa
hänelle totuus — että Les on teidän poikanne. Se saa hänet
lähtemään", lisäsi Lattimer hymyillen julmasti. "Ja ellei se auta, niin
muistuttakaa hänelle, että te valehtelitte Bettylle, missä hän
suurimman osan yötään vietti!"

"Lattimer"!
 Kiivas moite Mrs Whitmanin äänessä sai miehen punastumaan.

"Kas niin", sanoi hän tyynnyttävästi. "Tahdoin vain painostaa teille,

kuinka suuresti Les tarvitsee häntä."

Hän pysähtyi vielä ovella ja katsoi taakseen, aivan kuin hän äkkiä
olisi muistanut jotakin tärkeää.

"Pankaa hänet tulemaan jo tänä iltana. Odotan häntä siellä."

Yhdeskolmatta luku.

Josephine Hamilton saattoi olla tyytyväinen viikon oleskeluunsa

Lattimerin karjatalolla.

Ennen kaikkea ei hänen edesottamisensa alkuaan niin peloittava

sovinnaisuudesta poikkeaminen osoittautunut niinkään
sopimattomaksi, sillä kyseessähän oli ollut ihmishenki. Sitäpaitsi ei
hänen olostaan Lattimerin karjatalolla tienneet muut kuin ne, joita
asia lähinnä koski eikä ulkomaailma saisi sitä koskaan tietää.
Bettykin jäisi siitä tiedosta osattomaksi.

Mutta Mrs Whitman oli ollut pakoitettu käyttämään viimeistä

keinoaan saadakseen Josephinen lähtemään, nimittäin sitä, että hän
tunnusti, että Les Artwell oli hänen poikansa.

Samalla selvisi Josephinelle syy Lattimerin varmaan

vakuutukseen, että
Mrs Whitman kyllä valehtelisi Les Artwellin hyväksi.
 Artwell oli toipumassa. Hänen parantumisensa ei ollut käynyt
nopeasti, mutta hän oli kieltämättä vahvistunut ja hänen poskensa
todistivat, että verenkierto oli vilkastunut. Ja Josephinen myötätunto
oli myös vahvistunut.

Lattimer oli ratsastanut pois vähän aikaa sitten ja Josephine istui

kuistilla keinutuolissa ja ajatteli häntä.

Ilta muistutti paljon erästä toista, jonka hän ikänsä oli muistava,
nimittäin sitä iltaa, jona Callahan ammuttiin kuoliaaksi. Täysi kuu
valoi pehmyttä valoaan laajalle alangolle, paljastaen kaukaiset
uinuvat laaksot, sivellen hiljaa vuoren kukkuloita loistollaan ja
täyttäen syvänteet salaperäisyydellä.

Lattimer oli kohdellut häntä moitteettomasti ja kunniallisesti. Hän ei

ollut lähennellyt häntä, vaan oli antanut hänen olla yksin niin paljon
kuin hän halusi.

Tosin oli hän huomannut, että Lattimer silloin tällöin oli katsellut
häntä miettiväisenä, kasvoillaan ilme, jonka suhteen ei saattanut
erehtyä. Mutta Josephine ei ollut turhankaino ja hän totesi, etteivät
Lattimerin ihailevat katseet olleet sen loukkaavampia kuin
muittenkaan miesten, vieläpä ympäristössä, jonka katsottiin
kasvattavan vain gentlemanneja.

Naisena ei Josephinestä suinkaan ollut vastenmielistä olla ihailun

esineenä. Hänellä oli alitajuinen tieto siitä, että luonto oli tehnyt
naisen miehen ihailtavaksi ja hän olisi tuntenut pettymystä, jos
hänen sulojensa suhteen olisi oltu välinpitämättömiä.

Lattimerin ilmeinen kyky tukahuttaa intohimonsa aiheutti

Josephinessa luottamusta häneen. Hän tiesi, että Lattimerin
sydämessä paloi intohimo ja vaikka tieto siitä olikin hänelle
mieluinen, pelkäsi hän sitä kuitenkin sen vuoksi, että se oli hänelle
uusi tunne, ja hän ei tuntenut kylliksi miesten intohimoja, voidakseen
arvostella, kuinka pitkälle hän saattoi sallia heidän mennä
voidakseen vetäytyä kohteliaasti takaisin.

Hän ei ollut mikään kiemailija. Jos häntä olisi viehättänyt kiemailla

Lattimerin kanssa, niin asia olisi ollut vallan yksinkertainen. Mutta
hän oli vakavissaan. Hän koetti vakavasti eritellä tunteitaan
Lattimeriä kohtaan ja hän ei suinkaan aikonut luopua vapaudestaan
vähimmässäkään määrässä, ennenkuin hän oli varma Lattimerin
kelvollisuudesta ja omien tunteittensa pysyväisyydestä.

Mutta hän tunsi, että Lattimerin vetovoima oli viikon kuluessa

tavattomasti vaikuttanut häneen ja että se oli voimakkaasti vedonnut
hänen mielikuvitukseensa.

Idän miehet olivat varmasti yhtä miehekkäitä kuin ne Lännen

miehet, jotka hän oli tavannut. Ero oli siinä, että Lännen miehet, joilla
ei ollut käytettävissään Idän sivistyksen etuja, olivat
suorapuheisempia ja luonnollisempia kuin heidän itäiset veljensä.

Hän alkoi tuntea olevansa sydämestään Lännen ihminen. Siitä

elämästä, jonka hän oli tuntenut, oli puuttunut jotakin. Hän oli aina
tuntenut halua olla itsenäinen, aivan muista eriävä. Hän oli tahtonut
tehdä tehtävänsä omalla ominaisella tavallaan, noudattaa omia
mielijohteitaan ja olla oma tekijänsä elämässä. Hän oli vakuutettu
siitä, että Brannoninkin antautuminen heidän monessa
keskinäisessä ottelussaan, oli osoitus Josephinessä uinuvasta
kyvystä hallita.
 Hän uskoi, että se oli syy siihen, että hän piti Lattimeristä. Lattimer
vastasi hänen miehen ihannettaan — suuri, kaunis, elävä ja
sähköinen, voimaa uhkuva, alkuperäinen ajatuksissa ja toiminnassa,
hallitseva ja itsenäinen.

Ensin oli hän luullut, että Brannon oli ihannemies. Hän huomasi
nyt erehdyksensä. Syynä hänen taisteluunsa antautumista vastaan
hänen vetovoimalleen oli ollut se, että Brannon ei ollut se oikea
mies. Brannon oli liian itsetietoinen, liian taipumaton, liian ärsyttävän
tietoinen voimastaan ja kyvystään hallita.

Hän uskoi tuntevansa kostonhaluista iloa vastustaessaan

Brannonia. Ja Josephine tunsi sydämessään tällä hetkellä julmaa
tyydytystä siitä, että hän ainakin tähän saakka oli estänyt häntä
hirttämästä Artwellia.

Hänen teossaan, uhmatessaan Betty Lawsonia ei enää ollut

mitään arvoituksellista. Hän tunsi, että hänen äkillinen intohimoinen
purkauksensa, joka oli särkenyt hänen välinsä ystävänsä kanssa,
olikin ollut vain tahdoton mielenosoitus uuden ajatusvapauden
puolesta. Hän oli keksinyt alkuperäisen vaiston taistella,
puolustaakseen itseään hyökkäyksiä vastaan. Vanha alttius nojautua
tapoihin ja sovinnaiseen oli mennyt, sitä oli seurannut voiman tunto
ja mieltähivelevä luottamus kykyynsä määrätä itse kohtalonsa. Hän
oli eroittamaton osa sitä maata, jota hän oli pelännyt, mutta jota hän
todellisuudessa rakasti. Hän oli Lännen ihminen koko sielultaan ja
mieleltään.

Kahdeskolmatta luku.
 Kahdesti oli Josephine käynyt sisällä hoitamassa Artwellia.
Kuminallakin kerralla oli hän antanut hänelle vettä ja hämärässä
lampun valossa oli hän huomannut, että hänen värinsä oli jotenkin
normaali, osoittaen, että kuume, jota vastaan Josephine oli viikon
ajan taistellut, oli hitaasti antautumassa.

Artwell oli heikko, mutta oli kieltämättä paranemassa ja muutaman

päivän perästä saattaisi hän jo mennä ulos.

Mutta Artwell näytti levottomalta, tuskaiselta. Josephine huomasi

hänen kiertelevistä tiedusteluistaan Brannonin edesottamisista, että
hän pelkäsi että Triangle L:n esimies keksisi hänen olinpaikkansa ja
tulisi häntä hakemaan, mutta Josephine oli onnistunut rauhoittamaan
häntä sanomalla, ettei hän antaisi kenenkään koskeakaan häneen.

Hän kiersi lampun pienemmälle, lähtiessään Artwellin luota toisella

kerralla. Sitten meni hän ulos portaille nauttimaan majesteetillisesta
hiljaisuudesta ja autereisesta maailmasta ympärillään.

Hiljainen, lempeä tuuli puhalsi häntä vastaan mahtavalta,

salaperäiseltä aavikolta ja hän ajatteli kuinka hän alussa, tultuaan
tähän maahan, oli, ajatellessaan tuota ääretöntä laaksoa, pelännyt
sitä. Nyt hän oli voimakkaasti tietoinen sen kauneudesta ja hän täytti
keuhkonsa puhtaalla, salviaruohon kyllästyttämällä ilmalla, joka
painautui häntä vastaan. Häntä värisytti kylmästi kiiluvien tähtien
loisto ja sinitaivaan mittaamaton korkeus.

Nojatessaan kaidetta vasten kuuli hän ääntä. Kuunnellessaan ja

kurkistellessaan itään, näki hän hevosmiehen tulevan näkyviin erään
kukkulan juuren takaa noin sadan jalan päässä siitä, missä hän
seisoi.
 Ratsastaja oli Lattimer.

Josephine istuutui nojatuoliin, joka oli aivan hänen vieressään,

sillä hän arveli, että Lattimer kääntäisi hevosensa aitauksen luo.
Mutta hän tulikin aitauksen ohi suoraan kuistia kohti ja kun hän
pysäytti hevosensa, saattoi Josephine kuulla kuinka hevonen läähätti
kiivaasti. Lattimer oli ajanut kovasti.

Mutta hänen eleissään ei näkynyt merkkiäkään kiireestä. Hän

hyppäsi hevosen selästä, nosti ohjat sen pään yli ja käveli
Josephinen luo.

Huolimatta suuresta kodostaan oli Lattimer kevyt, joustava ja

liukasliikkeinen, ja kun hän astui Josephineä kohti, oli tämä
enemmän kuin ennen tietoinen miehen salaisesta, pidätetystä
voimasta ja hänen synnynnäisestä karskiudestaan.

"Halloo, lady", tervehti hän Josephineä, nauraen hiljaa astuessaan

kuistille ja pysähtyessään hänen eteensä. "Viivyin myöhään. Ihana
yö, eikö totta?"

"Se on suurenmoinen", vastasi Josephine.

"Miten Les voi?"

"Hän on paljon parempi."

Josephine oli ihmetellyt, miksi Lattimer ei ollut vienyt hevostaan

pois. Hän katsoi Lattimeriin tarkkaavasti ja ensi kerran tuttavuutensa
aikana huomasi hän, että hän oli muuttunut aivan toiseksi mieheksi.

Lattimer katsoi Josephineen tutkivasti ja hänen silmänsä olivat

kylmät ja miettivät ja niissä tuntui jotakin pahaaennustavaa. Hänen
huulensa olivat tiukasti yhteenpuristetut eikä niissä näkynyt hänen
tavallista leikillistä, vallatonta hymyään.

Josephine vetäsi syvään henkeä, sillä hänen ajatuksensa lensivät

silmänräpäyksessä Brannoniin ja Artwelliin. Ilmeisesti huomasi
Lattimer hänen ajatuksensa, sillä hän astui eteenpäin, pani
molemmat kätensä Josephinen olkapäille ja kun tämä nousi
jaloilleen ikäänkuin vastaukseksi pelkoonsa, kumartui Lattimer
vieläkin lähemmä ja katsoi häntä kysyvästi ja tutkivasti silmiin.

"Kuinka rohkea olette?" kysyi hän sitten äkkiä.

Josephine ei keksinyt sanoja vastaukseksi. Katseen tuimuus ja

kysymyksen hämmästyttävä äkillisyys, saattoivat hänet
tasapainosta.

"Oletteko kyllin rohkea pelataksenne pelin loppuun saakka", kysyi

Lattimer. "Otaksuttavasti arvaatte mitä on tapahtunut", sanoi hän
nauraen hiljaa. "Brannon on epäluuloinen. Tapasin erään Starin
miehen ja samoin Triangle L:n. Kuulin huhuiltavan kummia juttuja.
Meidän täytyy saada Artwell täältä pois ennenkin Brannonin
epäluulot tulevat liian vahvoiksi!"

Josephine tunsi olkapäillään painon lisääntyvän. "Oletteko kyllin

rohkea lähteäksenne Artwellin ja minun kanssani sellaiseen
paikkaan, jossa Artwell on turvassa?"

Josephine nyökkäsi myöntävästi päätään, tietämättä oikein mitä

häneltä pyydettiin. Hän tajusi, että Artwell oli vaarassa ja hän tunsi,
että hän tahtoi pelastaa hänet kaikista vastuksista huolimatta.
 Lattimerin ote tiukkeni, hän veti syvään henkeä ja hänen silmänsä
loistivat kirkkaina kuutamossa. "Hyvä", sanoi hän äänessään
riemukas sävy. "Minä panen kaikki kuntoon lähtöä varten."

"Tarkoitatteko, että meidän täytyy lähteä nyt, aivan heti?"

"Heti, kun olen saanut hevoset valmiiksi." Hän oli jo menossa

kuistilta alas, mutta Josephinen kysymys pysäytti hänet ja hän jäi
katsomaan häntä.

"Jatkatteko leikin loppuun, vai kuinka?" kysyi hän julmasti

leikitellen.

"Tietysti, mutta minne me lähdemme?"

"Arvatenkin Laskariin. Ettehän vain pelkää, vai kuinka?"

"En", sanoi Josephine uhmaten. "Mutta Laskar on kaukana, eikö

niin?"

"Viisikymmentä mailia."

"Luuletteko, että Artwell kestää sen?"

"Hänen täytyy. Arvatenkin hän mieluummin ratsastaa kuin riippuu

hirressä. Menkää sisään ja kysykää häneltä sillä aikaa kuin panen
hevoset kuntoon. Minun on lopen väsynyt ja täytyy vaihtaa toinen.

"Mitä, tarkoitatteko, että Brannon — että joku on ajanut teitä

takaa?"

"Ei sentään niin pahasti", nauroi Lattimer astuessaan rappuja alas.

"Olen vain saanut vihiä, että Brannonilla on epäluuloja ja aion
saattaa Artwellin turvaan ajoissa. Älkää hätääntykö. Kun vain
lähdemme ajoissa, niin olemme Laskarissa onnellisesti illan suussa.
Jätämme Artwellin jonkun ystävän luo ja te voitte palata takaisin
Whitmaneille."

Rauhoittuneena Lattimerin äänensävystä, lähti Josephine sisään.

Artwell nukkui, ja kun Josephine herätti hänet kertoakseen

hänelle, mitä oli tekeillä, nousi hän istualleen kalpeana ja ilmeisesti
säikähtyneenä. Ensi kerran näki Josephine nyt miehen todellisen
luonteen, hän näki hänen käärmemäisen liuhuutensa ja häijyytensä
kiiluvan hänen silmissään ja hänen täytyi oikein kääntyä hänestä
pois.

"Ettehän jätä minua nyt, ma'am?" Hän tarttui Josephinen toiseen

käteen
ja puristi sitä kovasti. "Olen peräti huonossa kunnossa ma'am. Mutta
Brannon ei sitä ottaisi huomioon. Hän hirttäisi minut joka
tapauksessa.
Mutta hän ei voi tehdä sitä, jos olette minun puolellani."

"Brannon ei hirtä teitä, jos vain suinkin voin estää sen."

Mentyään ulos taas, kokosi Josephine tavaransa ja Artwell nousi

vuoteestaan mutisten käheästi ja hiljaisella äänellä jotakin
Brannonista, Triangle L:stä, Callahanista ja Cole Meederistä.

Kun Josephine oli saanut tavaransa kokoon — Ben Whitman oli

tuonut niitä Triangle L:stä hänen pyynnöstään hyvän joukon — oli
Artwellkin pukeutunut ja seisoi ulko-ovella. Hän oli vain kalpea,
synkkä varjo entisestään ja katsoessaan hänen hurjasti pälyileviä
silmiään, värisytti Josephineä. Mutta nähdessään hänen horjuvan ja
heikkona nojaavan ovenpieleen, riensi hän hänen luokseen,
säälivänä, katuvana. Hänhän oli sittenkin vain poikanen, Mrs
Whitmanin erehtyvä lapsi, harhaanjohdettu luonnollisesti ja synkän
uhkamielinen maailmaa kohtaan, joka oli häntä vainonnut. Ei ollut
kumma jos hän oli kostonhaluinen!

Lattimer oli saanut hevoset valmiiksi. Josephine piteli erästä

hevosta, Lattimerin nostaessa Artwelliä sen selkään. Sitten auttoi
Lattimer Josephinen toisen hevosen selkään — ei Chesterfieldin,
sillä hän oli lähettänyt Ben Whitmanin viemään sen kotiin — ja
Lattimerin noustua kolmannen selkään, kiersivät he kolmin karjatalon
nurkitse ja lähtivät etelään utuisessa kuutamossa.

Kolmaskolmatta luku.

Keskustelunsa jälkeen Lattimerin kanssa käänsi Brannon

hevosensa Whitmanin taloa kohti. Mutta hän ei pysähtynyt siihen,
vaikka oli aikonut, sillä päästyään pieneen metsikköön, joka oli
Whitmanin talon läheisyydessä, huomasi hän Ben Whitmanin
taluttavan Chesterfieldiä aitaukseen.

Nyt ei saattanut olla epäilystäkään kenelle nenäliina, jonka

Lattimer oli piiloittanut jalkansa alle, kuului. Josephine oli auttanut
Artwelliä Lattimerin karjatalolle, oli pudottanut nenäliinansa kuistin
nurkalle ja palannut sieltä Whitmaneille.

Koska Ben Whitman hoiteli hänen hevostaan, oli ilmeistä, että

Josephine juuri oli saapunut. Ja kun Brannon näki satulan riippuvan
aitauksen ylimmällä rimalla — hän tunsi sen Triangle L:n satulaksi —
tiesi hän, että se oli juuri otettu Chesterfieldin selästä, sillä Ben
Whitman oli kuuluisa täsmällisyydestään eikä olisi unehuttanut sitä
siihen.

Brannon kiersi aitauksen ja talon ympärillä olevan tasaisen kentän

nähdäkseen Bettyn hevosen. Näytti siltä kuin Betty ei vielä olisi tullut,
vaikka hänen olisi pitänyt tulla jo aikoja sitten. Mutta Brannon ajatteli,
että Betty mahdollisesti oli hädissään ja levottomana poikennut tieltä,
kohdatakseen ehkä sattumalta Josephinen harhailemassa
ympäristössä.

Hieman myöhemmin, istuen yhä rauhallisesti satulassa, hymyili

Brannon tyytyväisenä, sillä hän näki tomupilven lähenevän
Whitmanin taloa ja pilven edessä kiiti Betty. Hän oli ollut kaukana
tieltä.

Brannon odotti. Hänellä ei ollut mitään syytä ilmoittaa läsnäoloaan

ja hän aikoi kiertää talon näyttäytymättä ensinkään. Myöhemmin
aikoi hän yhtyä etelään lähteneihin miehiin.

Hän näki Bettyn ratsastavan taloon, hyppäävän satulasta ja

menevän tupaan. Hän huomasi, että Ben Whitman kiirehti saamaan
Chesterfieldin satulan näkyvistä, mikä oli epäilyttävä merkki ja sai
Brannonin rypistämään kulmiaan hieman ihmeissään.

Whitmanin salaperäinen kiire ja Bettyn äkillinen poistuminen

talosta sekä se seikka, että hän lähtiessään itki, olivat siinä määrin
hämmästyttäviä asioita, että Brannon päättikin olla lähtemättä
etelään.

Hän näki Bettyn nousevan satulaan ja ratsastavan hurjaa vauhtia

itään Triangle L:ää kohti. Hän näki Ben Whitmanin pudistelevan
päätään Bettyn lähtiessä. Mutta Chesterfield jäi aitaukseen.
 Brannon kiersi kaukaa, välttyäkseen tulemasta huomatuksi.
Häneltä meni kokonainen tunti Triangle L:n tielle päästäkseen, mutta
tultuaan sille pani hän hevosensa laukkaamaan kiivaasti ja oli perillä
Tringle L:n aitauksen portilla puolentoista tunnin kuluttua. Bettyn
hevonen oli jo aitauksessa ja Brannon meni päärakennukselle,
kolkuttaakseen varovasti pääovelle.

Kun Betty tuli häntä vastaan, näki Brannon huoneen hämärässä,

että hänen silmänsä olivat kosteat ja posket punoittavat. Mutta hän
ei ollut huomaavinaan hänen kiihtymystään. Hänen onnistui myös
peittää uteliaisuutensa.

"Olen sangen laajalta tarkastanut seudun, Betty", sanoi hän. "Jos

hän on lähtenyt etelään, niin ei hänestä ole paljonkaan jälkiä jäänyt."
Hän ajatteli nenäliinaa, jonka hän oli Lattimerilla nähnyt, mutta hän ei
aikonut kertoa kaikkia tietojaan.

Brannon näki, että Betty oli hyvin kiihoittunut. Hän ei kuitenkaan

voinut päättää oliko se katkeraa vihastumista vaiko pilkansekaista
suuttumusta.

"Miss Hamilton on vierailulla Mrs Whitmanin luona, Brannon",

sanoi
Betty. Hänen äänensä oli kylmä ja tasainen.

"Arvasin, ettei hän lähtisi kovin kauaksi", vastasi Brannon.

"Tietenkin hän selitti, miksi hän ei ollut sanonut sinulle minne hän
aikoi?"

"Hän sanoi olleensa levoton Mrs Whitmanin vuoksi."