Методы обработки речевых сигналов в задаче распознавания

окон
Кодирование речи

области

Time

половиной частоты дискретизации

Частота дискретизации

Разрешение дискретизации

В телефонии использована частота дискретизации 8 кГц. 16 кГц обычно считается достаточным для распознавания и синтеза речи.

Нормальное качество достигается при 16 битах из которых 12 – значащие

b1 xn-1 + b2 xn-2 + ... + bq xn-q

Фильтр с конечной импульсной характеристикой (КИХ) вычисляет выходное значение y(n), как взвешенную сумму текущего входного значения и предыдущих входных значений.

Блок-схема КИХ-фильтра

Передаточная характеристика КИХ-фильтра

характеристика фильтра нижних частот

Сигнал после НЧ фильтрации

характеристика фильтра высоких частот

Сигнал после ВЧ фильтрации

(БИХ) производят выходное воздействие, y(n), как взвешенную сумму текущего и предыдущих входных воздействий, x(n), и предыдущих выходных воздействий.

Обычные типы фильтров

Блок-схема БИХ-фильтра

частота в новом пространстве, mel

Информативность различных частей линейного спектра неодинакова: в низкочастотной области содержится больше информации чем в высокочастотной. Поэтому для предотвращения излишнего расходования ресурсов, необходимо уменьшать число элементов, получающих информацию с высокочастотной области, или, что то же самое, сжать высокочастотную область спектра в пространстве частот. Наиболее распространенный метод – логарифмическое сжатие или приведение к mel шкале:

Mel-шкала

Банк фильтров

f T = 2 π f / fs ,T – период дискретизации, fs – частота дискретизации.

Обратное преобразование Фурье

Сигнал звука «а» в t-области

Сигнал звука «а» в частотной области

сдвиг

Свертка

сигнала на функцию окна во временной области равносильно свертке сигнала в частотной области

Гаусса
Кайзера

зависеть от времени и анализируемого сигнала

Метод перекрывания и добавления в линейной фильтрации

Метод перекрывания и добавления во временной области

Bit-rates достигается путем наложения больших ограничений на механизм получения речи.
Качество уменьшается с уменьшением bit-rate

Waveform кодеры

Импульсная кодовая модуляция (PCM)

Требуется, чтобы частота дискретизации, fs, была больше частоты Найквиста (в два раза большая, чем максимальная частота сигнала)

Дифференцированная импульсная кодовая модуляция (DPCM)

Предсказывает следующий отсчет, основываясь на нескольких отсчетах, декодированных последними
Минимизирует среднеквадратичную ошибку остатка предсказания – использует LP-кодирование.

Адаптивная дифференцированная импульсная кодовая модуляция (АDPCM)

Адаптируется предсказатель
Предшествующая адаптация: новые значения предсказания уточняются из входных данных
Последующая адаптация: используются значения предсказателя, вычисленные из недавно декодированного сигнала

wav-файл (106kbyte)

vox-файл (26kbyte)

Каждая подобласть кодируется со свойственной ей разрешением – например 4 бита на отсчет в низкочастотной подобласти и 2 бита на отсчет в высокочастотной подобласти.
Также может использоваться слуховое маскирование – используется меньше бит если соседняя подобласть намного громче.
Основа для стандарта MPEG-audio (сжатие 5:1 с CD качеством звука без заметной деградации).

Пример: MP3 32, 64, 128, 256, 320 kbit/sec

Представление LP-фильтра
- Мощность
- Затухание голоса
- Высоту (если есть голос)
Большинство битов идет на LP-параметры
Обычно используют «LP-коэффициенты» или «Линейные спектральные пары» для представления LP-параметров:

CELP кодеры
Основан на базисном LP-кодере
Применяется долговременный предсказатель для устранения избытка повторяемости
Кодирование требует намного больших вычислительных затрат чем декодирование (нужен поиск в codebook).
Результирующий bit-rate около 4 kbps.

Кодеры, возбуждаемые кодами линейного предсказания (Code Excite Linear Prediction)

G.729 (8 kbit/sec)

ICELP (4.8 kbit/sec)

MMBE (2.4 kbit/sec)

LBRAMR (1.2 kbit/sec)