Теоретическая часть

Преобразование сигнала в цифровую форму. Для анализа речи её необходимо преобразовать в форму, понятную вычислительной системе. Как известно, звук представляет собой продольные волны разрежения-сжатия, распространяющиеся в акустически-проводящей среде [56]. Посредством звукозаписывающих устройств (например, микрофона) он преобразуется в электрический сигнал, колебания которого повторяют звуковые колебания. Затем этот сигнал фильтруется с целью отсечения частот, превышающих некоторую частоту fmax. После этого он подается на аналого-цифровой преобразователь, который с некоторой частотой fd, называемой частотой дискретизации, записывает текущий уровень сигнала в цифровой форме, т.е. квантует сигнал по времени и по амплитуде. Как следует из теоремы Котельникова [25]:

. (2.2)

Таким образом, параметрами, определяющими качество оцифровки сигнала, являются частота дискретизации и разрядность преобразования (сколько единиц информации кодируется один отсчет). Частота дискретизации определяет максимальную частоту сигнала, которую можно записать. Типичные значения – 11025, 22050, 44100 Гц [61]. От разрядности зависит точность кодирования информации при аналого-цифровом преобразовании. Стандартные значения – 4 бит, 8 бит, 16 бит на отсчет. Естественно, чем больше разрядность и частота дискретизации, тем точнее записывается звук, но и тем больше поток информации и тем сложнее его обработать [8].

Предварительная обработка сигнала

Входной речевой сигнал необходимо подготовить для дальнейшей обработки. На данном этапе осуществляется очистка сигнала от шума, удаление пауз речи, нормализация сигнала.

Разделение фразы на речь и паузы

Для повышения точности вычисления признаков и для уменьшения числа операций по обработке сигнала необходимо отделить сигнал от пауз.

Входной оцифрованный сигнал S(n) обрабатывается с целью определения границ слитной речи. Алгоритм выделения слитной речи основан на измерении кратковременной энергии речевого сигала. При обработке речевых сигналов, как правило, оперируют не с исходным речевым сигналом, а с его параметрами, вычисленными на кадре. Длина кадра обычно выбирается такой, чтобы его длительность по времени составляла 10-20 мс, это обусловлено тем, что на данном интервале параметры сигнала практически неизменны [1]. Пусть на текущем кадре длины N наблюдается последовательность отсчетов s₁,...,s_k,...,s_N . Тогда выражение для средней кратковременной энергии речевого сигнала примет следующий вид:

(2.1)

Требуется отделить кадры, содержащие речь, от кадров, содержащих паузу. Предполагается, что первые 10 кадров не содержат речевого сигнала. По этому участку вычисляется среднее значение энергии шума

, (2.2)

где Eср_i - средняя кратковременная энергия кадра, содержащего шум.

С учетом этой характеристики вычисляется порог энергии P:

P=kE_{ср.шума} (2.3)

, где k – постоянная, характеризующая отношение уровня сигнала к шуму.

При дальнейшей обработке, если среднее значение энергии превышает установленный порог P, то в данной точке фиксируется начало участка речи, если среднее значение энергии кадра станет меньше определенного порога, то отмечается конец участка.

Таким образом, исходный сигнал разбивается на участки, содержащие речь, называющиеся реализациями слов, и на паузы. Данный алгоритм используется в системе «Речь-текст» для выделения слов из речевого потока.

Очистка сигнала от шума

Для удаления шумов обычно используется хорошо известный из техники фильтрации прием – удаление высокочастотных составляющих из спектра сигнала [79]. Основная модель для зашумленного сигнала имеет вид [64]:

s(n)=f(n)+e(n), (2.6)

где s(n) – зашумленный сигнал; f(n) – полезный сигнал; e(n) – шум.

Классификация фонем

Система фонем русского языка насчитывает 42 единицы [80]. По акустическим признакам они подразделяются на:

1. Тональные - образуются голосом при почти полном отсутствии шумов, что обеспечивает хорошую слышимость звуков: гласные а, э, и, о, у, ы;

2. Сонорные (звучные) - чье качество определяется характером звучания голоса, который играет главную роль в их образовании, а шум участвует в минимальной степени: согласные м, м', н, н', л, л', р, р', й;

3. Шумные - их качество определяется характером шума:

звонкие шумные длительные: в, в’, з, з’, ж; звонкие шумные мгновенные: б, б’, д, д', г, г'; глухие шумные: ф, ф', с, с', ц, ч, ш, щ, х, х' , п, п', т, т', к, к' .

Контрольные вопросы:

1. Назвать основные параметры преобразования сигнала в цифровую форму и дать их определение.

2. Алгоритм разделения сигнала на речь и паузы

3. Принцип очистки оцифрованного речевого сигнала от шума

Лабораторная работа №2

Измерение параметров речевого сигнала с использованием Matlab.

Цель: исследовать особенности речевого сигнала. Измерить основные характеристики сигнала с помощью звукового редактора.