Формирование речевого сигнала и вокодерное преобразование

На рис. 16 показан принцип распределения энергии в частотных диапазонах. Эта картина может изменяться в широких рамках в зависимости от тембра голоса и особенностей произ­ношения. На рисунке видно, что буквы отличаются не только частотным диапазоном, но и структурой. Для каждого звука характерны пики (резонансы) энергии в определенных частотных диапазонах и провалы в других. Частоты, на которых возникают пики, называют­ся «частотами формант» или просто «формантами». Гласные и звонкие согласные звуки ре­чи содержат обычно от трех до четырех формант. Эти свойства и иллюстрируются рис. 1.67. Изображенная «спектрограмма» представляет собой распределение энергии речи в виде функции времени и частоты.

Рис. 16. Пример распределения энергии в частотных спектрах: 1 — гласная; 2 — гласная; 3 — гласная; 4 — звонкая согласная; 5 — глухая согласная

Число фонем в русском языке составляет 32, это 6 гласных звуков и остальные соглас­ные. Чтобы закодировать их номера, достаточно 6 битов. Человек в среднем произносит в секунду 10 звуков. От центральной нервной системы к речевому аппарату сигналы пере­даются со скоростью 60 бит/с.

Эти простые оценки порождают иллюзию, что речь содержит небольшой объем инфор­мации и может быть передана с небольшой скоростью. Однако более детальное рассмотре­ние процесса образования звука позволяет заключить, что для передачи речи необходимы большие объемы информации.

При разговоре грудная клетка сжимается и расширяется, поток воздуха проходит через трахею и гортань в полости глотки, рта и носа. Голосовой тракт простирается от голосовой щели (отверстие между голосовыми складками гортани) до губ, и в процессе речи его фор­ма меняется. Если произносятся звонкие звуки (гласные, носовые, звонкие согласные), на­зываемые также вокализированными (voiced), голосовые складки в гортани смыкаются и размыкаются с той частотой, которая называется частотой основного тона (pitch). Получа­ется последовательность импульсов воздушного потока, которые возбуждают полости голосового тракта. Говоря, человек меняет геометрические размеры этих полостей, соответст­венно меняются и резонаторные частоты — «форманты».

При произнесении глухих (невокализированных, unvoiced) звуков голосовые складки расслаблены. Проходя по суженному голосовому тракту, воздух создает турбулентный по­ток, т.е. в полости рта и носа возбуждаются шумоподобные сигналы.

Взрывные (смычные, stop) звуки получаются путем кратковременного выхлопа — пол­ного перекрытия речевого тракта, нагнетания давления и внезапного открытия тракта. Взрывные звуки бывают звонкие (б, д, г) и глухие (п, т, к), т.е. могут образовываться с уча­стием голосовых складок и без них. Таким образом, в терминах спектра сигналов, когда че­ловек говорит, он производит спектрально-временную модуляцию широкополосного сигна­ла, генерируемого голосовыми складками и представляющего своего рода несущую. Полез­ная информация содержится в интонации (изменении частоты основного тона) и в смене спектра с тонального на шумовой и наоборот.

Линейная модель речеобразования представляет речь как систему, состоящую из гене­ратора возбуждения (генераторная функция) и линейной системы с медленно изменяющи­мися параметрами (фильтровая функция), которая им возбуждается. В такой модели не учи­тывается взаимное влияние голосовой щели и голосового тракта, что сильно упрощает ана­лиз. Для экономичной передачи и хранения речи необходимо определить параметры генера­торной и фильтровой функции. В генераторной функции изменяется частота и амплитуда основного тона (высота и громкость голоса) и происходит смена вида функции (основной тон или шум), а у фильтровой функции происходит постоянное изменение коэффициента передачи, проявляющееся в изменении огибающей спектра.

Такая модель представляет собой речь человека, который «гудит» на одной частоте, пе­риодически изменяя ее на другую и меняя громкость, а основная информация «добавляет­ся» в «подтонах».

Для передачи этих параметров достаточно скорости передачи около 1200 бит/с.

Рассмотренные ранее принципы и реализующая их аппаратура предназначены в первую очередь для максимально точного воспроизведения формы входного сигнала на выходе приемной стороны. Ниже рассмотрены принципы построения устройств, которые модели­руют человеческую речь, используя при этом методы цифрового кодирования. Они называ­ются вокодерами (это слово получено от словосочетания voice coder — кодер речевого сиг­нала) [42, 66].

По принципу определения параметров фильтровой функции различают следующие ти­пы вокодеров:

канальные (полосные, channel);

формантные;

ортогональные;

вокодеры с линейным предсказанием (липредеры — с Линейным Предсказанием Речи);

гомоморфные.

Вокодерное оборудование

Ранее вокодеры выполнялись на основе аналоговой техники на всем разговорном тракте. Те­перь они реализуются на основе цифровых технологий.

Полосный вокодер

На рис. 17. показан полосный (канальный) вокодер. Основная задача процесса кодиро­вания в вокодере — определить спектр сигнала, мощность в каждом спектре за достаточно длинный отрезок времени, в который существует форманта. На передающей стороне аналого­вый сигнал поступает на АЦП, затем проходит ряд цифровых фильтров, каждый из которых выделяет узкую полосу (обычно шириной 200-400 Гц). Чем уже полоса, тем лучше будет ка­чество речи на приемном конце, но тем больший объем информации необходимо передавать по цифровому тракту. Далее используются устройства, измеряющие и кодирующие значение мощности спектра в каждом диапазоне частот. В дополнение к информации о спектре вокоде­ры определяют характер возбуждения (гласный или звонкий согласный, в отличие от глухого согласного) и частоту основного тона для гласных или звонких согласных звуков. Полученная информация передается на приемный конец, где она используется для управления цифровым генератором. Он представляет собой память, где хранятся временные отсчеты частот, из кото­рых необходимо выбрать нужную по частоте и мощности. Возбуждение гласных происходит с помощью генератора импульсов, который открывает на определенное время генерацию ос­новного тона. Возбуждение глухих звуков имитируется шумовым генератором.

Рис. 17 Структурная схема полосного (канального) вокодера: а) кодер; б) декодер

Ортогональные вокодеры отличаются от полосных тем, что функции фильтров выпол­няются цифровыми методами: либо с помощью быстрого преобразования Фурье, либо с по­мощью ортогональных функций Уолша (периодические дискретные функции, принимаю­щие значения 0 или 1).