Методы применения VAD в системах распознавания казахской речи

Введение . Исследования в области распознавания речи ведутся достаточно давно. Речь как природный источник информации обладает избыточностью, в ней содержится большое количество данных, не несущих смысловой нагрузки.

В настоящее время для увеличения объемов передаваемой информации применяются различные методы, например частотное и временное уплотнение сигналов. Для выполнения задачи распознавания речи в первую очередь необходимо определить моменты начала и окончания входного слова и пауз внутри него [1].

Постановка задачи. Определение моментов начала и окончания фразы при наличии шума является важной задачей распознавания речи. В частности, при автоматическом распознавании речи важно точно определить моменты начала и окончания слова [2].

Процедура обнаружения моментов начала и окончания фразы существенно уменьшает число арифметических операций, если обрабатывать только те сегменты, в которых имеется речевой сигнал. Вследствие этого скорость обработки будет увеличиваться. Наиболее распространенным способом сжатия речевых данных является удаление пауз между фразами, словами, отдельными звуками. Как показали многочисленные исследования, в речи может содержаться до 50 % пауз, а в диалоге их объем может достигать 70 %. Поэтому были созданы различные алгоритмы, которые устраняют избыточность речи, выделяя только значимые ее параметры [3].

Фонетическое представление PC

Рис. 1. Схема классификации кадров РС

Voice activity detector (VAD) — метод определения активности речи, технология сжатия речевого сигнала за счет поиска речи и пауз и их кодирования. В системах распознавания речи эффективность системы распознавания определяется в первую очередь эффективностью использования VAD [4].

Алгоритм VAD работает в процессе кодирования речевого сигнала перед распознаванием речи. Наличие пауз определяется на основе анализа и синтеза речевых данных, которые содержат отрезки сигнала. Предположим, речь содержит паузу, которую можно предсказать, и данный пакет содержит паузу, а не речь — наиболее сложный элемент алгоритма VAD. В наиболее простой реализации наличие паузы в наборе цифровых отсчетов определяется на основе сравнения суммарной энергии пакета речевых данных с некоторым пороговым значением, которое отделяет паузу от пакета с голосом. В этом случае порог необходимо подобрать таким образом, чтобы не допустить чрезмерно частое устранение ошибочных пауз, так как это может привести к ухудшению качества, потере важных данных и как следствие к снижению эффективности алгоритма VAD. Обычно для определения пауз применяется сложный алгоритм, учитывающий не только энергию пакета, но и энергию спектральных составляющих отрезка сигнала [5, 6].

Алгоритм разделения речевого сигнала на вокализованные и невокализованные участки и участки молчания. Звуки речи, в которых присутствует основной тон, называются вокализованными. При исследовании динамики изменения характеристик речевого сигнала (РС) важной задачей является выбор длительности временных кадров, на которые он разбивается. На рис. 1 представлена схема классификации кадров РС [7].

Длительность кадра РС должна быть достаточно малой, чтобы последовательность кадров более точно отражала кратковременную динамику изменения РС, и достаточно большой, чтобы последовательность кадров более точно отражала долговременную динамику РС.

Согласно условиям регистрации РС, указанным в таблице, длительность его кадра должна быть не меньше периода основного тона T от = 1000/100 = 10 мс. На рис. 2 приведен график речевого сигнала [8].

Речевой сигнал ( f g = 8000 Гц, f от >  100 Гц)

Число отсчетов	Длительность кадра, мс	Свойства окна
32	32 / 8 = 4	Отражает кратковременную динамику РС и не отражает его периодический характер
64	64 / 8 = 8	Отражает кратковременную динамику РС и не полностью отражает его периодический характер
128	128 / 8 = 16	Не полностью отражает кратковременную и долговременную динамику РС, полностью отражает его периодический характер
256	256 / 8 = 32	Не отражает кратковременную динамику РС, отражает долговременную динамику РС, полностью отражает его периодический характер

На рис. 3 представлена блок-схема алгоритма разделения речевого сигнала на вокализованные и невокализованные участки и участки молчания. Данный алгоритм основан на предположении, что речевой сигнал — это нестационарный процесс со значительными изменениями кратковременной энергии и числа пересечений нуля между смежными окнами [9].

Алгоритм включает 7 блоков.

Блок 1. Исходный речевой сигнал x ( m ), m = 0 , N — 1.

Блок 2. Разделение РС на кадры длительностью 16 мс.

Блок 3. Вычисление значений кратковременной энергии En (или кратковременное значение модуля энергии) и числа пересечений нуля Zn n-го кадра. Например, кратковременная n∞ энергия равна En  = 2L   x2(m), или En  = 2L  [x(m)w(n — m)] , или En  = m=n-N +1                      m=ro

N — 1

22 x ² ( N — n + m ), где n — номер кадра;

m =0

f ^{1 ,} m = ⁰N ^— , w ⁽ m )   ( 0 , m = 0 ,N — 1

оконная функция кадра; n = 0 ,L ; L — число кадров; M = LN — число отсчетов речевого сигнала.

Рис. 3. Блок-схема алгоритма разделения речевого сигнала на вокализованные и невокализованные участки и участки молчания

Кратковременная функция среднего числа переходов через нуль, или нулевых пересечений, основана на сравнении знаков соседних отсчетов [10, 11]. Например,

∞ zn = ^2 |sgn(x(m)) — sgn(x(m — 1)) | w(n — m), m=-∞ где

W(m\ = / 1 / 2 , ^{0 -} m ^- N ^{— 1} , sent { ¹ ,   X ⁽ m ) >  0 ^, -

W ⁽ m)   [0 ,                      s^{gn (} X ⁽ m))   [— 1 ,  X ( m ) <  0

знаковая функция.

Блоки 4, 6. Установка пороговых значений E _пор и Z _пор для E _n и Z _n .

Блок 5. Проверка выполнения условия E _n < E пор ?: да — n -й кадр относится к участку молчания; нет — к блоку 7.

Блок 7. Проверка выполнения условия Zn < Z пор ?: да — n -й кадр относится к вокализованному участку; нет — n -й кадр относится к невокализованному участку.

Недостатком данного алгоритма является высокая чувствительность E _n к большим значениям сигнала. Полученные данные представлены на рис. 4, 5.

Для уменьшения ошибок принятия решения относительно того, является ли участок вокализованным, предлагается использовать соотношение

Е

Rrms

rms

Zn ,

N где Erms = д/x2(m) = 4 N P x2(m) — квадратный корень среднего квадратов значений РС m=1

(rootmeansquare), или квадратичное среднее.

Рис. 4. График определения VAD в речевом сигнале a

x

200        400        600        800        1000       1200

m ^. 10⁴

E

в

0          200         400         600         800         1000        1200        1400

Рис. 5. График определения вокализованных ( а ), невокализованных ( б ) участков и энергии ( в ) в речевом сигнале

Вокализованная речь характеризуется большим значением E _rms и малым Z _n , а невокализованная речь характеризуется малым значением Erms и большим Zn , поэтому справедливо условие: Rrms является большим для вокализованного кадра и малым для невокализованного кадра. В данном случае требования к выбору порогового значения R _rms являются более простыми, что уменьшает возможность ошибочного принятия решения относительно того, является ли кадр вокализованным.

Выводы. Предложенный алгоритм используется для поиска конечной точки различных изолированных слов. В эксперименте получены графики для казахской речи. Алгоритм позволяет получить более точные результаты по сравнению с результатами поиска конечной точки РС вручную. На рис. 4 приведены примеры РС и обнаружения речевой активности. Для программирования использован язык MATLAB.

На рис. 5 показан процесс определения вокализованных и невокализованных участков, энергии РС. Общее число образцов, необходимых для представления речи разными дикторами, варьируется в зависимости от спектральных характеристик речи.

Алгоритм показывает хороший результат во многих кадрах сегментированной речи для классификации РС. Он эффективен для обнаружения конечных точек различных РС, позволяет снижать требования к объему памяти компьютера и время, затрачиваемое на вычисления. Алгоритм действует более эффективно, чем сегментация, выполняемая вручную.