Выбор длины отрезка речевого сигнала при кратковременном анализе звуков речи

В работе рассматривается вопрос выбора длины «окна» (длительности анализируемого отрезка) при кратковременном анализе звуков речи. Данный вопрос актуален в задачах обработки речи, требующих анализа характеристик конкретных отдельных звуков, например, в задачах распознавания.

Звуки речи образуются речевым аппаратом человека. Речевой аппарат – это совокупность и взаимодействие органов человека, необходимых для производства речи. Он состоит из двух отделов: центрального и периферического. Центральный отдел – это головной мозг с его корой, подкорковыми узлами, проводящими путями и ядрами соответствующих нервов. Переферический отдел – это вся совокупность исполнительных органов речи (глотка, ротовая полость с языком, лёгкие, носовая полость, губы, зубы), включающая в себя кости, хрящи, мышцы и связоки, а также периферические чувственные и двигательные нервы, при помощи которых осуществляется управление работой указанных органов [1; 3].

В зависимости от работы речевого аппарата звуки речи подразделяются на шумы и тоны: тоны в речи возникают в результате колебания голосовых складок; шумы образуются в результате непериодических колебаний выходящей из лёгких струи воздуха. Тонами являются обычно гласные; почти же все глухие согласные относятся к шумам. Звонкие согласные образуются путём слияния шумов и тонов.

Звуки речи человека генерируются, как правило, артикуляционным аппаратом. В общем его математическую модель можно представить в виде возбуждающих генераторов тонового и белого шума и группы фильтров, модуляторов и ключей (рот, нос, язык, губы), обеспечивающих фильтрацию и формирование определённого ощущения звука.

Речевой аппарат человека при генерации речи использует следующие физические принципы для получения различных типов звуков:

·     гласный – в этом случае голосовая щель генерирует звуковые импульсы;

·     шипящий согласный – в этом случае голосовая щель отключена и артикуляционный аппарат формирует шумовой сигнал;

·     смешанные шипяще-тоновые звуки типа [з] [ж], где одновременно присутствует шумовая составляющая модулированная голосовой щелью, или типа [р], где модулируется тоновый сигнал;

·     сонорные звуки типа [л] [м] [н];

·     взрывной согласный – генерация звука основана на перекрытии потока воздуха артикуляционными органами и последующем акустическом ударе;

·     пауза – отсутствие звука, длина паузы влияет на ощущение следующего за ней звука;

·     изменение параметров артикуляции в процессе генерации (их динамика) также создаёт ощущение определённого звука (дифтонги);

·     интонация – относительное изменение основного тона [2].

Шумы и тоны исследуются по их высоте, тембру, силе и многим другим характеристикам. Важнейшей характеристикой является частотный состав звука. Не маловажной характеристикой речевого сигнала является так же основной тон. Эта характеристика представляет собой низко-частотную модуляцию сигнала, параметры которой легко измеряются (установлено, что частота основного тона разных людей (мужчин, женщин, детей) находится в диапазоне 50 - 450 Гц.).

Ключевым вопросом при исследовании характеристик звуков речи является вопрос выбора длительности анализируемого отрезка. Речь - это нестационарный случайный процесс. Характеристики реального сигнала изменяются во времени, но на малых интервалах речевой сигнал имеет квази-периодический характер на протяжении генерации одного звука, т.е. на малых интервалах ее можно рассматривать как локально стационарный случайный процесс.

При выборе длительности анализируемого отрезка, необходимо руководствоваться следующими соображениями: 1) длительность не может быть меньше периода основного тона, наиболее низкочастотной составляющей спектра сигнала, 2) нежелательно, чтобы на отрезке анализа нарушалась квази-периодичность, т.е. в анализируемый отрезок “попало” больше, чем один звук.

В данной работе рассмотрена задача оптимального выбора длительности окна анализа характеристик речевого сигнала.

На первом этапе исследования были измерены длительности различных звуков в записаном фрагменте речевого сигнала. Результат измерения показан в таблице 1.

Таблица 1.

Результат измерения длительности речевого звука

Далее звуки были сгруппированы в соответствии с классификацией: группа 1 - гласные составленные вокализованные; группа 2 - взрывные согласные; группа 3 - гласные составленные простые вокализованные; группа 4 - сонорные; группа 5 - смешанные шипяще-тоновые (таблица 2).

Таблица 2.

Результат группирования речевого звука

Из таблиц видно, что наименьшее среднее значение длительности у звуков группы 2, а наибольшее - у звуков группы 1. Представляется правильным, при анализе звуков речи, выбирать наименьшую длину окна анализа, для ислючения попадания разных звуков в одно окно в максимальном количестве случаев.

На рисунке 1 показаны фрагмент речевого сигнала (звук “в”, T = 64 мс), выбранный “в ручную” и при автоматическом выборе, при различных значениях длины окна анализа (T = 82 мс (значение, полученное в таблице 2), T = 41 мс (в два раза меньше), T = 164 мс (в два раза больше)).

Рисунок 1. Фрагмент звука речи

Для каждого из случаев автоматического выбора была рассчитна корреляция с фрагменом, выбранным “в ручную”, т.е. случаем оптимального попадания “окна” в границы анализируемого звука.

Коэффициент корреляции рассчитывается по формуле:

,

где Х - отсчеты сигнала выбранного “вручную”; У - отсчеты сигнала, выбранного автоматически.

Получены следующие результаты:

- при T = 64 мс: K0 = 1.0000;

- при T = 82 мс: K1 = 0.7680;

- при T = 41 мс: K2 = 0.8607;

- при T = 164 мс: K3 = 0.4114.

Таким образом, максимальная корреляция достигается при Т = 41 мс, то есть минимальном отрезке из выбранных для исследования.

Аналогичные действия были выполнены для звука “а” (T = 200 мс) и получены следующие результаты:

- при T = 200 мс: K0 = 1.0000;

- при T = 160 мс: K1 = 0.9413;

- при T = 80 мс: K2 = 0.4555;

- при T = 320 мс: K3 = 0.4012.

В данном случае, максимальное значение коэффициента корреляции получено при Т = 160 мс, которое не является минимальным, а получено из таблицы 1.

Но в обоих случаях при увеличении длины окна анализа коэффицент корреляции существенно уменьшался. Таким образом, для задач, в которых требуется анализ характеристик конкретного звука (например, задач распознавания), длина окна анализа не должна превышать 200 мс при автоматическом кратковременном анализе.