मतलूब के साथ भाषणबाजी करना

भाषण संकेतों की प्रारंभिक प्रसंस्करण का परिणाम इस संकेत को चिह्नित करने वाले कई वर्णक्रमीय वैक्टर प्राप्त करना है और आगे मान्यता के लिए उपयोग किया जाता है।

आधुनिक पहचानकर्ताओं में जो मौलिक धारणा है, वह यह है कि भाषण संकेत को स्थिर माना जाता है (यानी, इसकी वर्णक्रमीय विशेषताएं अपेक्षाकृत स्थिर हैं) कई दसियों मिलीसेकेंड के अंतराल पर। इसलिए, प्रीप्रोसेसिंग का मुख्य कार्य इनपुट स्पीच सिग्नल को अंतराल में विभाजित करना और प्रत्येक अंतराल के लिए स्मूथ वर्णक्रमीय अनुमान प्राप्त करना है।

एक अंतराल का एक विशिष्ट मूल्य 25.6 एमएस है। पड़ोसी अंतराल पिछले अंतराल के सापेक्ष ऑफसेट के साथ लिया जाता है। लागू अंतराल ओवरलैप मान 10 एमएस है। इनमें से प्रत्येक अंतराल के प्रारंभिक अध्ययन के परिणामस्वरूप, हम कई दसियों वर्णक्रमीय मानों का एक वेक्टर प्राप्त करते हैं।


भाषण सिग्नल प्रीप्रोसेसिंग एल्गोरिदम का ब्लॉक आरेख अंजीर में दिखाया गया है। 1।

स्पीच सिग्नल के प्रत्येक अंतराल को पूर्व-वर्क करने के लिए जो कदम उठाने चाहिए, वे नीचे विस्तार से वर्णित हैं।

एक उदाहरण के रूप में, हम 16 केएचजेड की आवृत्ति के साथ और 16 बिट्स के एक संकल्प के साथ विवेकाधीन नमूने पर विचार करते हैं। विवेकाधीन भाषण संकेत 25.6 एमएस, यानी 409 नमूनों के अंतराल में विभाजित है। अंतराल 10 एमएस (160 नमूने) की पारी के साथ ओवरलैप होते हैं।

चित्र 1। भाषण संकेत की प्रारंभिक प्रसंस्करण के लिए एल्गोरिथ्म का ब्लॉक आरेख

अगला, भाषण संकेतों की प्रारंभिक प्रसंस्करण के चरण।

1. डिजिटाइज्ड (समय-मात्रा में और स्तर के हिसाब से परिमाणित) स्पीच सिग्नल को हर 10 ms की शिफ्ट के साथ 25.6 ms के ब्लॉक में बांटा गया है, यानी प्रत्येक ब्लॉक के 409 नमूनों को 160 नमूनों की शिफ्ट के साथ।
2. एक नियम के रूप में, उच्च आवृत्ति प्रवर्धन का उपयोग होठों से फैलाव के कारण कमजोर होने की भरपाई के लिए किया जाता है। ऐसा करने के लिए, सिग्नल ब्लॉकों को पहले क्रम के फिल्टर के माध्यम से पारित किया जाता है
   एस (1) = 0; S (n) = y (n) -y (n-1), n ​​= 2 ... 409,
   जहां y _n ब्लॉक में n-th नमूना है।
3. इस प्रकार के उपचार के लिए, प्रत्येक ब्लॉक में एक विंडो फ़ंक्शन लागू किया जाता है।
   इस मामले में, हैमिंग विंडो को इस अभिव्यक्ति के अनुसार लिया जाता है
   डी (एन) = (0.54-0.46 • कॉस (2 (• (एन -1) / 408)) • एस (एन) के लिए एन = 1, ..., 409।
   
4. वर्णक्रमीय अनुमान प्राप्त करने के लिए, असतत फूरियर रूपांतरण का उपयोग किया जाता है । इस मामले में, हम आवश्यक शून्य संख्या के साथ इसे जोड़कर ब्लॉक की लंबाई को 512 तत्वों तक बढ़ाते हैं। उसके बाद, हम तेजी से फूरियर रूपांतरण को 512 बिंदुओं की लंबाई के साथ लागू करते हैं और 512 वर्णक्रमीय जटिल मान प्राप्त करते हैं। जब से हम फूरियर ट्रांसफॉर्म को लागू करते हैं 512 के मान वास्तविक हैं, तो प्राप्त वर्णक्रमीय जटिल मान युग्मवाचक संयुग्म हैं: दूसरा मान 512 वें से है, तीसरा
   511 वां, आदि। इसलिए, हम पिछले 256 जटिल रूपांतरण मूल्यों की उपेक्षा करते हैं, क्योंकि वे पिछले वाले के साथ जटिल रूप से युग्मित हैं और नई जानकारी नहीं रखते हैं।
5. पहले 256 जटिल वर्णक्रमीय मूल्यों के लिए, हम उनके आयाम पाते हैं। गैर-रेखीय (एक लघुगणक के समान) मेल-स्केल पर स्थित "त्रिकोणीय" आवृत्ति बैंड के भीतर वर्णक्रमीय गुणांक के आयाम को जोड़कर आयाम फूरियर स्पेक्ट्रम को चिकना (औसतन) किया जाता है। 16 KHz के बराबर भाषा की सीमित आवृत्ति के लिए, 24 ऐसे आवृत्ति बैंड लिए जाते हैं।

मेल-स्केल को मानव कान की आवृत्ति पृथक्करण के लिए पेश किया गया है, जो 1000 हर्ट्ज तक रैखिक और 1000 हर्ट्ज से अधिक लघुगणक है।

पहले आयाम गुणांक - स्पेक्ट्रम के निरंतर घटक - को अनदेखा किया जाता है, और शेष 255 वर्णक्रमीय मानों के आयामों को औसत किया जाता है। हम 24 त्रिकोणीय बैंडपास फिल्टर के रूप में औसत लागू करते हैं। ऐसे बैंड की निचली, मध्य और ऊपरी आवृत्तियों को तालिका 1 में प्रस्तुत किया गया है।

प्रत्येक त्रिकोणीय फिल्टर उन आयाम वर्णक्रमीय मानों का भारित औसत पाता है जो किसी दिए गए फ़िल्टर के लिए कम और ऊपरी आवृत्तियों के बीच आवृत्तियों के अनुरूप होता है। यदि आयाम बैंड की औसत आवृत्ति के बिल्कुल अनुरूप है, तो यह एक के बराबर एक कारक से गुणा किया जाता है। आवृत्ति के संबंधित आयाम मान को मध्य से निचली या ऊपरी सीमा पर ले जाते समय, गुणांक एक से घटकर शून्य हो जाता है।

गुणांक द्वारा एम्पलीट्यूड के परिणामी उत्पादों को आयाम मानों की संख्या से जोड़ा और विभाजित किया जाता है। नतीजतन, हम इस आवृत्ति बैंड के लिए भारित औसत पाते हैं।

256 आयाम 0 हर्ट्ज से 8000 हर्ट्ज तक आवृत्तियों के अनुरूप हैं, अर्थात। आंदोलन का चरण 8000/256 = 31.25 हर्ट्ज है। इसका मतलब यह है कि पहला आयाम 0 हर्ट्ज की आवृत्ति से मेल खाता है, दूसरा 31.25 हर्ट्ज से, तीसरा 62.5 हर्ट्ज से, आदि।
उदाहरण के लिए, मेल-स्केल के पहले आवृत्ति बैंड के लिए: कम आवृत्ति 0 हर्ट्ज है, औसत आवृत्ति 74.24 हर्ट्ज है, ऊपरी आवृत्ति 156.4 हर्ट्ज है।

तो, पहला (0 हर्ट्ज), दूसरा (31.25 हर्ट्ज), तीसरा (62.5 हर्ट्ज), चौथा (93.75 हर्ट्ज), पांचवां (125 हर्ट्ज) और छठा (156.25 हर्ट्ज) पहला फर्स्ट बैंड में आता है आयाम।
अंजीर के अनुसार २। तीसरा आयाम 62.5 / 74.24; 0.84 के गुणांक से मेल खाता है; और पांचवें आयाम के लिए, गुणांक (156.4-125) / (156.4-74.24) itude 0.38 है।


अंजीर। २।

तालिका 1। मेल आवृत्ति पैमाने

वर्णित कार्यों के परिणामस्वरूप, हम एक 24-तत्व स्पेक्ट्रल (ध्वनिक) वेक्टर प्राप्त करते हैं।

अंत में, हम एक भाषा के नमूने के भीतर ध्वनिक वैक्टर को सामान्य करते हैं। ऐसा करने के लिए, सबसे लंबी वेक्टर लंबाई ढूंढें और इस लंबाई के पारस्परिक द्वारा सभी वैक्टर के मूल्यों को गुणा करें।

प्रीप्रोसेसिंग भाषण संकेतों के लिए एल्गोरिथ्म का अनुकरण करने के लिए, MATLAB माध्यम को चुना गया था।

clear all; close all; signal = wavread('example.wav') ; subplot(3,3,1); plot(signal);title('example.wav'); % signal: fdyscr=16 KHz, 16 bit % acoustic preprocessing of signal d=length(signal); tim=1; i=1; while i<d-408 y=signal(i:i+408); % block processing; result - acoustic vector x(1)=0.0; for j=2:409 x(j)=y(j)-y(j-1); end; %premphasis % pi=3.14; for j=1:409 z(j)=(0.54-0.46*cos(2*pi*(j-1)/408))*x(j); end; %Hamming window C=fft(z,512); C=abs(C); % FFT S=C(1:256); % amplitudes % binning of 255 spectral values amplitudes, j=2,3,...,256 f=[0; 74.24; 156.4; 247.2; 347.6; 458.7; 581.6; 717.5; 867.9; 1034; 1218; 1422; 1647; 1895; 2171; 2475; 2812; 3184; 3596; 4052; 4556; 5113; 5730; 6412; 7166; 8000]; krok=16000/512; % krok=31,25 a(1:26)=0; j=2; k=1; n(1:26)=0; h=krok*(j-1); while k<26 while and(f(k)<h,h<f(k+1)) alfa=(hf(k))/(f(k+1)-f(k)); % interval [f(k),f(k+1)]; a(k+1)=a(k+1)+S(j)*alfa; n(k+1)=n(k+1)+1; a(k)=a(k)+S(j)*(1-alfa); n(k)=n(k)+1; j=j+1; h=krok*(j-1); end; a(k)=a(k)/n(k); k=k+1; end; O(tim,1:24)=a(2:25); %O(tim,25)=sum(y.^2); norma(tim)=norm(O(tim,1:24)); i=i+160; tim=tim+1; % next block end; % end of block proccesing time=tim-1; normamax=max(norma(1:time)); O(1:time,1:24)= O(1:time,1:24)/normamax; % normalization % end of signal acoustic preprocessing subplot(3,3,2); plot(y);title(' 409 values '); subplot(3,3,3); plot(x);title(' premphasis '); subplot(3,3,4); plot(z);title(' Hemming'); subplot(3,3,5); plot(C);title(' 512 fft '); subplot(3,3,6); plot(S);title(' 256 elements '); subplot(3,3,7); plot(O(time,1:24));title(' 24-element vector'); 

एक भाषण संकेत के प्रीप्रोसेसिंग के चरण 1-5 का एक चित्र चित्र 3 में दिखाया गया है।

चित्र 3। एक भाषण संकेत preprocessing के चरणों



पहला चित्रण भाषा संकेत उदाहरण दिखाता है। तब, 16 केएचजेड की आवृत्ति और 16 बिट्स की गहराई के साथ विवेकपूर्ण होता है।

दूसरे चित्रण में, हमारे पास 25.6 एमएस में निर्दिष्ट भाषण सिग्नल का एक ब्लॉक (अंतराल) है। यह ब्लॉक 409 नमूनों से मेल खाता है।

तीसरे चित्रण में, हम पहले-फ़िल्टर के साथ इसे संसाधित करने के बाद भाषण सिग्नल के एक ब्लॉक को देखते हैं।

चौथा मॉडल हमिंग विंडो को लागू करने के बाद हमें एक ब्लॉक दिखाता है।

पांचवां दृष्टांत हमें इस एकल खंड के तेजी से फूरियर रूपांतरण के 512 आयामों को बताता है।

चूंकि तेजी से फूरियर ट्रांसफॉर्म के ये आयाम मूल्य जोड़ी के समान हैं (क्योंकि तेजी से फूरियर ट्रांसफॉर्म के संबंधित जटिल मूल्य युग्मक जटिल संयुग्म हैं), केवल पहले 256 आयाम मूल्यों को लिया जा सकता है। ये 256 आयाम मान छठे चित्रण में दिखाए गए हैं।

सातवें चित्रण में 24-तत्व वेक्टर का मान दिया गया है, जिनमें से घटक 24 "त्रिकोणीय" आवृत्ति बैंड के भीतर 256 आयाम मूल्यों के बाद प्राप्त किए जाते हैं।