सरल लेकिन कुशल वॉयस एक्टिविटी डिटेक्शन रियल-टाइम एल्गोरिथम

निम्नलिखित लेख का अनुवाद है
एक महत्वपूर्ण परिणाम वास्तविक समय आवाज गतिविधि का विश्लेषण ALGORITHM
एम एच मट्टार और एमएम होमयोनपौर
इंटेलीजेंट साउंड एंड स्पीच प्रोसेसिंग (LISSP) के लिए प्रयोगशाला, कंप्यूटर इंजीनियरिंग और सूचना प्रौद्योगिकी विभाग, Amirkabir प्रौद्योगिकी विश्वविद्यालय, तेहरान, ईरान
मूल लिंक

सारांश

वॉयस एक्टिविटी डिटेक्शन एल्गोरिदम (VAD) भाषण और ऑडियो प्रोसेसिंग अनुप्रयोगों में एक बहुत ही महत्वपूर्ण तरीका है। अधिकांश की प्रभावशीलता, यदि सभी भाषण / ऑडियो प्रसंस्करण विधियों का उपयोग VAD एल्गोरिथ्म की दक्षता पर अत्यधिक निर्भर नहीं है। आवाज गतिविधि का एक आदर्श डिटेक्टर आवेदन के दायरे, शोर के स्तर से स्वतंत्र होना चाहिए और आवेदन के अधिकतम मापदंडों पर कम से कम निर्भर होना चाहिए जिसमें इसका उपयोग किया जाता है। यह आलेख एक निकट-पूर्ण VAD एल्गोरिथ्म का प्रस्ताव करता है जो कार्यान्वयन और शोर प्रतिरोधी दोनों के लिए आसान है। प्रस्तावित विधि ऐसी छोटी अवधि की विशेषताओं का उपयोग करती है जैसे स्पेक्ट्रल फ्लैटनेस (SF) (स्पेक्ट्रल फ्लैटनेस, इवननेस) और शॉर्ट-टर्म एनर्जी, जो वास्तविक समय के उपयोग के लिए उपयुक्त विधि बनाती है। इस पद्धति का परीक्षण विभिन्न शोर स्तरों के साथ और हाल ही में प्रस्तावित विधियों की तुलना में कई रिकॉर्डिंग पर किया गया था। प्रयोगों ने विभिन्न शोर स्तरों पर संतोषजनक परिणाम दिखाए।

1. परिचय

वॉयस एक्टिविटी डिटेक्शन (VAD), यानी किसी भाषण या ऑडियो सिग्नल में मौन का पता लगाना, कई अनुप्रयोगों के लिए एक बहुत ही महत्वपूर्ण कार्य है जो ऑडियो या भाषण के साथ काम करते हैं, जिसमें एन्कोडिंग, मान्यता, भाषण इंटेलीजेंस में सुधार और ऑडियो इंडेक्स करना शामिल है। उदाहरण के लिए, GSM 729 मानक [1] एक नमूना में बिट्स की एक अलग संख्या के साथ एन्कोडिंग के लिए दो VAD मॉड्यूल का उपयोग करता है। वाक् पहचान (स्वचालित भाषण मान्यता एएसआर) के लिए शोर प्रतिरक्षा VAD भी बहुत महत्वपूर्ण है। एक अच्छा डिटेक्टर शोर वातावरण में किसी भी ASR की सटीकता और गति में सुधार करेगा।

[२] के अनुसार, एक आदर्श वॉयस एक्टिविटी डिटेक्टर के लिए आवश्यक विशेषताएँ हैं: विश्वसनीयता, स्थिरता, सटीकता, अनुकूलनशीलता, सरलता, वास्तविक समय के उपयोग की संभावना, बिना शोर की जानकारी के। शोर उन्मुक्ति प्राप्त करना सबसे कठिन है। उच्च एसएनआर (सिग्नल-टू-शोर अनुपात) की स्थितियों में, सरलतम वीएडी एल्गोरिदम संतोषजनक रूप से काम करते हैं, लेकिन कम एसएनआर की शर्तों के तहत सभी वीएडी एल्गोरिदम एक निश्चित सीमा तक नीचा दिखाते हैं। उसी समय, वास्तविक समय प्रयोज्यता की आवश्यकता को पूरा करने के लिए VAD एल्गोरिथ्म सरल रहना चाहिए। इसलिए, सादगी और शोर प्रतिरोध एक व्यावहारिक भाषण गतिविधि डिटेक्टर की दो आवश्यक विशेषताएं हैं।

कई VAD एल्गोरिदम प्रस्तावित किए गए हैं, जिनमें से मुख्य अंतर उपयोग की जाने वाली विशेषताओं में है। सभी विशेषताओं के बीच, अल्पकालिक ऊर्जा और शून्य-क्रॉसिंग दर का उपयोग उनकी सादगी के कारण अधिक बार किया गया था। हालांकि, उन्हें शोर की उपस्थिति में बहुत अपमानित किया जाता है। इस खामी को ठीक करने के लिए, विभिन्न स्थिर ध्वनिक विशेषताओं के आधार पर प्रस्तावित किया गया था - ऑटोकॉर्पोरेशन फ़ंक्शंस [3, 4], स्पेक्ट्रम (स्पेक्ट्रम आधारित) [5], संकीर्ण-बैंड खंड में शक्ति (बैंड-सीमित क्षेत्र में शक्ति [1, 6] , 7], एमएफसीसी (मेल-फ़्रीक्वेंसी सेफस्ट्रल गुणांक [4] - टोनल फ्रिक्वेंसी के सेफस्ट्राल गुणांक। आप पुस्तक स्पू में पढ़ सकते हैं), डेल्टा वर्णक्रमीय आवृत्तियों (6) और उच्चतर क्रम के आंकड़े (8]। प्रयोगों से पता चला है कि इन विशेषताओं के उपयोग से VAD शोर प्रतिरक्षा में वृद्धि होती है। कुछ कागजात कुछ मॉडलिंग एल्गोरिदम जैसे कि कार्ट (वर्गीकरण और प्रतिगमन ट्री) [9] और एएनएन (कृत्रिम तंत्रिका-नेटवर्क) [10] के साथ संयोजन में विभिन्न विशेषताओं के उपयोग का सुझाव देते हैं, हालांकि, ये एल्गोरिदम VAD की जटिलता में ही तुलनीय हैं।

दूसरी ओर, कुछ विधियाँ शोर मॉडल [11] का उपयोग करती हैं, या वीनर फ़िल्टर [7, 12] द्वारा शोर के सांख्यिकीय फ़िल्टरिंग के बाद प्राप्त सुधार भाषण स्पेक्ट्रम का उपयोग करती हैं। अधिकांश विशेषताएं एक निश्चित अवधि के लिए स्थिर शोर मानती हैं, इसलिए वे संसाधित सिग्नल के एसएनआर में परिवर्तन के प्रति संवेदनशील हैं। कुछ कागजात VAD स्थिरता [13] में सुधार के लिए शोर संगणना और अनुकूलन का सुझाव देते हैं, लेकिन इन विधियों में बहुत कम्प्यूटेशनल जटिलता है।

इसके अलावा, VADs मानक हैं जिनका उपयोग नई पहचान विधियों को बनाने के लिए किया जाता है। इनमें GSM 729 [1], ETSI AMR [14] और AFE [15] हैं। उदाहरण के लिए, जीएसएम 729 मानक एक आवृत्ति जोड़ी, पूर्ण-बैंड ऊर्जा और कम-बैंड ऊर्जा, शून्य-क्रॉसिंग दर के रैखिक स्पेक्ट्रम का उपयोग करता है और एक सीमित स्थान [1] में निश्चित सीमाओं का उपयोग करके एक क्लासिफायर लागू करता है।

इस कार्य में, VAD एल्गोरिथ्म प्रस्तावित है, जिसे लागू करना आसान है और इसका उपयोग वास्तविक समय भाषण / ऑडियो प्रसंस्करण के लिए किया जा सकता है, और यह संतोषजनक शोर प्रतिरक्षा भी प्रदान करता है। खंड 3 प्रस्तावित VAD के एल्गोरिथ्म का विवरण देता है।

2. लघु अवधि सुविधा (अल्पकालिक विशेषताओं)

प्रस्तावित विधि में, हम प्रत्येक फ्रेम के लिए तीन अलग-अलग विशेषताओं का उपयोग करते हैं। पहली विशेषता अल्पकालिक ऊर्जा (ई) है। भाषण / मौन की परिभाषा में ऊर्जा सबसे अधिक इस्तेमाल की जाने वाली विशेषता है। हालांकि, यह शोर की स्थिति में अप्रभावी हो जाता है, खासकर कम एसएनआर पर। इसलिए, हम दो और विशेषताओं का उपयोग करते हैं जो आवृत्तियों से गणना की जाती हैं।

दूसरी विशेषता वर्णक्रमीय सपाटता (एसएफएम - स्पेक्ट्रल सपाटता माप) का एक उपाय है। स्पेक्ट्रम शोर का माप वॉयस / नॉन-वॉयस डिटेक्शन और साइलेंस डिटेक्शन में अच्छी तरह से दिखाया गया है।
SFM की गणना निम्न प्रकार से की जाती है:
SMF _db = 10log ₁₀ (G _m / A _m )
जहां A _m और G _m क्रमशः भाषण स्पेक्ट्रम के अंकगणितीय माध्य और ज्यामितीय माध्य हैं।

इन दो विशेषताओं के अलावा, यह पाया गया कि भाषण और मौन के साथ फ्रेम को अलग करने के लिए सबसे प्रमुख आवृत्ति घटक के साथ भाषण फ्रेम का घटक बहुत उपयोगी हो सकता है। इस काम में, इस विशेषता को एफ द्वारा निरूपित किया जाता है। यह आसानी से एक आवृत्ति की गणना करके गणना की जाती है जो स्पेक्ट्रम के अधिकतम मूल्य से मेल खाती है। एस (के) |

आवाज गतिविधि का पता लगाने के लिए प्रस्तावित विधि में, सभी तीन विशेषताओं की गणना प्रत्येक फ्रेम के लिए एक साथ की जाती है।

चित्रा 1. स्पष्ट भाषण संकेत पर विशेषता मूल्य


चित्रा 2. सफेद शोर से क्षतिग्रस्त सिग्नल पर विशेषता मूल्य


चित्रा 3. बेबल शोर से क्षतिग्रस्त सिग्नल पर विशेषता मूल्य

1-3 एक साफ और शोर-क्षतिग्रस्त सिग्नल पर इन तीन विशेषताओं की प्रभावशीलता का प्रतिनिधित्व करते हैं।

3. सुगठित VAD ALGORITHM

प्रस्तावित एल्गोरिथ्म ऑडियो सिग्नल को फ्रेम में विभाजित करके शुरू होता है। हमारे कार्यान्वयन में, विंडो फ़ंक्शन का उपयोग नहीं किया जाता है। पहले N फ्रेम का उपयोग थ्रेशोल्ड वैल्यू को इनिशियलाइज़ करने के लिए किया जाता है। प्रत्येक आने वाले फ्रेम के लिए, तीन विशेषताओं की गणना की जाती है। यदि एक से अधिक विशेषताओं का मान थ्रेशोल्ड मान से अधिक है, तो एक ऑडियो फ़्रेम को भाषण माना जाता है। प्रस्तावित विधि की पूरी प्रक्रिया नीचे प्रस्तुत की गई है:

1 -  Frame_Size = 10ms   - ( Num_of_frames ) //    2 -        . //     *    (Energy_PrimTreshhold) *   F (F_PrimTreshhold) *   SFM (SF_PrimTreshhold) 3 - For i  1  Num_of_frames 3.1 -    (E(i)) 3.2 -  FFT    3.2.1 -  F(i) = arg max (S(k)) -     3.2.2 -      Measure(SFM(i)) 3.3 -     30   -  ,      (Min_E), F (Min_F), SMF (Min_SF) 3.4 -      E, F, SFM * Tresh_E = Energy_PrimTresh * log(Min_E) * Tresh_F = F_PrimTresh * Tresh_SF = SF_PrimTresh 3.5 -  Counter = 0 *  ((E(i) - Min_E) >= Tresh_E)  Counter++ *  ((F(i) - Min_F) >= Tresh_F)  Counter++ *  ((SFM(i) - Min_SF) >= Tresh_SF)  Counter++ 3.6 -  Counter > 1      ,    3.7 -      ,    tythubb Min_E = ((Silence_Count * Min_E) + E(i)) / (Silence_Count + 1) 3.8 Tresh_E = Energy_PrimTresh * log(Min_E) 4 -      10  5 -      5 . 

एल्गोरिथ्म में तीन पैरामीटर हैं जिन्हें पहले सेट किया जाना चाहिए। ये पैरामीटर शुद्ध भाषण संकेतों के एक सीमित सेट पर स्वचालित रूप से पाए गए थे। प्रयोगों के परिणामस्वरूप प्राप्त इष्टतम मूल्य नीचे दिए गए हैं।
ऊर्जा_प्रतिष्ठेश = 40
F_PrimThresh (Hz) = 185
SF_PrimThresh = 5

---

मूल लेख विभिन्न नीरसता की स्थितियों के तहत किए गए प्रयोगों के परिणाम प्रदान करता है। मैं इस विषय के बारे में और अनुवाद के बारे में समुदाय की राय जानना चाहूंगा। क्या इस विषय पर अनुवाद जारी रखना समझदारी है? अनुवाद में सभी अशुद्धियों के बारे में, निजी संदेशों में लिखने के लिए त्रुटियाँ।
मैंने यह नहीं पाया कि यह कैसे इंगित किया जाए कि यह अनुवाद है, ट्रांसलेशन हब को पोस्ट करने के अलावा।