आवाज बदलने का काम। भाग 1. एक आवाज क्या है?

इस पोस्ट के साथ, हम आवाज बदलने के कार्य पर लेखों की एक श्रृंखला शुरू करना चाहते हैं। विदेशी साहित्य में, इस कार्य को अक्सर वॉयस मॉर्फिंग कहा जाता है, घरेलू साहित्य में इस कार्य को अभी तक वैज्ञानिक और इंजीनियरिंग दोनों क्षेत्रों में पर्याप्त कवरेज नहीं मिला है। विषय काफी व्यापक और काफी हद तक रचनात्मक है। इस दिशा में काम करने के परिणामस्वरूप, हमने कुछ अनुभव प्राप्त किए हैं, जिन्हें हम व्यवस्थित करने और राज्य करने की योजना बनाते हैं, साथ ही साथ कुछ एल्गोरिदम का मुख्य सार भी बताते हैं।



आवाज बदलने का एक अलग उद्देश्य हो सकता है। दो मुख्य क्षेत्रों को स्पष्ट रूप से पहचाना जा सकता है जो एक बदली हुई आवाज़ की यथार्थवादी ध्वनि और कुछ अजीब शानदार ध्वनि की प्राप्ति हैं। दूसरे मामले में काफी अच्छे परिणाम भाषण ध्वनि को एक साधारण ध्वनि के रूप में संसाधित करके प्राप्त किया जा सकता है, इसकी विशेषताओं पर ध्यान केंद्रित किए बिना और कई धारणाएं बना सकता है। उदाहरण के लिए, इलेक्ट्रॉनिक संगीत उद्योग ने ऑडियो प्रभावों की एक विशाल विविधता उत्पन्न की है और एक भाषण सिग्नल के लिए उनके आवेदन का परिणाम स्पीकर की सबसे अविश्वसनीय छवि बनाने में मदद करता है।
यथार्थवादी आवाज में परिवर्तन के कार्य में, "संगीत" (चलो उन्हें कॉल करें) ऑडियो प्रभाव विकृतियों का परिचय दे सकते हैं जो भाषण के प्राकृतिक ध्वनि की विशेषता नहीं हैं। ऐसे मामले में, अधिक सटीक रूप से यह समझना आवश्यक है कि ध्वनियों में भाषण शामिल हैं, वे कैसे बनते हैं और उनके गुण बोध के लिए महत्वपूर्ण हैं। सीधे शब्दों में कहें - इसे संसाधित करने से पहले सिग्नल का विश्लेषण करना आवश्यक है। भाषण संकेत के वास्तविक समय में स्वचालित प्रसंस्करण में, यह विश्लेषण कई बार जटिल है अनिश्चितताओं की संख्या जिसे किसी तरह हल करने की कोशिश की जानी चाहिए, वह गुणा होती है, और लागू एल्गोरिदम की संख्या कम हो जाती है।
अगले लेखों में, हम प्रभाव के सबसे सरल कार्यान्वयन के लिए विकल्पों पर विचार करेंगे जैसे कि स्पीकर के लिंग में बदलाव और स्पीकर की उम्र में बदलाव। पाठक को यह समझने के लिए कि संकेत के मापदंडों में क्या बदलाव होगा, भाषण ध्वनियों के निर्माण के मुख्य मुद्दों और भाषण संकेत के औपचारिक विवरण के तरीकों पर पहले लेख स्पर्श करेंगे। उसके बाद, आवाज बदलने के लिए विशिष्ट प्रस्तावित एल्गोरिदम, उनकी ताकत और कमजोरियों पर पहले से ही चर्चा की जाएगी।

पुनश्च
स्रोत से अतिरिक्त लिंक जोड़े गए

परिचय

अगर हम भाषण की आवाज़ को एक दूसरे से अलग मानते हैं, तो पहली नज़र में ऐसा लग सकता है कि वे कुछ खास नहीं हैं - एक विशिष्ट स्वर ध्वनि वास्तव में इतनी दूर की आवाज़ से नहीं है, जो एक बांसुरी है। हालांकि, स्टैंड-अलोन "वैक्यूम में" ध्वनियों का प्रसंस्करण बहुत से व्यावहारिक लाभ लाने की संभावना नहीं है - एक सतत भाषण सिग्नल का प्रसंस्करण बहुत अधिक आकर्षक लगता है। प्रोसेस्ड स्पीच के नेचुरल साउंडिंग का विचार दोगुना आकर्षक लगता है। यह कार्य पहले से ही बहुत अधिक जटिल है - एक प्राकृतिक निरंतर भाषण में, इतनी जल्दी और आसानी से एक दूसरे में प्रवाहित होता है कि यहां तक ​​कि अनुभव वाले व्यक्ति भी प्रसंस्करण के दौरान हमेशा स्पष्ट रूप से एक रेखा नहीं खींच सकते। और यदि आप वाणी की सभी ध्वनियों को एक ही तरह से ग्रहण करते हैं - कोई भी प्राकृतिक ध्वनि नहीं निकलेगी।

एक भाषण संकेत अधिक "बहुमुखी" है, इसलिए बोलने के लिए, उदाहरण के लिए, एक संकेत, संगीत वाद्ययंत्र की ध्वनि। एक अपेक्षाकृत संकीर्ण आवृत्ति बैंड पर कब्जा करते हुए, भाषण में प्राथमिक ध्वनियों की एक विशाल विविधता होती है, जो इसके अलावा सबसे विचित्र तरीके से व्यक्त की जा सकती है, यहां तक ​​कि हर रोज़ भाषण में, एक पेशेवर अभिनेता द्वारा आवाज के जानबूझकर परिवर्तन का उल्लेख नहीं करना। इसके अलावा, इन प्राथमिक ध्वनियों की एक अलग प्रकृति है और, परिणामस्वरूप, मानक सिग्नल विश्लेषण और प्रसंस्करण एल्गोरिदम के मामले में अलग-अलग विशेषताएं हैं।

सभी ज्ञात जानवरों की तुलना में मानव आवाज पथ शायद सबसे सही और लचीला है और उत्पादित ध्वनि की विविधता में अधिकांश संगीत वाद्ययंत्र पीछे छोड़ देता है। वॉयस सिग्नल का विश्लेषण करने और बदलने में मुख्य कठिनाई इस विविधता में निहित है और इसके परिणामस्वरूप होने वाली महान अनिश्चितता प्राथमिक ध्वनि इकाइयों के अलगाव और प्रसंस्करण से जुड़ी है। सभी भाषण ध्वनियों के प्रसंस्करण के लिए अच्छी तरह से अनुकूल कोई एल्गोरिदम नहीं हैं। इसके अलावा, एक व्यक्ति अपनी भावनात्मक, शारीरिक स्थिति, किसी शब्द में ध्वनि की जगह आदि के आधार पर एक ही प्राथमिक ध्वनि का अलग-अलग उच्चारण कर सकता है। उच्चारण, सांस्कृतिक और भाषाई कारक, चिकित्सा विकृति की व्यक्तिगत विशेषताएं - यह सब भी स्पष्ट ध्वनि को प्रभावित करता है।

ध्वनि उत्पादन, सामान्य

वॉइस सिग्नल को संसाधित करने की बारीकियों को समझने के लिए, आइए हम अधिक विस्तार से विचार करें कि भाषण की ध्वनि संरचना और इन ध्वनियों का निर्माण कैसे होता है। ध्वनि उत्पादन की प्रक्रिया को आमतौर पर दो मूल अवधारणाओं का उपयोग करके वर्णित किया जाता है: ध्वनि और अभिव्यक्ति, हम उन्हें क्रम में वर्णन करेंगे।

ध्वनि मानव स्वरयंत्र में होने वाली ध्वनि निर्माण की प्रक्रिया का हिस्सा है। यह सब फेफड़ों के संपीड़न से शुरू होता है - यह गति हवा में सेट होता है, जो श्वासनली के माध्यम से फेफड़ों से लेरिंक्स में प्रवेश करता है। इस वायु प्रवाह में लगभग स्थिर, धीरे-धीरे बदलती गति है। स्वरयंत्र में दो मुखर सिलवटों द्वारा बनाई गई एक ग्लोटिस होती है, जिसके लिए मुखर तार "संलग्न" होते हैं। जब लिगामेंट्स एनर्जेटिक होते हैं, तो ग्लोटिस समय-समय पर बंद / खुलता है और इस प्रकार इनलेट एयर स्ट्रीम से वायु दालों का निर्माण करता है। प्रत्येक नाड़ी का वर्णन वायु ज्वालामुखीय वेग द्वारा किया जा सकता है जो ग्लोटिस से होकर गुजरता है, हम इसके तात्कालिक मान को U (t) कहते हैं। मानव कान दबाव में उतार-चढ़ाव को मानता है, जो हवा के वेग में बदलाव से प्रभावित होता है, और इसलिए हम वॉल्यूमेट्रिक वेग के पहले व्युत्पन्न में रुचि रखते हैं - dU / dt। अधिक दृश्य चित्रण के लिए, आप नीचे दिए गए चित्र पर ध्यान दे सकते हैं। U (t) मॉडल और इसके पहले व्युत्पन्न को दिखाया गया है, दोनों रेखांकन Rosenberg मॉडल का उपयोग करके प्राप्त किए गए हैं:



ऊपरी ग्राफ़, ग्लोटिस के उत्पादन के समय में यू (टी) के मूल्य को दर्शाता है। नीचे का ग्राफ पहली बार यू (टी) के व्युत्पन्न को दर्शाता है - ग्लोटिस के बाहर निकलने पर दबाव परिवर्तन का सार। दबाव में यह आवधिक परिवर्तन पहले से ही अपने आप में ध्वनि है। इस ध्वनि में शोर और हार्मोनिक घटक होते हैं। यू (टी) में तेज वृद्धि और ग्लॉटिस के अधूरे बंद होने के कारण शोर घटक का निर्माण होता है (ऊपर चित्र में मॉडल शोर घटक को ध्यान में नहीं रखता है)। हार्मोनिक घटक को एक हार्मोनिक श्रृंखला द्वारा दर्शाया जा सकता है, जहां सभी माध्यमिक हार्मोनिक्स (जिसे इसे ओवरटोन भी कहा जाता है) की आवृत्तियों को पहले निम्नतम हार्मोनिक की आवृत्ति के गुणकों को मौलिक आवृत्ति कहा जाता है। (नीचे चित्र देखें)



संक्षेप में इन हार्मोनिक्स के गठन के भौतिकी को समझाया नहीं जा सकता है, इसके लिए एक अलग लेख लिखना बेहतर है। अब के लिए मुख्य बात यह याद रखना है कि स्नायुबंधन काम कर रहे हैं जब एक पूरी तरह से हार्मोनिक ध्वनि पहले से ही स्वर से बाहर आ सकती है। मौलिक स्वर की आवृत्ति का संख्यात्मक मान मुखर डोरियों के संकुचन की आवृत्ति के बराबर है और उनकी लंबाई, घनत्व और तनाव का एक कार्य है।

आराम से लिगामेंट्स और लगातार खुली ग्लोटिस के साथ, हवा की धारा "कट" नहीं करती है, इसलिए बोलने के लिए, इस मामले में हवा का वेग एक निश्चित स्थिर मूल्य के आसपास थोड़ा उतार-चढ़ाव होता है और उत्पन्न ध्वनि में एक शोर प्रकृति होती है, इस संकेत के स्पेक्ट्रम का एक उदाहरण नीचे दिया गया है।



फोनन का परिणाम एक निश्चित ध्वनि है, जिसे अक्सर "वॉयस पाथ एक्सेप्टेंस सिग्नल" कहा जाता है। इस बुनियादी संकेत (हार्मोनिक या नहीं) के रूप में यह आवाज पथ से गुजरता है, अंतिम ध्वनि जिसे हम बातचीत के दौरान सुनते हैं, आगे बनाई जाएगी।

संक्षिप्त सारांश: स्वर का मुख्य "उपकरण" दो मुखर सिलवटों है जो एक ग्लोटिस बनाते हैं और जो मुखर छड़ द्वारा संचालित होते हैं। स्नायुबंधन समय-समय पर अनुबंध कर सकते हैं या एक आराम की स्थिति में हो सकते हैं, जो क्रमशः आवाज़ या बिना आवाज़ के गठन की ओर जाता है।

विशेष रूप से आवाज़ दी गई ध्वनि-विद्या के अध्ययन ने इस प्रक्रिया को विभिन्न दृष्टिकोणों - यांत्रिक, थर्मोडायनामिक, ध्वनिक, सांख्यिकीय, मनोविश्लेषक से विचार करते हुए बड़ी संख्या में कार्यों को समर्पित किया। यह मज़बूती से स्थापित किया गया है कि आवाज़ वाले फोनन के दौरान उत्पन्न वायु दालों की अपूर्णता, उनके आकार और आवृत्ति में एक यादृच्छिक परिवर्तन, ध्वनि की स्वाभाविकता को दृढ़ता से प्रभावित करता है। उदाहरण के लिए, आप दिए गए लिंक पर ध्वनि सुन सकते हैं - यह केवल पहले आकृति से मॉडल का उपयोग करके संश्लेषित किया गया है, साथ ही साथ लेख के लेखक के भाषण पथ के मापदंडों, जब ध्वनि "ए" का उच्चारण किया जाता है। मुझे नहीं लगता कि यह ध्वनि किसी के लिए "जीवंत" और स्वाभाविक प्रतीत होगी। मानव कान एक कृत्रिम उत्तेजना संकेत का उपयोग करके संश्लेषित ध्वनि को सटीक रूप से निर्धारित करता है, जो इस प्रक्रिया के सांख्यिकीय अध्ययन के महत्व को काफी बढ़ाता है।



ध्वनि प्रजनन के दौरान मुखर पथ के सभी तत्वों की स्थिति को बदलने की प्रक्रिया को शामिल किया गया है। स्वरभंग मुखरता का हिस्सा है। भाषण पथ को आसानी से कैमरे और ट्यूबों (दाईं ओर आंकड़ा देखें) के संयोजन द्वारा दर्शाया जा सकता है जिसके माध्यम से उत्तेजना संकेत गुजरता है। स्वरयंत्र के ऊपर पड़ी हुई मुखर ट्रैक्ट धनुष की संकीर्णता और विस्तार इसके अतिरिक्त वायु प्रवाह की गति को प्रभावित करती है, अतिरिक्त (ग्लोटिस के अलावा) अशांति क्षेत्रों को बनाती है। उसी समय, मुखर पथ के गुहा ध्वनिक गुंजयमान यंत्र के समान होते हैं, जब उनके माध्यम से गुजरते हैं, तो कुछ ध्वनि आवृत्तियों को प्रवर्धित और कमजोर किया जाता है। वोकल ट्रैक्ट की मांसपेशियां किसी व्यक्ति को वोकल ट्रैक्ट के कक्षों के ज्यामिति को नियंत्रित करने, वायु प्रवाह (जीभ, दांत, होंठ) में रुकावट पैदा करने की अनुमति देती हैं।

किसी न किसी सन्निकटन में, हम ऊपर संक्षेप में बता सकते हैं, जैसे:
आर्टिक्यूलेशन = भाषण तंत्र की मांसपेशियों का काम + फोनेशन +
जहां फोन को आवाज दी जा सकती है या आवाज नहीं दी जा सकती है, और प्रत्येक व्यक्ति की मांसपेशियों का संकुचन समय का एक कार्य है।

बोलचाल सीखने की प्रक्रिया में, एक व्यक्ति कुछ ध्वनियों को प्राप्त करने के लिए आर्टिक्यूलेशन अंगों के काम का समन्वय करना सीखता है। व्यक्तिगत शारीरिक विशेषताओं के कारण, सभी लोगों में समान ध्वनि थोड़ी अलग लगती है, और यह उन महत्वपूर्ण कारकों में से एक है जिनके द्वारा हम लोगों की आवाज़ को अलग करते हैं। मुखर डोरियों और स्वर तंत्र की अन्य मांसपेशियों के समन्वित कार्य के साथ, स्वर, व्यंजन, मिश्रित और संक्रमणकालीन ध्वनियों का निर्माण संभव है। इसके अलावा इन समूहों पर संक्षेप में विचार करना प्रस्तावित किया गया है, सामान्य तौर पर उनकी अभिव्यक्ति और मुख्य विशेषताओं का वर्णन करने के लिए।

भाषण ध्वनियों का सबसे सरल वर्गीकरण

स्कूल से यह ज्ञात है कि भाषण की सभी ध्वनियों को शुरू में स्वर और व्यंजन में विभाजित किया गया था। स्वर ध्वनियों का निर्माण तब होता है जब एक स्वरयुक्त उत्तेजना संकेत ग्लोकल से शेष मुखर पथ से गुजरता है, जो एक ही समय में कुछ निश्चित ज्यामितीय आकार में रह जाता है। यह प्रक्रिया एक गिटार के शरीर के माध्यम से गुजरने वाले दोलन स्ट्रिंग की आवाज की तरह है। मानव आवाज के मामले में, "स्ट्रिंग" समय-समय पर संकुचित ग्लोटिस है, और शरीर इसके ऊपर सब कुछ है। यदि आप कल्पना करते हैं कि गिटार का शरीर कई "पूर्व-सीखा" रूपों में से एक ले सकता है, तो स्वरों के साथ एक सादृश्य खींचना संभव है: स्वरयंत्र एक आवाज़ वाला उत्तेजना संकेत बनाता है, और भाषण पथ एक स्वर लेता है, जिसके परिणामस्वरूप स्वर ध्वनि होती है।

मुखर पथ की ज्यामिति को बदलते हुए, एक व्यक्ति अपने ध्वनिक अनुनाद गुणों को बदलता है। नतीजतन, कुछ आवृत्तियों को प्रवर्धित किया जाता है, कुछ, इसके विपरीत, काफ़ी कमजोर होते हैं। ज़ोनिंग को मजबूत करने को आमतौर पर फॉर्मेंट फ्रीक्वेंसी या फॉर्मेंट कहा जाता है। स्वर ध्वनियाँ एक-दूसरे से उनके सूत्र संरचना में ठीक से भिन्न होती हैं (दाईं ओर का आंकड़ा देखें), जो वाक् गठन के समय मुखर पथ की ज्यामिति पर निर्भर करता है - यह एक व्यक्ति कान द्वारा उन्हें अलग करता है। फॉर्मेंट आवृत्तियों के सटीक संख्यात्मक मान प्रत्येक व्यक्ति के लिए अलग-अलग होते हैं। हालांकि, एक दूसरे के बीच उनकी सापेक्ष दूरी सभी लोगों के लिए लगभग समान अनुपात है (अन्यथा हम कैसे पहचान सकते हैं, उदाहरण के लिए, विभिन्न लोगों द्वारा सुनाई देने वाली ध्वनि "ओ")।

अब हम व्यंजन ध्वनियों की ओर बढ़ते हैं। उनकी संख्या स्वर ध्वनियों की संख्या से अधिक है और उनकी ध्वनि में उन्हें उपवर्गों में विभाजित किया जा सकता है। जैसा कि अक्सर वास्तविक जीवन में होता है, कई घटनाओं में कई वर्गों की विशेषताएं होती हैं और एक अस्पष्ट वर्गीकरण बहुत मुश्किल होता है। व्यंजन ध्वनियाँ अपवाद नहीं हैं। कक्षाओं में उनका विभाजन प्रश्न में भाषा और प्रयुक्त ध्वन्यात्मक सिद्धांत पर निर्भर करता है। हम तीन मुख्य समूहों से मिलकर सबसे सामान्य वर्गीकरण पर विचार करेंगे:
मितव्ययी व्यंजन
- व्यंजन व्यंजन
- सोनार व्यंजन

घर्षण व्यंजन वायु प्रवाह के "घर्षण" से बनते हैं जो मुखर पथ को संकीर्ण करते हैं और हवा को बाधित करते हैं। ये अवरोध और बाधाएं आकाश, जीभ, दांत, होंठ, आदि द्वारा बनाई जा सकती हैं (ध्वनियां , , obstacles, ...)। एक ही समय में मुखर पथ के गुहा कुछ (सशर्त) निश्चित स्थिति पर कब्जा कर लेते हैं। टकराव और बाधाएं हवा के दबाव में स्थानीय परिवर्तन का कारण बनती हैं, जो बदले में अशांति का क्षेत्र बनाती हैं। इस तरह से उत्पन्न अशांत शोर अब सफेद नहीं है - इसका रंग है



उत्पन्न शोर संकेत, स्वरों के मामले में, कई ध्वनिक फिल्टर (भाषण पथ कैमरों) से गुजरता है, जो इस शोर को कुछ विशेषता वर्णक्रमीय आकार और ध्वनि देते हैं।

बंद व्यंजन खुले ग्लोटिस के साथ किसी भी मुखर अंग द्वारा मुखर पथ को पूरी तरह से अवरुद्ध करके बनाए जाते हैं। इसी समय, खुली ग्लोटिस के माध्यम से फेफड़ों से आने वाली हवा दबाव को बढ़ाती है और, जब बाधा अचानक खोली जाती है, तो एक "विस्फोटक" ध्वनि (लगता है के, पी, टी ...) बनाता है। उदाहरण के लिए, ध्वनि "पी" का उच्चारण करते समय, एक व्यक्ति अपने होंठ बंद कर देता है, लेकिन उसके फेफड़े दबाव का निर्माण जारी रखते हैं। तब होंठ अचानक खुलते हैं और निर्मित दबाव में स्पैस्मोडिक अंतर परिचित ध्वनि "पी" बनाता है। समय डोमेन में छवि नीचे प्रस्तुत की गई है:



यह ध्यान दिया जाना चाहिए कि ध्वनि का उच्चारण करने के सभी तीन प्रयास समय डोमेन में एक दूसरे से काफी भिन्न हैं। उसी समय, उन्हें कान से भेद करना बहुत मुश्किल है।
कई संदर्भ ध्वनियों के साथ एक शब्द के स्पेक्ट्रोग्राम का उदाहरण नीचे दिखाया गया है।



यह भी ध्यान दिया जाना चाहिए कि फ्रिकेटिव और उच्चारण व्यंजन दोनों "आवाज" हो सकते हैं। "आवाज़" व्यंजन स्वाभाविक रूप से मिश्रित स्वर हैं जो एक स्वर ध्वनि के उच्चारण के साथ-साथ मुखर डोरियों के संचालन के साथ बनते हैं। उदाहरण के लिए, यदि आप ध्वनि "पी" का उच्चारण करते समय वर्णित चरणों को करते हैं और मुखर डोरियों के काम को जोड़ते हैं, तो आपको ध्वनि "बी" मिलती है। हालांकि, यह तर्क नहीं दिया जा सकता है कि वे समय क्षेत्र में कुछ स्वर और कुछ व्यंजन के एक साधारण सुपरपोजिशन हैं। आप केवल ध्वनि "C" रिकॉर्ड करने के लिए नहीं ले सकते हैं, इसे रिकॉर्ड किए गए ध्वनि "E" में जोड़ सकते हैं और आउटपुट पर ध्वनि "Z" प्राप्त कर सकते हैं। स्पष्ट रूप से, हम केवल यह कह सकते हैं कि आवाज वाले व्यंजन का उपयोग आवाज वाले उत्तेजना संकेत का उपयोग करके किया जाता है।

यह सोनोरस व्यंजन को अलग करने के लिए प्रथागत है जिसमें एक अलग समूह में मजबूत अशांत शोर नहीं होता है, क्योंकि उन्हें उच्चारण करते समय, हवा के लिए एक अतिरिक्त मार्ग बनाया जाता है (एल, पी, एम, एन, वाई)। हालाँकि, कुछ बाधा फिर भी बनाई जाती है (भाषा, जीभ + दांत, जीभ + आकाश), इस वजह से:
- प्रारंभिक हार्मोनिक श्रृंखला के कई हार्मोनिक्स को महत्वपूर्ण रूप से देखा जाता है
- सामान्य तौर पर, स्पष्ट ध्वनि की ऊर्जा कम हो जाती है
- कुछ शोर की आवाजें आती हैं।
ध्वनियाँ "एम" और "एच" नासिका हैं - मौखिक गुहा में एक महत्वपूर्ण बाधा बनाई जाती है, और नासॉफिरिन्क्स हवा के पारित होने के लिए पूरी तरह से खुला है। इस मामले में मौखिक गुहा एक अतिरिक्त गुंजयमान गुहा है, और नाक गुहा ध्वनि का मुख्य उत्सर्जक बन जाता है। ध्वनि "पी" तथाकथित "खमीर" ध्वनियों के समूह को संदर्भित करता है। उनके स्पेक्ट्रम के साथ ध्वन्यात्मक आवाज़ें स्वर के समान हैं। स्पेक्ट्रोग्राम को देखते हुए, उनकी अल्पकालिक घटनाओं को भेद करना मुश्किल हो सकता है, खासकर जब वे स्वर में बदल जाते हैं। लगता है "एल", "पी", "वाई" कई लेखकों द्वारा आधे स्वरों के लिए जिम्मेदार हैं क्योंकि उनकी रचना में उज्ज्वल प्रमुख रूपों को अलग करने की संभावना है।

यह ध्वनियों और क्षणिक ध्वनियों के बारे में कुछ शब्द कहने के लायक है। उनकी शिक्षा इस तथ्य से जुड़ी हुई है कि निरंतर भाषण में किसी व्यक्ति के आर्टिक्यूलेशन के अंग अपनी स्थिति को बदल नहीं सकते हैं और तुरंत बदल सकते हैं। यह प्रक्रिया समय पर सुचारू रूप से होती है। ध्वन्यात्मकता में, एक अलग ध्वनि के उच्चारण की तीन अवस्थाओं को भेद करने की प्रथा है: भ्रमण, धीरज और पुनरावृत्ति। दौरे के दौरान, कृत्रिम अंग ध्वनि के निर्माण के लिए आवश्यक प्रारंभिक स्थिति लेते हैं। एक्सपोज़र के दौरान, ध्वनि स्वयं स्पष्ट होती है। पुनरावृत्ति के दौरान, अंगों को या तो आराम करने के लिए आता है या अगली ध्वनि का उच्चारण शुरू करने के लिए पुनर्निर्माण किया जाता है - एक ध्वनि की पुनरावृत्ति दूसरे के भ्रमण पर आरोपित होती है।इस तरह के कोआर्टिक्यूलेशन बहुत सारे ओवरटोन को प्रभावित करता है, जो एक नियम के रूप में, अल्फाबेट्स में दर्ज नहीं किया जाता है, लेकिन बहुत अच्छी तरह से वर्गीकृत किया जा सकता है और एक आवाज संकेत में हाइलाइट किया जा सकता है (दुर्भाग्य से, हमेशा स्वचालित रूप से नहीं)। एक दृष्टांत के रूप में, कोई व्यक्ति पहले से ही अपने अलग उच्चारण के साथ और शब्द "पीई" के भाग के रूप में, लेखक द्वारा पहले से समाप्त हो चुके ध्वनि "पी" के स्पेक्ट्रोग्राम का हवाला दे सकता है ।



ध्वनि "पी" के उच्चारण वेरिएंट के बीच का अंतर नग्न आंखों से देखा जा सकता है। होंठ खोलने के समय, मुखर पथ ने पहले से ही एक नरम "ई" के उच्चारण के लिए एक स्थिति ले ली, जिससे "पी" का उच्चारण भी प्रभावित हुआ। लगभग सभी व्यंजन ध्वनियों के साथ इसी तरह की कायापलट होती है - स्वरों के सापेक्ष उनकी स्थिति उनकी "उपस्थिति" और ध्वनि को काफी प्रभावित करती है।

स्वर और व्यंजन के बारे में कुछ तथ्य:
1. स्वरों में एक सामंजस्यपूर्ण प्रकृति और एक स्पष्ट रूप संरचना है। व्यंजन ध्वनियां प्रकृति में शोर हैं, लेकिन एक स्पष्ट हार्मोनिक घटक हो सकता है (नीचे आंकड़ा, "बी", "एल") लगता है।

2. स्वर ध्वनियों में व्यंजन की तुलना में अधिक ऊर्जा होती है, इसका मुख्य भाग (प्रथम और द्वितीय रूप) 400 से 3000 हर्ट्ज तक होता है। व्यंजन ध्वनियों में काफी कम ऊर्जा होती है। व्यंजन के एक बड़े हिस्से में, इस ऊर्जा का एक महत्वपूर्ण हिस्सा 2-10 KHz के क्षेत्र में केंद्रित है। एक उदाहरण नीचे दिखाया गया है:



3. स्वर व्यंजन की तुलना में औसत लंबी अवधि है (100-300 एमएस बनाम 30-100 एमएस, हालांकि सटीक सटीक संख्या भाषा और व्यक्ति पर अत्यधिक निर्भर हैं)

4. कम ऊर्जा और अवधि के बावजूद, व्यंजन, विचित्र रूप से पर्याप्त हैं, मूल भाषण जानकारी को ले जाते हैं। एक उदाहराणदर्शक उदाहरण के रूप में, एक अच्छा Rabiner का कार्य पर विचार करें:
वाक्यांश पुनर्स्थापित
«Th_y n_t_d s_gn_f_c_nt _mpr_v_m_nts _n th_ c_mp_n_s _m_g_, ...» (कंपनी की छवि में उसने लिखा महत्वपूर्ण सुधार, ...),
के खिलाफ
«A__i_u_e_ _o_a___ _a_ __a_e_ e_e__ia___ __e _a_e , ... "वेतन के प्रति दृष्टिकोण अनिवार्य रूप से समान रहे, ...)।

निरंतर भाषण में भाषण संकेत को स्पीकर की विशेषताओं और स्पष्ट ध्वनि के आधार पर, 5 से 100 मिलीसेकंड की अवधि में सशर्त रूप से स्थिर माना जा सकता है। लंबे समय तक विश्लेषण अंतराल पर, संकेत के गुणों में एक महत्वपूर्ण परिवर्तन की संभावना बढ़ जाती है, जिससे इसके औसत पैरामीटर के अनुमानों की विफलता हो सकती है। सिग्नल प्रोसेसिंग के किसी अन्य क्षेत्र के रूप में, शोर समस्याएं बड़ी समस्याएं पैदा कर सकती हैं, विशेष रूप से वे जो एक हार्मोनिक प्रकृति और / या कुछ रूपों में समानताएं हैं - अपेक्षाकृत उच्च ऊर्जा वाले आवृत्ति क्षेत्र।

यह संक्षिप्त समीक्षा भाषण के निर्माण की प्रक्रिया और भाषण ध्वनियों के वर्गीकरण के बारे में केवल बुनियादी जानकारी प्रदान करती है। यहां तक ​​कि बहुत पहले सन्निकटन में, प्रत्येक उच्चारित ध्वनि काफी मापदंडों पर निर्भर करती है, प्रत्येक व्यक्ति के लिए अलग-अलग। इन भौतिक मापदंडों का सटीक माप हमेशा आधुनिक चिकित्सा उपकरणों के साथ भी संभव नहीं है। यदि आप संसाधित सिग्नल की सबसे यथार्थवादी ध्वनि प्राप्त करने के लिए एक लक्ष्य निर्धारित करते हैं, तो इनमें से कई मापदंडों का मूल्यांकन एक तरह से या किसी अन्य तरीके से किया जाना चाहिए और एकमात्र तरीका इष्टतम मानों को खोजना है। एक समान दृष्टिकोण लगभग हमेशा कलाकृतियों को पुन: निर्मित भाषण संकेत में लाता है, कभी-कभी अधिक, कभी-कभी कम श्रव्य। यदि आप अपने जीवन को जटिल बनाते हैं और वास्तविक समय आवाज प्रसंस्करण का कार्य निर्धारित करते हैं,तब इन इष्टतम मूल्यों की खोज संभव है क्योंकि आने वाले सिग्नल को संसाधित किया जाता है, इसलिए बोलने के लिए, "मक्खी पर", जो अंतिम ध्वनि को भी प्रभावित नहीं कर सकता है।
अगले लेख में, हम उन बुनियादी उपकरणों का अवलोकन देंगे जो एक डिग्री या किसी अन्य को कई समस्याओं को हल करने में मदद करते हैं - भाषण संकेत का प्रतिनिधित्व करने के लिए संक्षेप में मॉडल पर विचार करें। यह यह भी दिखाएगा कि आउटपुट ध्वनि को बदलने के लिए इन मॉडलों के मापदंडों को resynthesis के दौरान समायोजित किया जा सकता है।

___________
प्रयुक्त साहित्य:
[1] आई। एल्डोशिना, फंडामेंटल ऑफ़ साइकोएक्टैक्टिक्स, लेखों का संग्रह।
[२] एलआर राबिनर, बी.एच. जुआंग, स्पीच रिकॉग्निशन के फंडामेंटल
[3] एलआर रैबिनर, आरडब्ल्यू शेफर, स्पीच सिग्नल की डिजिटल प्रोसेसिंग
[4] वी.एन. सोरोकिन, भाषण संश्लेषण
[5] www.phys.unsw.edu.au/jw/glottis-vocal-tract-voice.html