Будко В.Н. Человек - интерфейс

Подождите немного. Документ загружается.

Минимальное время восприятия (опознания) высоты тона зависит от

интенсивности и частоты .

J, дБ F, Гц T

пор

, мс количество периодов, не -

обходимых для опознания

высоты тона , N= T

пор

80 125 24 3

80 1000 10 10(при 6-8 периодах

ощущается тон со щелчком)

40 125 40 5

40 1000 22 22

Для точного опознания высоты тона требуется 100мс (100 периодов F =1000Гц )

Два тональных следующих друг за другом звука с перерывом Т

≈ 20...40мс

воспринимаются как один неоднородный. При Т

≈ 40...80мс те же сигналы

воспринимаются как два , но взаимно связанные .

Временной порог различения интервалов тишины между двумя звуками

≈0,5...2мс.

Эхо . Два звука с длительностями T < 50мс, ексли один из них запаздывает на время Т

зап

50мс всегда воспринимаются слитно . Пороговое время запаздывания для раздельного

восприятия зависит от отношения уровня последующнего звука (эха ) к предыдущему .

На рис. 5.18 представлена кривая зависимости порогового времени запаздывания Т

зап.пор

от разницы в дБ ∆L интенсивности последующего звука к предыдущему .

Кривая на рисунке обозначает следующее. Если для заданного ∆ L имеем

зап

зап.пор

, то эхо воспринимается раздельно . Например, если для ∆ L = -10дБ

зап

=75мс, то эхо воспринимается раздельно . Если же такое же

запаздывание

будет при ∆L

= -20дБ, то эха мы не услышим.

-(-9∆L + 75),∆L < -14

зап. пор

≅

50 ,∆L > -14

Рис. 5.18

6. Характеристики речи

6.1 Уровнеграмма

Мгновенное значение звукового давления акустического сигнала речи непрерывно

изменяется во времени в широком диапазоне . Зависимость мгновенного значения

акустосигнала от времени измеряется прибором с постоянной времени не более 15..20 мс

и называют объективной уровнеграммой , т.к. она необходима для определения

прохождения сигнала через аппаратуру. Либо измеряют прибором с постоянной времени

120..200 мс – субъективная уровнеграмма для оценки воспроизведения сигнала

слуховым органом человека .

Уровнеграмму рассматривают как случайную величину и строят интегральную

кривую распределения вероятности Р превышения уровнеграммы над заданным уровнем

L. По вероятности Р =0,02 определяют L

max

, а по P=0,98 → L

min

, рис. 6.1

Определено , что , как речевые , так и музыкальные сигналы имеют распределение

близкое к нормальному .

Величину D= L

max

- L

min

называют динамическим диапазоном. Его величины для разных видов сигналов:

Ø Речь диктора 25..35 дБ

Ø Телефонный разговор 35..45 дБ

Ø Симфонический оркестр 65..75 дБ

Среднее значение уровнеграммы L

ср

можно измерить прибором с большой

постоянной времени. Для длительного среднего уровня постоянную времени прибора

берут равной 15 с для речи и 1 мин для музыки.

Величину П = L

max

–L

ср

называют пик-фактором.

Звуковые давления и мощность , развиваемые голосом человека , при произнесении

речи показаны в таблице 6.1

Табл. 6.1

Условия произнесения

речи

Расстоя

ние , см

Среднее звук.

давление , Па

Пиковая

мощность ,

мВт

Пик-

фактор,

дБ

Область

наивысших

пиков, Гц

Речь телефонная:

§ Средний уровень

§ Громкая

§ тихая

2,5

0,24

4,0

0,025

250..500

500..1000

250..500

Разговор 100 0,05 0,5 10 250..500

Динамические характеристики в дБ приведены в таблице 6.2

Табл. 9.2

Уровень звукового давления

Нормальная речь

Шепот

Min Среднее max

крик

Мгновенное пиковое значение

Пиковое значение речи 58 67 79 87 98

Среднеквадратичное значение речи 46 55 65 75 86

Минимальное значение 30 39 49 59 70

Область , занимаемая речью в координатах интенсивность - частота показана на

рис. 6.7

6.2 Спектр сигнала речи

В основе кратковременного спектрального анализа лежит допущение , что в пределах

относительно короткого интервала времени речь можно считать стационарным

процессом. Тогда спектр

τττω

ωτ

dethxtS

−

∞−

⋅−⋅=

∫

)()(),(

τ - переменная интегрирования

h(t) – весовая функция – временное окно через которое просматривается лишь часть

сигнала , примыкающая к анализируемому моменту времени. Эффективную длительность

функции h берут порядка 20..30 мс.

Часто вместо кратковременного спектра рассматривают мгновенный энергетический

спектр :

),( tS

Наиболее распространенный метод измерения кратковременного спектра – гребенка

полосовых фильтров.

Представим спектр в виде :

),(),()()sin()()()cos()(),( tbjtadthxjdthxtS

ωωττωττττωττω ⋅−=−⋅⋅−⋅−⋅⋅=

∫∫

∞−∞−

Энергетический спектр

),(),(),(

tbtatS

ωωω +=

Отсюда следует, что измерить (получить ) энергетический спектр нетрудно . Надо

сигнал x(t) умножить на cos(ωt) и sin(ωt), отфильтровать с помощью фильтров с

импульсными откликами h(t), возвести в квадрат и просуммировать , рис. 6.2

Рис. 6.2 Схема получения мгновенного амплитудного спектра речи.

Это не единственный и не наиболее простой способ. Часто на практике дело

упрощают физически аппроксимируя временную огибающую a(ω,t) и b(ω,t) формой на

выходе полосового фильтра путем детектирования сигналов a(ω,t) и b(ω,t), и пропускания

|f(

,t)|

x(t)

,t)

Sin(

Устройство

извлечения

корня

|f(

t)|

,t)

Cos(

Фильтр h(t)

квадратор

результата через фильтр низкой частоты . Аналогично получают и энергетический спектр ,

измеряя энергию на выходе каждого полосового фильтра гребенки. Берется компромисс

между шириной полосового фильтра и разрешением во времени.

Большое распространение получила цифровая обработка сигналов. Пусть речевой

сигнал x(t) представлен последовательностью отсчетов x(nT). 0 ≤ n ≤ N-1, Т – интервал

дискретизации.

Тогда спектр дискретного речевого сигнала

∑

−

⋅=

)()(

nTj

x Д

enTxS

Согласно теории отсчетов (Котельникова ) в частотной области для ограниченной во

времени функции (на интервале NT) спектральная плотность однозначно определяется

заданием своих дискретных значений в точках

⋅=

, k = 0,1,2,…

Обозначив

=Ω получим окончательное выражение для дискретного

преобразования Фурье (ДПФ)

∑

−

Ω−

⋅=Ω

)()(

nTjk

xД

enTxkS

Дискретный спектр , в отличие от аналогового , будет по частоте периодическим с

периодом NΩ=2π/T.

Обратное ДПФ, которое переводит ДПФ в исходную последовательность отсчетов

дается выражением

∑

−

Ω

⋅Ω=

)(

jlk

xД

ekS

bTx

Здесь объем операции на ЭВМ порядка N

комплексных умножений и сложений.

Известны искусственные приемы экономных по числу операций определения ДПФ,

называемые быстрыми преобразованиями Фурье (БПФ). Если N степень числа 2, то БПФ

требует не N

а Nlog

N операций. Например, при N=1024 получается 99% экономии

вычислительных операций.

6.3 Речевые звуки

С физической точки зрения речь – это последовательность звуков речи с паузами

между группами. Оптимальным считается темп речи 60..80 слов в 1 мин с интервалами

между словами около 1с, а допустимый темп – до 120 слов в 1 мин.

Каждому человеку свойственна своя манера произносить звуки речи (своего рода

устный подчерк). Но при всем многообразии произношения, звуки – это физические

реализации ограниченного числа обобщенных звуков речи, называемых фонемами.

Фонема – это что человек хочет произнести , а звук речи – то , что человек фактически

произносит. Фонема по отношению к звуку играет ту же роль, что и образцовая буква ,

называемая графемой , по отношению к ее реализации.

В русском языке 41 основная фонема:

Сонорные – л, ль, р , рь, м, мь, н, нь, й;

Щ елевые – ж , ш , з, зв, в, вь, с, сь, ф, фь, х, хь ;

Взрывные – б , бь, д, дь, г, гь , п, пь, т, ть , к, кь;

Аффрикаты – ц , ч (комбинация глухих взрывных и щелевых)

Гласные – а , о , у , э, и, ы.

Гласные е , я, ё , ю – это составные фонемы йе , йа, йо , йу

При произнесении звуков через речевой тракт проходит либо тональный

импульсный сигнал, либо шумовой, либо и тот и другой вместе . Речевой тракт – это

сложный акустический фильтр с рядом резонансов, создаваемых артикуляционными

органами речи. Вследствие этого равномерный тональный или шумовой спектр

превращается в спектр с рядом максимумов и минимумов, рис. 6.3

Максимум спектра называется формантами, а резкие провалы – антиформантами.

Для каждой фонемы огибающая спектра имеет индивидуальную и вполне определенную

форму . При произнесении речи спектр ее непрерывно изменяется и образуются

ферментные переходы. Спектр согласных чаще всего имеет один, но очень расплывчатый

максимум. Средняя точка эффективного речевого спектра соответствует 1900Гц

( неискаженная речь в тишине ).

Гласные звуки имеют в среднем длительности около 0,15 с, согласные – около 0,09 с,

а звук П – около 30 мс.

Звуки речи неодинаково информативны. Гласные звуки содержат малую

информацию о слове , а глухие согласные наиболее информативны. Например, в слове

ПОСЫ ЛКА последовательность О Ы А ничего не говорит, ПСЛК дает почти однозначный

ответ о смысле . Интересно , в древне иудейской письменности не было гласных букв.

Известно , что для передачи одного и того же сообщения по телеграфу и по речевому

тракту требуется различная пропускная способность . Для телеграфа достаточна

пропускная способность не более 100 бит/с (полоса 7000 Гц , диапазон 42 дБ, т.е требуется

7-значный код, откуда 2*7000*7=98000 бит/с). Телеграф передает информацию только о

смысле текста речи, а речевой тракт – еще и эмоциональную и другую информацию о

голосе человека .

Рис. 6.1 Уровнеграмма и интегральное распределение по ней

Рис. 6.3 Спектральные огибающие звуков «В»-1 и «Г» -2 русской речи

Рис. 6.4 Зависимость слоговой разборчивости от уровня речи и шума для русской речи

полоса пропускания 250..3000 Гц . Спектр шума равномерный

Например, для S = 80% - отличная связь надо при шуме 40 дБ иметь сигнал L = 80 дБ, т.е .

на 20 дБ больше. Срыв связи при сигнал/помеха ≈ 1

6.4 Разборчивость речи

Разборчивость речи определяется как отношение в % количества правильно

услышанных элементов речи к числу переданных по специально составленным и

стандартизированным артикуляционным таблицам.

Стандартные нормы разборчивости устанавливают связь разборчивости с экспертной

оценкой качества связи , табл. 6.3

Табл. 6.3

Качество связи или звуковой аппаратуры

Вид разборчивости

Срыв

связи

Предельно

допустимо

Удовлет-

ворительно

Хорошо Отлично

Слоговая S, % <25 25..40 40..55 55..80 80 и выше

Звуковая D, % <60 64..75 75..82 82..93 93 и выше

Словесная W, % <65 75..87 87… 93 93..98 98 и выше

Фразовая J, % - 90..95 95..97 97..99 99 и выше

Всякие помехи и нестандартные условия влияют на разборчивость речи. Влияние

шума на разборчивость речи зависит от соотношения уровней шума и речи, рис. 6.4

Для удовлетворительного восприятия речи ее уровень должен превышать уровень

шума не менее чем на 6 дБ.

Существуют приемы повышения разборчивости речи, которым обучают дикторов и

артистов. Вот некоторые из них:

1. Оптимальный выбор словаря, который должен содержать меньше сплошных

речевых стимулов, учитывать акустические критерии, отдавать предпочтение

привычным для определенного контингента лиц словам, не допускать

включения нестандартных терминов.

2. Выбор слов. В частности , длинные слова понимаются лучше, чем короткие .

Наибольшей помехоустойчивостью к белому шуму обладают звуки Р, Л, М ,

Н, хуже Ш , Ч, П , наихудшей С, Ф , Ц , Т, Г. Слова с буквой И под ударением

дают 10% лучшую разборчивость чем с ударной А. Точнее опознаются слова

с ударением на последнем слоге . Распознаваемость слов повышается, если

они начинаются с гласных.

3. Для оптимизации строения фраз их объем не должен превышать 7±2 слов, не

считая индексов и позывных. Наиболее значащие слова следует располагать в

первой трети фразы. В разрешающих фразах (командах) разрешение следует в

конце , после содержания действия. В запрещающих фразах – наоборот.

4. Выполнение специальных требований к диктору:

а ) Большая интенсивность речи;

б ) Большая продолжительность слогов;

в) Повышенная вариативность звуковых высот;

г) Значительная часть времени занята речевыми звуками, а не паузами;

д) Повторение передачи должно иметь туже структуру и слова , что и в

передающем случае;

6.5 Анализ и синтез речи .

На рис. 6.1 показан исходный принцип получения мгновенного амплитудного

спектра речи. На практике в известном звуковом спектрографе и большинстве

анализаторов параллельного типа применяют упрощенный способ измерения, рис. 6.5

Рис. 6.5 Блок-схема измерения мгновенного спектра.

Этот способ обычно используется в вокодерах и устройствах автоматического

формантного анализа . При соответствующем выборе импульсного отклика фильтра

низких частот (ФНЧ) выходное напряжение |x(t)⋅p(t)|⋅g(t) приближенно описывает |S(ω,t)| -

одну спектральную линию на частоте резонанса полосового фильтра. При типовой

ширине резонансной характеристики полосового фильтра 150 Гц гребенка из 24 фильтров

перекрывает частотный диапазон от 150 Гц до 4000 Гц . Сигналы снимаемые с выходов

коммутируют с периодом 10 мс.

Есть приборы в которых используется один полосовой фильтр в схеме рис. 6.5, но с

перестраиваемой электрически частотой резонанса .

Разрешающая способность такого прибора определяется шириной полосы фильтра,

рис. 6.6

Рис. 6.6

Полосовой

фильтр p(t)

детектор

ФНЧ

q(t)

|S(

,t)|

x(t)

Более информативные результаты анализа речи получают с помощью приборов-

самописцев, которые разворачивают изменение спектра речи во времени. Сегмент речи

записывают на магнитофон и затем подвергают частотному анализу . На бумаге самописца

по оси абсцисс откладывается время, а по оси ординат частота . Спектр разворачивается

для каждого момента времени вертикальной строкой (как бы механический «телевизор»).

Величина спектра отображается на бумаге степенью почернения. Для этого используется

специальная электрочувствительная бумага . Электрический ток, протекающий через

наконечник специального пера прожигает бумагу так что степень ее почернения

пропорционально току . В результате на бумаге «вырисовывается» развертка спектра в

координатах время-интенсивность - частота . Такую «картинку» называют по -разному :

спектрограммой, сонограммой, видеограммой, отпечатком речи, рис. 6.7

Рис. 6.8 Видеограмма английской фразы « Mary had a

little lamb» (у Мери маленький барашек)

Рис. 6.7

Рис. 6.10

Рис. 6.9 Видеограмма сегмента русской речи

Слог «иву»

Рис. 6.11

Различают сегменты речевого сигнала : вокализованные , невокализованные и паузы.

Вокализованный сегмент содержит во временной волне некоторый основной тон, который

четко просматривается на осциллограмме , рис. 6.10. Невокализованные – шумоподобные

сегменты дают глухие согласные , рис. 6.11.

Потому любая линейная модель речеобразования содержит генератор основного

тона , генератор шума и сумматор, управляемый параметром вокализации α,

определяющим доли тона и шума в смеси . 0 ≤ α ≤1

Величине α = 1 соответствует звонкий вокализованный звук. α =0 задает глухой

шумоподобный звук. А , например, для «Р» и «Л» будет α ≈ 0,5.

На рис. 6.12 показана типовая линейная модель речеобразования.

Рис. 6.12 Линейная модель речеобразования.

(t)

Генератор

возбуждающих

импульсов

Линейный

фильтр H(ω)

x(t)

Генератор

шума

Параметры

фильтра

- умножитель

- управляющая информация

- сумматор

Простейший, исторически первый анализатор и синтезатор речи – параметрический

вокодер показан на рис. 6.13

Рис. 6.13

Недостаток схемы – трудно построить эффективно работающий выделитель

основного тона .

В формантных вокодерах в качестве основных параметров берут 3..5 первых

формант, которые моделируют своими полосовыми фильтрами.

Конструируют вокодеры с использование ДПФ.

Есть вокодеры использующие модель речеобразования на основе линейного

предсказания очередного отсчета Х

, речевого сигнала через линейную комбинацию

предыдущих отсчетов.

Развитие вокодеров не прекращается так как вокодера с совершенными параметрами,

обеспечивающего отличное, натуральное качество цифрового канала связи , при полосе

пропускания не более 100..1000 бит в сек, пока не придумано . В то время как мозг

человека подает команды на речеобразующие органы всего со скоростью 50 бит/с.

Синтезатор

Тон

шум

……………

Декодирование и разделение

цифровой

канал

связи

Ди скр е ти за ц и я, ква н то ва н и е ко ди р о ва н и е

ПФ-N

ПФ-2

ПФ-1 Дет

Дет

Дет ФНЧ

ФНЧ

Выделение основного тона

Детектирование

вокализованности

Гене

ратор

импу-

льсов

ПФ-1

ПФ-2

ПФ-N

…………………………………

Гене -

ратор

шума

Анализатор

Будко В.Н. Человек - интерфейс - компьютер

Подождите немного. Документ загружается.