СПОСОБ ОЦЕНКИ ЧАСТОТЫ ОСНОВНОГО ТОНА РЕЧЕВОГО СИГНАЛА Российский патент 2015 года по МПК G10L15/00 G10L21/13 

Изобретение относится к системам анализа речи и может быть использовано для вычисления частоты основного тона речевого сигнала (ЧОТРС), применительно к задачам верификации и идентификации диктора по голосу, синтеза речи, определения эмоционального состояния говорящего, распознавания речи.

Известен способ оценки ЧОТРС (Патент №2403626 РФ, МПК G10L 11/04, 2010), заключающийся в записи речевого сигнала и вычислении его автокорреляционной функции (АКФ) с последующим расчетом ЧОТРС на основе локального интервала между соседними глобальными (соответствующими периоду основного тона) максимумами или минимумами автокорреляционного колебания. При этом исключаются отсчеты АКФ, соответствующие малым уровням флуктуации, и выполняется регрессионный анализ для вычисления усредненного значения ЧОТРС на основе градиента линии регрессии.

Недостатком данного способа является низкая точность расчета глобальных максимумов и минимумов АКФ на фоне локальных экстремумов из-за нестрогой периодичности АКФ и различного количества надежно детектируемых квазипериодов АКФ для различных голосов, что обусловлено особенностями физических характеристик речевых трактов.

В другом способе оценки ЧОТРС, определяемой как величина, обратная периоду основного тона, записанный речевой сигнал делится на диапазоны задержки, для каждого из которых вычисляется несколько первых отсчетов АКФ (Патент №2421826 РФ, МПК G10L 11/04, 2011). При этом первый диапазон и второй диапазоны задержки делятся на секции так, что наборы секций первого и второго диапазонов перекрываются, и первые отсчеты АКФ вычисляются для задержек в множестве секций каждого набора. Точность оценки ЧОТРС повышается за счет покрытия секцией одного набора области разрыва между секциями секцией другого набора.

Недостатком данного способа является использование эмпирических весовых коэффициентов, которые участвуют в формировании двух диапазонов записанного речевого сигнала, а точность алгоритма оценки ЧОТРС сильно зависит от точности оценки по каждому диапазону, то есть от способа сепарации и решающего правила.

Наиболее близким по совокупности признаков является способ оценки ЧОТРС, заключающийся в записи речевого сигнала и его последующем представлении последовательностью спектров Фурье, нахождении абсолютного максимума спектральной характеристики и вычислении среднего значения аргумента последовательности полученных максимумов (Патент №2184399 РФ, МПК 7 G10L 15/00, G10L 101/02, 2002). Для повышения точности оценки ЧОТРС в данном способе дополнительно применяется амплитудная селекция сигналов, вычисление значений определителя автокорреляционной матрицы и фильтрация этих значений.

Недостатком данного способа является использование ряда дополнительных параметров: коэффициентов полосового фильтра Чебышева, выбираемого порога для принятия решения о синхронности выходных импульсов выделителей; коэффициентов квадратичной функции, аппроксимирующей подпоследовательности, которые уменьшают точность оценки ЧОТРС. Другим недостатком способа является ограничение на минимальную длительность отрезков анализируемого речевого сигнала, которая должна составлять не менее 0,2 с.

Заявляемое изобретение предназначено для повышения точности оценки аргумента абсолютного максимума характеристики речевого сигнала, в том числе при малой длительности отрезка речевого сигнала.

Технический результат заключается в увеличении точности оценки частоты основного тона речевого сигнала.

Технический результат достигается тем, что в известном способе оценки частоты основного тона речевого сигнала, заключающемся в записи речевого сигнала и его последующей обработке, обеспечивающей формирование абсолютного максимума характеристики речевого сигнала и вычисление его аргумента, согласно изобретению характеристикой речевого сигнала является максимизированный по неизвестным значениям амплитуд и начальных фаз гармоник на временных интервалах длительностью не менее 38 мс логарифм функционала отношения правдоподобия.

Получаемый при осуществлении изобретения технический результат, а именно увеличение точности оценки частоты основного тона, достигается за счет оптимальной обработки речевого сигнала методом максимального правдоподобия. Для этого формируется максимизированное по неизвестным значениям амплитуд и начальных фаз гармоник значение логарифма функционала отношения правдоподобия (ЛФОП) на анализируемых временных интервалах. Далее осуществляется нахождение абсолютного максимума ЛФОП с последующим вычислением аргумента абсолютного максимума ЛФОП, значение которого соответствует оценке ЧОТРС.

Суть заявляемого способа заключается в использовании в качестве параметров, характеризующих речевой сигнал, значений частоты основного тона и амплитуд несущих гармоник на частотах основного тона и обертонов согласно представлению речевых сигналов, содержащих вокализованные участки речи, суммами гармонических составляющих (McAulay R.J., Quatieri T.F. «Speech analysis/synthesis based on a sinusoidal representation» IEEE Trans. On Acoustics, Speech and Signal Process., 1986, vol.34 no.4, pp.744-754).

В отличие от известных решений в данном способе применяется метод оценки ЧОТРС при априори неизвестных амплитудах и начальных фазах полигармонического несущего колебания. Оценка ЧОТРС формируется на основе оптимальной обработки с использованием адекватной математической модели речевого сигнала, записанной в явном виде, что позволяет обеспечить повышение реальной и потенциальной точности оценки ЧОТРС (Голубинский А.Н. Оценка частоты основного тона речевого сигнала при априори неизвестных амплитудах и начальных фазах полигармонического несущего колебания / А.Н.Голубинский. Вестник ВИ МВД России. - 2010. - №3. - С.110-117).

Оценка ЧОТРС по заявляемому способу реализуется в оптимальном приемнике, к входу которого подключен источник речевого сигнала. Вход приемника соединен с первыми входами перемножителей, на вторые входы которых поступают опорные сигналы от соответствующих генераторов. С выходов перемножителей сигналы поступают в интеграторы (или сумматоры - в зависимости от того, обрабатывается ли аналоговый входной сигнал или дискретный), выходы которых в свою очередь подключены к квадраторам, сигналы с которых поступают в блок суммирования. После этого сформированный сигнал умножается на постоянный коэффициент и поступает в блок расчета аргумента абсолютного максимума (сформированного ЛФОП), значение которого соответствует оценке ЧОТРС.

Заявляемый способ поясняется фиг.1, где схематически изображены основные блоки, реализующие способ оценки ЧОТ.

Блок-схема алгоритма измерения ЧОТ (фиг.1) включает источник речевого сигнала в цифровой или аналоговой форме, например микрофон (М) 1 и аналого-цифровой преобразователь (АЦП) 2 (необходим для дискретной обработки), генераторы синусоидальных (ГСС) 3 и косинусоидальных сигналов (ГКС) 4, перемножители (П) 5, блоки ИС 6, где реализуется интегрирование (для аналоговой обработки) и суммирование (для дискретной обработки). Выходы ИС соединены с входами квадраторов (К) 7, выходы которых подключены к сумматору (С) 8, выход которого соединен с первым входом перемножителя 5, со вторым входом которого соединен блок постоянного коэффициента (БК) 9. Выход П 5 соединен с блоком расчета оценки частоты основного тона (БРОЧОТ) 10 как значения аргумента абсолютного максимума сформированного выходного эффекта.

Оптимальная обработка речевого сигнала с целью оценки его существенного параметра - частоты основного тона сводится к формированию билинейной формы из квадратурных компонент корреляционного интеграла. Входной речевой сигнал моделируется суммой детерминированной и случайной компонент, а именно - аддитивной смесью импульса полигармонического колебания (1) и гауссовского белого шума:

$$u(t,{\text{ f}}_{\text{0}})={\displaystyle \sum _{l=1}^L{U}_l\cos (2\pi l{f}_{0}t+{\varphi }_l)={\displaystyle \sum _{l=1}^L\left\{x_l\cos (2\pi f_{0}t)+y_l\sin (2\pi l{f}_{0}t)\right\}}}$$ , $$t\in \left[0;{\tau }_{и}\right].(1)$$

Здесь U_l и φ_l - соответственно амплитуда и начальная фаза l-й гармоники несущего колебания; f₀ - ЧОТ; L - количество несущих гармоник (как правило, от трех до пяти); x₁=U_lcos(θ_l); y_l=U_lsin(θ_l); θ_l=-φ_l.

Трансформированный ЛФОП после максимизации по вектору неизвестных значений амплитуд и начальных фаз гармоник на выходе С 8 (с учетом умножения на константу 2/(T·N₀), формируемую БК 9) имеет вид:

$$M\left(f\right)=\frac{N_0}{2T}\left[{\displaystyle \sum _{l=1}^L{X}_l^2(f)}+{\displaystyle \sum _{l=1}^L{Y}_l^2(f)}\right],(2)$$

где соответствующие синфазные и квадратурные компоненты:

$$X_l\left(f\right)=\frac{2}{N_0}{\displaystyle \underset{0}{\overset{T}{\int }}\xi (t,{\text{ f}}_{\text{0}})\cos (2\pi lf)dt}$$ ; $$Y_l\left(f\right)=\frac{2}{N_0}{\displaystyle \underset{0}{\overset{T}{\int }}\xi (t,{\text{ f}}_{\text{0}})\sin (2\pi lft)dt}.(3)$$

Здесь N₀ - односторонняя спектральная плотность мощности шума; T - время наблюдения опорного сигнала; ξ(t, f₀) - речевой сигнал на входе.

Для взятия интеграла по Стилтьесу в блоках ИС 6 опорные сигналы генераторов для непрерывной обработки:

- блоки ГКС₁-ГКС_L: u_c1(t, f)=соs(2π f t),…, u_cL(t, f)=cos(2π L f t);

- блоки ГCC₁-ГCС_L: u_s1(t, f)=sin(2π f t),…, u_sL(t, f)=sin(2π L f t),

а для дискретной обработки:

- блоки ГKC₁-ГКС_L: u_c1(iΔ, f)=cos(2π f iΔ),…, u_cL(iΔ, f)=соs(2π L f iΔ);

- блоки ГCC₁-ГСС_L: u_s1(iΔ, f)=sin(2π f iΔ),…, u_sL(iΔ, f)=sin(2π L f iΔ).

Оценка ЧОТРС в блоке БРОЧОТ 10:

$${\stackrel{⌢}{f}}_0=\arg \sup M(f).(4)$$

Алгоритм, основанный на выражениях (2)-(4), корректен при условии разрешения гармоник, что обеспечивается выполнением условия: f₀T=T/T₀≥2,69, где Т - время наблюдения; Т₀ - период основного тона речевого сигнала. На практике указанное условие обеспечивается для очень низкого мужского голоса (для нижней границы ЧОТ, равной 70 Гц, что соответствует верхней границе периода основного тона 14 мс) при интервале наблюдения Т≥38 мс.

Использование заявляемого способа оценки ЧОТ повышает надежность систем аутентификации диктора по голосу, распознавания речи, синтеза речи, обеспечивая высокую помехоустойчивость при наличии шумов и использовании микрофонов низкого качества. Это достигается за счет преимуществ оптимальной обработки речевого сигнала на основе метода максимального правдоподобия, который обеспечивает высокую реальную и потенциальную точность оценки ЧОТ. Заявляемый способ может быть использован в системах и устройствах ограничения несанкционированного доступа к информационным или материальным ресурсам на основе биометрической информации о говорящем в условиях реальной речевой обстановки, а также в медицине, а именно в аудиологии и сурдопедагогике, например, при лечении нарушений восприятия речи вследствие потери слуха.

Изобретение относится к системам анализа речи, может быть использовано в средствах для распознавания и синтеза речи. Техническим результатом является повышение точности оценки частоты основного тона речевого сигнала. Способ основан на формировании логарифма функционала отношения правдоподобия (ЛФОП) при использовании входного речевого сигнала, нахождении абсолютного максимума ЛФОП, вычислении аргумента абсолютного максимума ЛФОП. 1 ил.

Способ оценки частоты основного тона речевого сигнала, заключающийся в записи речевого сигнала и его последующей обработке, обеспечивающей формирование абсолютного максимума характеристики речевого сигнала и вычисление его аргумента, отличающийся тем, что характеристикой речевого сигнала является максимизированный по неизвестным значениям амплитуд и начальных фаз гармоник на временных интервалах длительностью не менее 38 мс логарифм функционала отношения правдоподобия, при вычислении которого рассчитываются билинейные формы из корреляционного интеграла для аналоговой обработки - с использованием интеграторов, а для дискретной обработки - с использованием сумматоров.