Открытый доступ Открытый доступ  Ограниченный доступ Доступ по подписке
Векторы «признак 1» фреймов тишины, которые представляют 4 класса шума

Визначення голосової активності у мовному сигналі методами спектрально-кореляційного та вейвлет-пакетного перетворення

Олександр Олегович Корнієнко, Євген Андрійович Мачуський

Аннотация


Розроблено алгоритм визначення голосової активності у мовному сигналі, що грунтується на попередньому визначенні типу шумового оточення. Для опису сегментів голосних, приголосних звуків та тиші використано спектрально-кореляційний та вейвлет-пакетний методи виділення ознак мовного сигналу. Розглянуто три типи вейвлет-пакетних дерев декомпозиції, що апроксимують мел-частотну, барк-частотну шкалу та шкалу еквівалентних прямокутних смуг ERB (equivalent rectangular bandwidth) для представлення сегментів звукового сигналу. Показано, що використання двох головних компонент вейвлет-пакетних ознак дозволило з високою точністю розпізнати тип шуму оточення. Використання комбінації запропонованих ознак та структури вейвлет-пакетного дерева декомпозиції, адаптованого до критичних смуг ERB психоакустичної моделі, дозволило підвищити ймовірність правильного визначення сегментів голосу та тиші на 4% порівняно з іншими сучасними класифікаційними алгоритмами визначення голосової активності для різних типів шуму оточення.

Ключевые слова


визначення голосової активності; спектрально-кореляційний аналіз; вейвлет-пакетний аналіз; критична смуга; піддіапазонні вейвлет-кепстральні коефіцієнти

Полный текст:

PDF

Литература


Kim, Juntae; Kim, Jaeseok; Lee, Seunghyung; Park, Jinuk; Hahn, Minsoo. “Vowel based voice activity detection with LSTM recurrent neural network,” Proc. of 8th Int. Conf. on Signal Processing Systems, 21-24 Nov. 2016, Auckland, New Zealand. NY: ACM, 2016. DOI: https://doi.org/10.1145/3015166.3015207.

Benyassine, A.; Shlomot, E.; Su, H.-Y.; Massaloux, D.; Lamblin, C.; Petit, J.-P. “ITU-T Recommendation G.729 Annex B: a silence compression scheme for use with G.729 optimized for V.70 digital simultaneous voice and data applications,” IEEE Commun. Mag., Vol. 35, No. 9, P. 64-73, 1997. DOI: https://doi.org/10.1109/35.620527.

Karray, L.; Martin, A. “Towards improving speech detection robustness for speech recognition in adverse conditions,” Speech Commun., Vol. 40, No. 3, P. 261-276, 2003. DOI: https://doi.org/10.1016/S0167-6393(02)00066-3.

Alam, J.; Kenny, P.; Ouellet, P.; Stafylakis, T.; Dumouchel, P. “Supervised/unsupervised voice activity detectors for text-dependent speaker recognition on the RSR2015 corpus,” Proc. of Odyssey 2014: The Speaker and Language Recognition Workshop, 16-19 June 2014, Joensuu, Finland. Joensuu, 2014, pp. 123-130.

Graf, S.; Herbig, T.; Buck, M.; Schmidt, G. “Features for voice activity detection: a comparative analysis,” EURASIP J. Advances Signal Processing, Vol. 2015, P. 91, 2015. DOI: https://doi.org/10.1186/s13634-015-0277-z.

Atal, B.; Rabiner, L. “A pattern recognition approach to voiced-unvoiced-silence classification with applications to speech recognition,” IEEE Trans. Acoustics, Speech, Signal Process., Vol. 24, No. 3, P. 201-212, 1976. DOI: https://doi.org/10.1109/TASSP.1976.1162800.

Kinnunen, T.; Li, H. “An overview of text-independent speaker recognition: from features to supervectors,” Speech Commun., Vol. 52, No. 1, P. 12-40, 2010. DOI: https://doi.org/10.1016/j.specom.2009.08.009.

Chen, S.-H.; Wu, H.-T.; Chang, Y.; Truong, T. K. “Robust voice activity detection using perceptual wavelet-packet transform and Teager energy operator,” Pattern Recognition Lett., Vol. 28, No. 11, P. 1327-1332, 2007. DOI: https://doi.org/10.1016/j.patrec.2006.11.023.

Chuangsuwanich, E.; Glass, J. “Robust voice activity detector for real world applications using harmonicity and modulation frequency,” Proc. of INTERSPEECH 2011, 28-31 Aug. 2011, Florence, Italy. ISCA, 2011, P. 2645-2648.

Вольфовский, Б. Н. “Многократная автокорреляционная обработка и ее возможности по обнаружению гармонического сигнала в смеси сигнала с шумом,” Информационное противодействие угрозам терроризма, № 1, P. 91-99, 2002. URI: https://elibrary.ru/item.asp?id=9571976.

Madhu, S.; Bhavani, H. B.; Sumathi, S. “Performance analysis of thresholding techniques for denoising of simulated partial discharge signals corrupted by Gaussian white noise,” Proc. of Int. Conf. on Power and Advanced Control Engineering, ICPACE, 12-14 Aug. 2015, Bangalore, India. IEEE, 2015. DOI: https://doi.org/10.1109/ICPACE.2015.7274980.

Ziolko, B.; Manandhar, S.; Wilson, R. C.; Ziolko, M. “Wavelet method of speech segmentation,” Proc. of 14th European Signal Processing Conf., EUSIPCO, 4-8 Sept. 2006, Florence, Italy. IEEE, 2006. URI: http://ieeexplore.ieee.org/document/7071218/.

Elton, R. J.; Vasuki, P.; Mohanalin, J. “Voice activity detection using fuzzy entropy and support vector machine,” Entropy, Vol. 18, No. 8, P. 298, 2016. DOI: http://dx.doi.org/10.3390/e18080298.

Lee, G.; Na, S. D.; Cho, J.-H.; Kim, M. N. “Voice activity detection algorithm using perceptual wavelet entropy neighbor slope,” Bio-Medical Materials and Engineering, Vol. 24, No. 6, P. 3295-3301, 2014. DOI: https://doi.org/10.3233/BME-141152.

Rabiner, L.; Juang, B.-H. Fundamentals of Speech Recognition. Upper Saddle River: Prentice-Hall, 1993.

Fletcher, H. “Auditory patterns,” Rev. Modern Phys., Vol. 12, No. 1, P. 47-65, 1940. DOI: https://doi.org/10.1103/RevModPhys.12.47.

Mohammadi, M.; Zamani, B.; Nasersharif, B.; Rahmani, M.; Akbari, A. “A wavelet based speech enhancement method using noise classification and shaping,” Proc. of INTERSPEECH, 22-26 Sept. 2008, Brisbane, Australia. ISCA, 2008, P. 561-564.

Sarikaya, R.; Pellom, L. Bryan; Hansen, J. H. L. “Wavelet packet transform features with application to speaker identification,” Proc. of IEEE Nordic Signal Processing Symp., 8-11 Jun. 1998, Vigs, Denmark. IEEE, 1998, P. 81-84. URI: https://www.isca-speech.org/archive/norsig_98/nos8_081.html.

Deshpande, M. S.; Holambe, R. S. “Speaker identification using admissible wavelet packet based decomposition,” Int. J. Signal Process., Vol. 10, No. 6, P. 83-86, 2010.

Добрушкін, Г. О.; Данилов, В. Я. «Порівняння якості Мел- та Барк-частотних кепстральних коефіцієнтів для параметризації мовних сигналів,» Наукові праці Чорноморського державного університету імені Петра Могили. Сер.: Комп’ютерні технології, Т. 160, № 148, С. 167-171, 2011. URI: http://kt.chdu.edu.ua/article/view/68900.

Sahu, P. K.; Biswas, Astik; Bhowmick, Anirban; Chandra, Mahesh. “Auditory ERB like admissible wavelet packet features for TIMIT phoneme recognition,” Eng. Sci. Technol. Int. J., Vol. 17, No. 3, P. 145-151, 2014. DOI: https://doi.org/10.1016/j.jestch.2014.04.004.

Welch, P. “The use of fast Fourier transform for the estimation of power spectra: A method based on time averaging over short, modified periodograms,” IEEE Trans. Audio Electroacoust., Vol. 15, No. 2, P. 70-73, 1967. DOI: https://doi.org/10.1109/TAU.1967.1161901.

Ramirez, J.; Segura, J. C.; Benitez, C.; de la Torre, A.; Rubio, A. “An effective subband OSF-based VAD with noise reduction for robust speech recognition,” IEEE Trans. Speech Audio Process., Vol. 13, No. 6, P. 1119-1129, 2005. DOI: https://doi.org/10.1109/TSA.2005.853212.

Thatphithakkul, N.; Kruatrachue, B.; Wutiwiwatchai, C.; Marukatat, Sanparith; Boonpiam, Vataya. “Robust speech recognition using PCA-based noise classification,” Proc. of SPECCOM, 2004, P. 45-53.

Zou, Y. X.; Zheng, W. Q.; Shi, Wei; Liu, Hong. “Improved voice activity detection based on support vector machine with high separable speech feature vectors,” Proc. of 19th Int. Conf. on Digital Signal Processing, 20-23 Aug. 2014, Hong Kong, China. IEEE, 2014. DOI: https://doi.org/10.1109/ICDSP.2014.6900767.

Garofolo, J. S.; Lamel, L. F.; Fisher, W. M.; Fiscus, J. G.; Pallett, D. S.; Dahlgren, N. L. “DARPA TIMIT Acoustic-Phonetic Continuous Speech Corpus,” NIST, 1986. URI: https://catalog.ldc.upenn.edu/ldc93s1.

VoxForge, Free Speech Recognition. URI: http://voxforge.org.

Panayotov, V.; Chen, G.; Povey, D.; Khudanpur, S. “LibriSpeech: An ASR corpus based on public domain audio books,” Proc. of IEEE Int. Conf. on Acoustics, Speech and Signal Processing, ICASSP, 19-24 Apr. 2015, Brisbane, QLD, Australia. IEEE, 2015, P. 5206-5210. DOI: https://doi.org/10.1109/ICASSP.2015.7178964.

Varga, A.; Steeneken, H. J. M. “Assessment for automatic speech recognition: II. NOISEX-92: A database and an experiment to study the effect of additive noise on speech recognition systems,” Speech Commun., Vol. 12, No. 3, P. 247-253, 1993. DOI: https://doi.org/10.1016/0167-6393(93)90095-3.

Корнієнко, О. О. “Вейвлет-пакетні ознаки мовного сигналу у завданні розпізнавання мовця,” Вимірювальна та обчислювальна техніка в технологічних процесах, №2, C. 111-117, 2017.

Корнієнко, О. О.; Кущ, С. М. “Адаптивний алгоритм визначення голосової активності,” Матеріали конференції «Радіотехнічні поля, сигнали, апарати та системи». URI: http://conf.rtf.kpi.ua/attachments/article/490/RTPSAS_2015_s8_t04.pdf.

Friedman, J. H. “Another Approach to Polychotomous Classification,” Technical Report. Department of Statistics, Stanford University, 1996, P. 1-14. URI: http://www-stat.stanford.edu/~jhf/ftp/poly.ps.Z.

Chang, C.-C.; Lin, C.-J. “LIBSVM: A library for support vector machines,” ACM Trans. Intelligent Syst. Technol., Vol. 2, No. 3, Article No. 27, 2011. DOI: https://doi.org/10.1145/1961189.1961199.

Ramyrez, J.; Yélamos, P.; Górriz, J. M.; Segura, J. C.; García, L. “Speech/non-speech discrimination combining advanced feature extraction and SVM learning,” Proc. of 9th Int. Conf. on Spoken Language Processing, 17-21 Sept. 2006, Pittsburgh, Pennsylvania. 2006, P. 1662-1665.

Zhang, Y.; Tang, Z.-M.; Li, Y.-P.; Luo, Y. “A hierarchical framework approach for voice activity detection and speech enhancement,” The Scientific World Journal, Vol. 2014, Article ID 723643, 2014. DOI: http://dx.doi.org/10.1155/2014/723643.

Sohn, J.; Kim, N. S.; Sung, W. “A statistical model-based voice activity detection,” IEEE Signal Process. Lett., Vol. 6, No. 1, P. 1-3, 1999. DOI: https://doi.org/10.1109/97.736233.

Eyben, F.; Weninger, F.; Squartini, S.; Schuller, B. “Real-life voice activity detection with LSTM recurrent neural networks and an application to Hollywood movies,” Proc. of IEEE Int. Conf. on Acoustics, Speech and Signal Processing, ICASSP, 26-31 May 2013, Vancouver, BC, Canada. IEEE, 2013, P. 483-487. DOI: http://dx.doi.org/10.1109/ICASSP.2013.6637694.




DOI: https://doi.org/10.20535/S0021347018050011

Метрики статей

Загрузка метрик ...

Metrics powered by PLOS ALM

Ссылки

  • На текущий момент ссылки отсутствуют.





© Известия высших учебных заведений. Радиоэлектроника, 2004–2018
При копировании активная ссылка на материал обязательна
ISSN 2307-6011 (Online), ISSN 0021-3470 (Print)
т./ф. +38044 204-82-31, 204-90-41
Условия использования сайта