Logo GenDocs.ru

Поиск по сайту:  

Загрузка...

Борискевич А.А. Цифровая обработка речи и изображений - файл Тема 8.doc


Борискевич А.А. Цифровая обработка речи и изображений
скачать (5335.1 kb.)

Доступные файлы (16):

Литература.doc34kb.28.04.2007 17:48скачать
Содержание.doc68kb.28.04.2007 17:09скачать
тема10.doc1416kb.28.04.2007 17:42скачать
тема11.doc917kb.28.04.2007 17:47скачать
тема12.doc1926kb.28.04.2007 17:45скачать
Тема 13.doc5561kb.28.04.2007 17:46скачать
тема14.doc177kb.28.04.2007 17:46скачать
Тема 1.doc182kb.28.04.2007 17:34скачать
Тема 2.doc549kb.28.04.2007 17:41скачать
Тема 3.doc243kb.28.04.2007 17:33скачать
тема 4.doc297kb.28.04.2007 17:34скачать
Тема 5.doc1150kb.28.04.2007 17:35скачать
Тема 6.doc3287kb.28.04.2007 17:41скачать
Тема 7.doc529kb.28.04.2007 17:38скачать
Тема 8.doc985kb.28.04.2007 17:39скачать
тема 9.doc1022kb.28.04.2007 17:42скачать

Тема 8.doc

Тема 8. Критерии оценивания качества воспроизведения речи (2 часа) [2,8, 9].

8.1. Физические характеристики речевого сигнала

Человеческая речь представляет собой шумоподобный акустический сигнал, несущий амплитудную и частотную модуляции. Основная энергия акустических колебаний речевого сигнала заключена в диапазоне 70 Гц - 7 кГц, причем более 95% смысловой информации размещается в более узком диапазоне – 200 Гц - 5 кГц. Акустические колебания выше и ниже этих частот несут информацию об эмоциях и личности говорящего, способствуют узнаваемости и несколько повышают разборчивость речи в условиях повышенных шумов. Уровень интенсивности любого звука в децибелах вычисляется через интенсивность измеряемого звука , равную энергии, переносимой волной в единицу времени через поперечное сечение площадью 1м2, относительно к пороговой интенсивности , равной 10-12 Вт/м2, по формуле

. (8.1)
Таким образом, если звуковая интенсивность в 10 раз больше интенсивности , то будет на 10 дБ больше . Заметим, что величина 10 дБ представляет собой отношение интенсивностей, а не абсолютную интенсивность. Чтобы определить абсолютную интенсивность звука в децибелах, необходимо оговорить, что интенсивность звука представляет собой децибел выше или ниже данной пороговой интенсивности . Если имеются два звука с уровнями интенсивности и , то разность этих уровней равна
, (8.2)

Из (8.2) видно, что различие между уровнями двух звуков может быть найдено непосредственно из отношения их интенсивностей. Полезными оценками изменения значений физических параметров звука, выраженных в децибелах, являются следующие: 1 дБ – минимальное различие в громкости звуковых сигналов, воспринимаемое большинством слушателей; 3дБ – увеличение мощности сигнала в два раза; 10 дБ – увеличение мощности сигнала в 10 раз.

Интервал воспринимаемых человеком интенсивностей звука равен

, (8.3)

где =10 Вт/м2 – максимальное значение интенсивности при болевом ощущении. Одна тринадцатая часть уровней шкалы интенсивности носит название бела.

Оценка качества речи является важной задачей. Отношение сигнал/шум (ОСШ), являющееся одной из наиболее распространенных объективных мер для оценки качества фильтрации зашумленной речи, задается выражением

, (8.4)

где s(n) и – выборочные значения исходного и восстановленного (демаскированного) речевых сигналов соответственно, M – общее число выборок в пределах речевого сигнала. Данное ОСШ является интегральной мерой качества восстановления речи. Более точной мерой, учитывающей присутствие в речевом сигнале низкоамплитудных компонент, является сегментное ^ ОСШ (СЕГОСШ), основанное на вычислении кратковременного ОСШ для каждого N-точечного сегмента речи
, (8.5)

где L и N – число сегментов и отсчетов в сегменте речевого сигнала соответственно, i – номер сегмента речевого сигнала, M=LN – число отсчетов речевого сигнала, состоящего из L сегментов с N отсчетами.

Так как операция усреднения в (8.5) осуществляется после логарифмирования, то СЕГОСШ более точно оценивает качество фильтрации нестационарного речевого сигнала.

Развитие измерений объективного качества речи, которые хорошо коррелирует с субъективными измерениями качества речи, считается важным, так как субъективные испытания дороги и отнимают много времени. В связи с этим точное измерение объективного качества речи было бы ценным инструментом оценки для совершенствования речевого кодера и выбора речевого кодер-декодера.

^ 8.2. Общие определения. Параметры качества речи.

Низкоскоростные кодеки – устройства преобразования речевых сигналов в цифровой поток двоичных символов, следующих со скоростью менее 16 кбит/с, входящие в состав систем низкоскоростной передачи речи. Разборчивость речи – относительное количество правильно принятых элементов речи (звуков, слогов, слов, фраз), выраженное в процентах от общего числа переданных элементов. Качество речи – параметр, характеризующий субъективную оценку звучания речи в испытуемой системе низкоскоростной передачи речи, выраженную в баллах по пятибалльной шкале или в процентах предпочтения при сравнении с эталонным трактом. Эталонный тракт - тракт, показатели качества речи которого известны и с которым сравнивают оцениваемую систему низкоскоростной передачи речи. Нормальный темп речи – произнесение речи со скоростью, при которой средняя длительность контрольной фразы равна 2,4 с. Ускоренный темп речи – произнесение речи со скоростью, при которой средняя длительность контрольной фразы равна 1,5-1,6 с. Узнаваемость голоса говорящего - возможность слушателей отождествлять звучание голоса, принимаемого из телефонного тракта, с конкретным лицом, известным слушателю ранее. Смысловая разборчивость - показатель степени правильного воспроизведения информационного содержания речи. Интегральное качество - показатель, характеризующий общее впечатление слушателя от принимаемой речи. АЧХ - амплитудно-частотная характеристика. ТФОП -телефонная сеть общего пользования. ТЧ канал - канал тональной частоты с полосой пропускания 300-3400 Гц. Выход в сеть ТФОП - организация взаимодействия между низкоскоростной цифровой системой и сетью ТФОП, при котором становится возможным установление соединения и передачи речевой информации между пользователем низкоскоростной цифровой системы и абонентом ТФОП.

К системам низкоскоростной передачи речи (низкоскоростной кодек) относят системы передачи речи, в которых речевой сигнал в цифровой форме передается со скоростью от 16 кбит/с и меньше до 0,6-0,8 кбит/с вместо стандартной скорости цифрового потока 64 или 32 кбит/с. При этом, в зависимости от метода обработки речевого сигнала и скорости цифрового потока, обеспечивается большой диапазон градаций разборчивости и качества переданной речи. Все методы низкоскоростной передачи речи основаны на параметрическом кодировании, т. е. ее представлении не речевым колебанием, а набором медленно изменяющихся параметров, определяющих понятность речи и в ряде случаев узнаваемость говорящего, требующих для своей передачи меньшей скорости цифрового потока. При представлении речи параметрическими методами из речевого сигнала, исключается часть имеющейся в нем избыточности, но одновременно происходит и изменение его структуры, приводящее к изменению характера звучания переданной речи. Это изменение обычно тем сильнее, чем меньше скорость передачи представляющего речь цифрового потока. При скорости менее 2 кбит/с речь, как правило, имеет механическое, «роботоподобное» звучание. Применение низкоскоростных систем передачи речи для массового пользователя в телефонных сетях общего пользования возможно только при условии обеспечения достаточно высокого качества передачи речи, но существующие методы оценки и нормирования качества речи не учитывают специфики обработки речевых сигналов при их низкоскоростной передаче и потому не могут быть положены в основу оценки различных низкоскоростных систем, их сравнения друг с другом и определения возможности их применения на сетях ТФОП. В выбранных качественных показателях, методиках их оценок и критериях допустимости тех или иных искажений в максимальной степени учитываются особенности обработки речи при ее параметрическом представлении и возникающих при этом искажениях и отклонениях характера звучания. Эти показатели специально ориентированы на фиксацию этих явлений и их взвешенного учета при определении пригодности оцениваемой системы для выхода в сеть ТФОП. Основным элементом систем низкоскоростной передачи речи являются низкоскоростные кодеки, преобразующие речевой сигнал в низкоскоростные цифровые потоки, передаваемые по цифровым каналам связи. При условии передачи этих потоков с малыми ошибками (за счет соответствующей энергетики или помехоустойчивого кодирования) единственным источником возможных искажений или изменений звучания передаваемых речевых сигналов являются речевые кодеки и их стык с сетью ТФОП. Поэтому для упрощения испытаний при оценке качества речи, передаваемой в низкоскоростной системе, допускается использовать упрощенный тракт, составленный из двух кодеков, соединенных друг с другом по цифровым потокам, или одного кодека, у которого выходной цифровой поток кодера подается в качестве, входного цифрового потока на вход декодера.

^ Оценка качества. При оценке качества кодирования и сопоставлении различных кодеков оцениваются разборчивость речи и качество синтеза (качество звучания) речи. Для оценки разборчивости речи используется метод DRT (Diagnostic Rhyme Test - диагностический рифмованный тест). В этом методе подбираются пары близких по звучанию слов, отличающихся отдельными согласными (типа "дот -тот", "кол - гол"), которые многократно произносятся рядом дикторов, и по результатам испытаний оценивается доля искажений. Метод позволяет получить как оценку разборчивости отдельных согласных, так и общую оценку разборчивости речи. DRT - весьма широко используемый метод, имеющий большую диагностическую информативность о разборчивости согласных. Испытание может быть осуществлено за малое время и несколькими различными способами. Однако DRT слабо проверяет разборчивость гласных и просодические особенности. Другой недостаток в том, что испытательный материал весьма ограничен, и испытательные стимулы не равновероятны, а значит, не тестируют все возможные вариации согласных. Модифицированное рифмованное испытание(MRT—Modified Rhyme test)это своего рода расширение DRT. MRT является испытанием на разборчивость согласных, находящихся и в начале и в конце слов. К положительным качествам рифмованных испытаний можно отнести возможность: привлечения необученных дикторов и аудиторов и небольшого их числа (обычно 10 – 20 чел.) без ущерба для достоверности результатов; легкость и быстроту проведения испытания.

Для оценки качества звучания используется критерий DAM (Diagnostic Acceptability Measure - диагностическая мера приемлемости). Испытания заключаются в чтении несколькими дикторами, мужчинами и женщинами, ряда специально подобранных фраз, которые прослушиваются на выходе тракта связи рядом экспертов-слушателей, выставляющих свои оценки по 5-балльной шкале. Результатом является средняя субъективная оценка, или средняя оценка мнений (Mean Opinion Score - MOS). Хотя этот метод является субъективным по своей сути, его результаты по сопоставлению различных типов кодеков при проведении испытаний одними и теми же группами дикторов и экспертов-слушателей являются, по-видимому, достаточно объективными, и на них основываются практически все выводы и решения.

Очевидно, что чем изощренней алгоритм кодирования речи, тем сложнее его реализовать. Сложность связана с вычислениями, необходимыми для воспроизведения процессов кодирования и декодирования сигналов в реальном масштабе времени. Достижения в технологии сигнальных процессорах позволяют выполнять сложные алгоритмы кодирования речи на однокристальных микропроцессорах. Тем не менее, сложность обработки влияет на физические размеры кодеков, их стоимость и потребляемую мощность. С увеличением сложности алгоритма кодирования увеличиваются и временные задержки (включающие время обработки и буферизации). Они не имеют значения в широковещательных аудио и видеоприложениях, но при передаче по телефонному каналу общая задержка должна быть небольшой, поскольку значительное запаздывание снижает качество восприятия при передаче. Реальные задержки при коммутации составляют от 125 мкс (в ИКМ линиях с 64 Кбит/с) до 2,5 мс (при кодировании по методу CELP), и до 100 мс в некоторых узкополосных системах. Поскольку человек как получатель информации является ключевым элементом любой телекоммуникационной системы, качество сигнала оценивается по его субъективному восприятию речи. Для чего часто используются пятибалльная шкала MOS (средняя субъективная оценка). Оценка по шкале MOS определяется путем обработки оценок, даваемых группами слушателей, нескольким речевым сигналам, воспроизводимым различными источниками речи. Каждый слушатель выносит оценку каждого сигнала: 1 - плохо, 2 - слабо, 3 - разборчиво, 4 - хорошо, 5 - отлично. Затем результаты усредняются.

В таблице 8.1 приведены MOS-оценки для различных скоростей передачи в соответствии со стандартами на алгоритмы сжатия речи международного телекоммуникационного союза (ITU) и европейского института стандартов в области телекоммуникаций (ETSI). В таблице 8.1 представлены средние характеристики методов кодирования, где VBR-ADPCM - кодер с АДИКМ и переменной скоростью передачи, LD-CELP - вокодеры с линейным предсказанием, с кодовым возбуждением и низкой задержкой, CS-ACELP - кодеры с линейным предсказанием, с алгебраическим кодовым возбуждением с сопряженной структурой, VSELP - кодеры с возбуждением векторной суммой и линейным предсказанием, ACELP - кодеры с алгебраическим кодовым возбуждением и линейным предсказанием, MP-MLQ – кодеры с использованием многоимпульсного возбуждения с квантованием и алгоритма максимального правдоподобия. Принципиальное преимущество перспективных кодеков заключается в том, что они могут достигать хорошего качества при значительно более низкой скорости передачи речевого сигнала (высокой степени сжатия).

Таблица 8.1 Усредненные характеристики стандартов сжатия речи.

Стандарт

Речевой кодер

Скорость, Кбит/с

Оценка MOS

Задержка, мс

ITU-G.711

ИКМ (PCM)

64

4.3

0.125

ITU-G.711

^ АДИКМ (ADPCM)

32

4.0

0.125

ITU-G.726

VBR-ADPCM

16, 24, 32, 40

2.0, 3.2, 4.0, 4.2

0.125

ITU-G.728

LD-CELP

16

40

0.625

GSM-EFR

ACELP

13

4.0

20

ITU-G.729

CS-ACELP

8

4.0

15

GSM Half-rate

VSELP

5.6

3.5

24.375

ITU-G.723

^ A/MP-MLQ CELP

5.27/6.3

Системы связи

37.5

TETRA

ACELP

4.56

Системы связи

35

American DOD FS1015

LPC-10

2.4

синтетический

22.5


^ 8.3.Методы измерения разборчивости речи.

Речевой сигнал в системах связи. Тракт передачи речи (ТПР), обобщенная схема которого приведена на рис.8.1, состоит из микрофона М, передающей аппаратуры (ПА), канала связи (КС), приемной аппаратуры (ПрА), телефона (Т).

М Т

Рис.8.1. Тракт передачи речи

Основными критериями качества тракта передачи речи служат: разборчивость; громкость; натуральность.

При этом громкость не является самодостаточным параметром – она используется совместно с разборчивостью и определяет желаемый (комфортный) уровень принимаемых сигналов. Даже из личной практики каждого человека известно, что чересчур низкий уровень громкости приводит к снижению разборчивости. Исследования показывают, что разборчивость понижается и при чересчур высоком уровне громкости речи.

Натуральность речи – это способность системы воспроизводить не только смысл передаваемой речи, но и ее тембр, индивидуальные особенности речи диктора. Для трактов передачи речи (телефонная связь, радиосвязь) эта характеристика является второстепенной, за исключением тех случаев, когда стоит задача высококачественного воспроизведения речи диктора (или пения).

Все методы измерения разборчивости речи условно делятся на субъективные и объективные. «Условно» - поскольку существует по меньшей мере две трактовки «субъективности-объективности» метода.

^ Первая трактовка. Согласно первой трактовке, при субъективном методе разборчивость речи оценивают по результатам единственного опыта – отсюда неизбежное влияние на результаты измерений особенностей речи и слуха людей, участвующих в испытаниях. Чтобы объективизировать метод, нужно осуществить много экспериментов с различными дикторами и абонентами, а затем усреднить результаты измерений.

Разборчивость передаваемой речи оценивают по пятибалльной шкале Международного Консультативного Комитета по Радиосвязи (МККР): неразборчиво; разборчиво временами; разборчиво с трудом; разборчиво; совсем разборчиво.

Фразовую разборчивость определяют путем вычисления процента правильно принятых фраз для нормального и ускоренного темпов произнесения по формуле



где ji – результат единичного измерения фразовой разборчивости, %; N - число единичных измерений; JН – фразовая разборчивость при нормальном темпе произнесения, %; JУ – фразовая разборчивость при ускоренном темпе произнесения, %.

Очевидное достоинство данных методов – простота, позволяющая участвовать в испытаниях операторам с относительно низким уровнем технической квалификации.

^ Вторая трактовка. При второй трактовке «субъективности-объективности» метода субъективными называют все методы, в которых человек является составной частью измерительного тракта, а объективными – такие методы, в которых весь измерительный процесс осуществляется приборами без участия органов чувств человека. С этой целью передающий и принимающий операторы должны быть заменены искусственными эквивалентами («искусственный голос», «искусственное ухо»).

^ Интегральные спектральные характеристики речи. Как следует из названия, интегральные спектральные характеристики речи характеризуют свойства речевого процесса в целом. Сюда относят: спектр речи ; спектр формант ; относительную встречаемость формант по спектру .

Спектром речи называют оценку спектральной плотности мощности речевого сигнала , вычисленную по отрезку речевого сигнала значительной протяженности (более минуты). Спектр речи характеризует распределение мощности речевого сигнала по частоте.

Спектром формант называют зависимость наиболее вероятного уровня формант от частоты. Чтобы оценить спектр формант, необходимо также располагать отрезком речи большой протяженности. Спектр формант на всех частотах меньше спектра речи (рис.8.2):

.



Рис.8.2. Соотношение спектра речи и спектра формант

Относительная встречаемость формант по спектру может быть оценена так. Разобьем весь диапазон частот на полоски, например, по 100 Гц, и подсчитаем относительное число формант (в %) каждой полоске. Результат такого подсчета даст нам кривую (рис.8.3).



Рис.8.3. Относительная встречаемость формант

Основные свойства слуха. Для оценивания разборчивости речи наибольшее значение имеют следующие характеристики слуховой системы человека, именуемые «постоянными слуха»: порог слышимости ; логарифмическая ширина критической полосы слуха ; маскировка слуха .

Порог слышимости – это минимальное звуковое давление, ниже которого ухо не воспринимает звук (рис.8.4). Выражается в децибелах, по отношению к пороговому давлению , соответствующему пороговой величине давления звука на частоте 1000 Гц.



Рис.8.4. Порог слышимости и болевой порог



Рис.8.5. Критическая полоса слуха

Ширина критической полосы слуха - это разрешающая способность слухового аппарата человека, который можно уподобить гребенке фильтров. Например, на частоте 100 Гц критическая полоса слуха близка 100 Гц, а на частоте 8000 Гц – близка 600 Гц (рис.8). Для удобства расчетов вводят понятие логарифмической критической полосы слуха (рис.8.6):

.



Рис.8.6. Логарифмическая критическая полоса слуха

Маскировка слуха – это явление ослабления слышимости или полного пропадания полезного звука на фоне мешающего звука. Количественно выражается как разница:

,

где – порог слышимости при наличии мешающего звука. На рис.8.7 приведено семейство индивидуальных кривых маскировки для различных уровней маскирующего сигнала . Здесь - разность высот тона маскирующей и маскируемой компонент, причем высота тона измеряется в Барках:

.



Рис.8.7. Семейство индивидуальных кривых маскировки

Измерение разборчивости. Различают следующие виды (меры) разборчивости речи: разборчивость формант ; разборчивость звуков ; разборчивость слогов ; разборчивость слов ; разборчивость фраз .

При расчете разборчивости приходится иметь дело с частотно-зависимыми функциями. Поэтому результаты количественного расчета для различных участков спектра различны. Ввиду этого задача расчета решается разделением диапазона частот, используемого для передачи речи, на узкие полосы, внутри которых можно не считаться с указанной частотной зависимостью и относить полученные результаты к средней частоте полосы. Далее вычисляется разборчивость для каждой полосы частот, а общая разборчивость находится суммированием «полосовых» разборчивостей.

Поскольку свойством аддитивности обладает только формантная разборчивость:

,

где - формантная разборчивость в -й полосе частот, идея расчета сводится к предварительному вычислению величины , с последующим пересчетом ее в величины , , , , на основании имеющейся информации о зависимости между разными мерами разборчивости.

Разборчивость в каждой полосе можно представить в виде:

,

где – формантная разборчивость в отсутствие мешающих факторов (шум, влияние тракта передачи); – коэффициент восприятия, учитывающий потери разборчивости из-за наличия мешающих факторов.

Разделение диапазона частот речевого сигнала на полосы можно производить двумя способами: деление на полосы одинаковой ширины; деление на равноартикуляционные полосы, причем предпочтение отдается второму способу, позволяющему упростить выкладки. Количество полос при этом предлагается выбрать равным . Возможен иной способ – деление на октавные или третьоктавные полосы. Количество полос при этом предлагается выбрать равным . Выбор способа деления на полосы частот – вопрос не столько принципиальный, сколько зависящий от «вкуса» исследователя.






Скачать файл (5335.1 kb.)

Поиск по сайту:  

© gendocs.ru
При копировании укажите ссылку.
обратиться к администрации