LPC ˇ ´ Jan Cernock´ y UPGM FIT VUT Brno,
[email protected]
FIT VUT Brno
LPC
ˇ ´ Jan Cernock´ y, UPGM FIT VUT Brno
1/39
Pl´ an • sign´alov´y model artikulaˇcn´ıho traktu. • proˇc line´arn´ı predikce. • odhad koeficient˚ u filtru (aneb posuˇ nte si sv´e sign´aly!) • Levinson-Durbin • Spektr´aln´ı hustota v´ykonu (PSD) pomoc´ı LPC. • Parametry odvozen´e z LPC.
LPC
ˇ ´ Jan Cernock´ y, UPGM FIT VUT Brno
2/39
Opakov´ an´ı – tvorba ˇreˇ ci a jej´ı model
LPC
ˇ ´ Jan Cernock´ y, UPGM FIT VUT Brno
3/39
buzen´ı
- model
hlasivek
model - hlasov´ eho traktu
model - vyzaˇrov´ an´ı zvuku
ˇreˇc
-
s(n)
C´ıl: Chceme odhadnout parametry tohoto modelu. Tato pˇredn´ aˇska se bude zab´ yvat filtrem.
LPC
ˇ ´ Jan Cernock´ y, UPGM FIT VUT Brno
4/39
Model artikulaˇ cn´ıho traktu
buzen´ı
- model hlasivek
LPC
model - hlasov´ eho traktu
ˇ ´ Jan Cernock´ y, UPGM FIT VUT Brno
model - vyzaˇrov´ an´ı zvuku
ˇreˇc
-
s(n)
5/39
Hlasivky doln´ı propusˇt 2. ˇr´adu, lomov´a frekvence okolo 100 Hz: G(z) =
LPC
ˇ ´ Jan Cernock´ y, UPGM FIT VUT Brno
1 −cTs −1 2
[1 − e
z
]
(1)
6/39
Hlasov´ y trakt kask´ada mal´ych dvojp´ olov´ych rezon´ator˚ u odpov´ıdaj´ıc´ıch formant˚ um.
resonator 1
...
resonator 2
resonator k
Pro k formant˚ u Fi s ˇs´ıˇrkami p´asem Bi : V (z) =
1 K Y
(2)
[1 − 2e−αi Ts cos βi Ts z −1 + e−2αi Ts z −2 ]
i=1
kde parametry αi a βi jsou urˇceny polohou a ˇs´ıˇrkou p´asma formant˚ u.
LPC
ˇ ´ Jan Cernock´ y, UPGM FIT VUT Brno
7/39
Model vyzaˇrov´ an´ı zvuku L(z) = 1 − z −1
(3)
coˇz je horn´ı propusˇt.
LPC
ˇ ´ Jan Cernock´ y, UPGM FIT VUT Brno
8/39
Dohromady . . . H(z) = G(z)V (z)L(z) = 1 − z −1
= (1 − e−cTs z −1 )2
K Y
(4)
[1 − 2e−αi Ts cos βi Ts z −1 + e−2αi Ts z −2 ]
i=1
ˇ Clen cTs → 0, proto m˚ uˇzeme kr´atit ˇcitatele i jmenovatele o jeden ˇclen 1 − z −1 . Celkov´y model je tedy celop´ olov´ y (obsahuje jen jmenovatele – ˇcist´y IIR filtr). Bˇeˇzn´y z´apis: H(z) = 1+
1 P X
=
1 , A(z)
(5)
ai z −i
i=1
kde polynom A(z) = 1 + a1 z −1 + a2 z −2 + · · · + aP z −P m´a ˇr´ad P = 2k + 1 (k je poˇcet formant˚ u). Za uˇziteˇcn´y poˇcet pokl´ad´ame k=4 ˇci 5, proto vol´ıme ˇcasto P =10 (pro Fs =8 kHz). Pro vyˇsˇs´ı vzorkovac´ı frekvence vol´ıme P vyˇsˇs´ı (napˇr. 16), abychom postihli i vf. ˇc´ast spektra. LPC
ˇ ´ Jan Cernock´ y, UPGM FIT VUT Brno
9/39
Urˇ cen´ı parametr˚ u modelu pomoc´ı line´ arn´ı predikce (LP) Tvorba ˇreˇci s t´ımto filtrem:
gener´ator buzen´ı
buzen´ı-²¯ U(z)
x ±° 6
H(z)=1/A(z)
ˇreˇcS(z)
G n-t´y vzorek ˇreˇci je tedy d´an: s(n) = Gu(n) −
P X
ai s(n − i)
(6)
i=1
Parametry (koeficienty) filtru ai jsou ovˇsem nezn´ am´ e a mus´ıme je odhadnout, odbornˇe identifikovat (system identification). LPC
ˇ ´ Jan Cernock´ y, UPGM FIT VUT Brno
10/39
Urˇ cen´ı parametr˚ u filtru M˚ uˇzeme zkonstruovat tzv. inverzn´ı filtr A⋆ (z) s koeficienty αi :
Gu(n)-
1/A(z)
nezn´ame
-
A*(z)
e(n)-
m˚ uˇzeme mˇenit
Ukazuje se, ˇze v pˇr´ıpadˇe stacion´arn´ıho sign´alu s(n) jsou koeficienty ai identifikov´any pomoc´ı koeficient˚ u αi , je-li minimalizov´ana energie sign´alu na v´ystupu e(n): E{e2 (n)}. “krout´ıme parametry filtru tak dlouho, dokud nen´ı energie sign´alu na v´ystupu minim´aln´ı. . . ”
LPC
ˇ ´ Jan Cernock´ y, UPGM FIT VUT Brno
11/39
Proˇ c “line´ arn´ı predikce” ? Pˇredpokl´ame, ˇze E{e2 (n)} je jiˇz minimalizov´ana, tedy ˇze A⋆ (z) = A(z) a budeme tedy pouˇz´ıvat pouze oznaˇcen´ı koeficient˚ u ai . A(z) m˚ uˇzeme (trochu podivnˇe – jako kdyˇz se levou rukou drbete za prav´ym uchem. . . ) zapsat jako: A(z) = 1 − [1 − A(z)] (7) a tedy:
s(n)
e(n) A(z)
=
s(n)
+ -
+
e(n) ~ s(n)
1-A(z) Sign´al s˜(n) je d´an line´arn´ı kombinac´ı nˇekolika pˇredchoz´ıch vzork˚ u, povaˇzujeme jej za pˇredpovˇedˇ skuteˇcn´eho vzorku s(n): s˜(n) = −
P X
ai s(n − i)
(8)
i=1
LPC
ˇ ´ Jan Cernock´ y, UPGM FIT VUT Brno
12/39
Chyba predikce je d´ana jako rozd´ıl skuteˇcn´e a pˇredpovˇezen´e hodnoty: e(n) = s(n) − s˜(n) = s(n) − [−
P X
ai s(n − i)] = s(n) +
i=1
P X
ai s(n − i).
(9)
i=1
ˇ ım lepˇs´ı predikce, t´ım menˇs´ı chyba. C´
V rovinˇe z: E(z) = S(z)A(z)
(10)
V´yhody z´ısk´an´ı parametr˚ u touto metodou: • je-li αi = ai , je chyba predikce rovna buzen´ı (m˚ uˇzeme se tedy dostat ke vstupu do hlasov´eho traktu bez skalpelu). • urˇcen´ı koeficient˚ u pomoc´ı LP vede k soustavˇe snadno ˇreˇsiteln´ych line´arn´ıch rovnic.
LPC
ˇ ´ Jan Cernock´ y, UPGM FIT VUT Brno
13/39
ˇ sen´ı Reˇ V t´eto etapˇe ˇreˇsen´ı zat´ım z´amˇernˇe nezmiˇ nujeme, kolik vzork˚ u vstupn´ıho sign´alu m´ame k disposici, sumy jsou tedy zat´ım bez mez´ı. Nenormalizovan´a energie chyby predikce je d´ana: X E= e2 (n) (11) n
Tento v´yraz je tˇreba minimalizovat. Vyj´adˇr´ıme jej pomoc´ı sign´alu s(n) (zn´am´a veliˇcina) a nezn´am´ych koeficient˚ u ai . Pro nalezen´ı minima budeme parci´alnˇe derivovat podle kaˇzd´eho ai , derivace poloˇz´ıme rovny nule: ) ( P X X δ = 0 (12) [s(n) + ai s(n − i)]2 δaj n i=1 X
2[s(n) +
n
X
s(n)s(n − j) +
n
LPC
ˇ ´ Jan Cernock´ y, UPGM FIT VUT Brno
P X
ai s(n − i)]s(n − j)
= 0
(13)
= 0.
(14)
i=1
P X i=1
ai
X
s(n − i)s(n − j)
n
(15) 14/39
Oznaˇc´ıme: X
s(n − i)s(n − j) = φ(i, j),
(16)
ai φ(i, j) = −φ(0, j) pro 1 ≤ j ≤ P
(17)
n
pak P X i=1
Coˇz je soustava line´arn´ıch rovnic: φ(1, 1)a1 + φ(2, 1)a2 +
···
+φ(P, 1)aP = −φ(0, 1)
φ(1, 2)a1 + φ(2, 2)a2 +
··· .. .
+φ(P, 2)aP = −φ(0, 2)
(18)
φ(1, P )a1 + φ(2, P )a2 + · · · +φ(P, P )aP = −φ(0, P ),
LPC
ˇ ´ Jan Cernock´ y, UPGM FIT VUT Brno
15/39
V´ ypoˇ cet φ(·, ·) Koeficienty odhadujeme na r´amci o d´elce N vzork˚ u. Dvˇe metody liˇs´ıc´ı se v tom, jak nahl´ıˇz´ıme na sign´al vnˇe r´amce (tedy pro vzorky n < 0 a n > N − 1):
LPC
ˇ ´ Jan Cernock´ y, UPGM FIT VUT Brno
16/39
Kovarianˇ cn´ı metoda: sign´al vnˇe r´amce je nezn´ am´ y: se vzorky mimo [0, N − 1] nemohu poˇc´ıtat, ani kdyˇz je tam sign´al zpoˇzdˇen.
0
i
j
s[n]
N−1
0
i+2 j+2 s[n]
N−1
forbidden s[n−i]
forbidden s[n−i]
s[n−j] overlap for computing
s[n−j] overlap for computing
⇒φ(i, j) a φ(i + const, j + const) NEJSOU stejn´e (m´ame pokaˇzd´e jin´y poˇcet vzork˚ u) mus´ı se ˇreˇsit pln´a soustava line´arn´ıch rovnic. Sloˇzit´e, kovarianˇcn´ı metoda nav´ıc vede k nestabiln´ımu filtru 1/A(z). LPC
ˇ ´ Jan Cernock´ y, UPGM FIT VUT Brno
17/39
Korelaˇ cn´ı metoda: sign´al vnˇe r´amce je povaˇzov´an za zn´ am´ y, ale nulov´ y – mohu s n´ım poˇc´ıtat.
0
i
j
s[n]
N−1
0
i+2 j+2 s[n]
N−1
allowed s[n−i]
allowed s[n−i]
s[n−j] overlap for computing
s[n−j] overlap for computing
⇒φ(i, j) a φ(i + const, j + const) JSOU stejn´e (pokaˇzd´e stejn´e vzorky) - soustava rovnic se n´am bude dobˇre poˇc´ıtat, protoˇze na diagon´al´ach budou stejn´e hodnoty: napˇr. φ(2, 1) = φ(3, 2) = φ(4, 3) = · · · LPC
ˇ ´ Jan Cernock´ y, UPGM FIT VUT Brno
18/39
Proˇ c jsou φ autokorelaˇ cn´ı koeficienty Odhad autokorelaˇcn´ıch koeficient˚ u (bez normalizace) pro sign´al o d´elce N pro kladn´e k, viz Sign´aly a syst´emy, N´ahodn´e procesy II.: http://www.fit.vutbr.cz/~cernocky/sig R(k) =
NX −1−k
s(n)s(n + k)
n=0
Korelaˇcn´ı koeficienty “ud´av´aj´ı podobnost sign´alu samotn´eho se sebou, kdyˇz ho posuneme o k vzork˚ u”
0
s[n]
−k
s[n−k]
N−1 N−1−k
overlap for computing LPC
ˇ ´ Jan Cernock´ y, UPGM FIT VUT Brno
19/39
Situace pro φ(i, j) a φ(j, i):
0
i
j
s[n]
N−1
0
j
i s[n]
N−1
allowed s[n−i]
allowed s[n−i]
s[n−j] overlap for computing
s[n−j] overlap for computing
⇒ pokaˇzd´e poˇc´ıt´ame se stejn´ymi vzorku ⇒ oba dva jsou rovny autokorelaˇcn´ımu koeficientu R(|i − j|). To je fajn, protoˇze matice bude nav´ıc jeˇstˇe symetrick´a. Matici, kter´a je symetrick´a a m´a na diagon´al´ach stejn´e prvky, se ˇr´ık´a T¨ oplitzova.
LPC
ˇ ´ Jan Cernock´ y, UPGM FIT VUT Brno
20/39
V´ ysledn´ a soustava rovnic pro koeficienty a1 . . . aP R(0)a1 + R(1)a2 +
· · · +R(P − 1)aP = −R(1)
R(1)a1 + R(0)a2 +
· · · +R(P − 2)aP = −R(2) .. .
R(P − 1)a1 + R(P − 2)a2 + · · ·
LPC
ˇ ´ Jan Cernock´ y, UPGM FIT VUT Brno
(19)
+R(0)aP = −R(P ),
21/39
Energie chyby predikce Bez odvozen´ı . . . pomoc´ı LPC m˚ uˇzeme dostat i n´asleduj´ıc´ı vzoreˇcek pro v´ypoˇcet nenormalizovan´ e energie chyby predikce: E=
N +P X−1 n=0
e2 (n) = R(0) +
P X
ai R(i)
(20)
i=1
Pokud m´a bud´ıc´ı sign´al normovanou energii rovnu 1 — napˇr. b´ıl´y ˇsum s rozptylem 1 nebo N −1 1 X 2 pulsy, kde u (n) = 1, pak, abychom dostali tut´eˇz energii jako s(n), mus´ıme N n=0 nastavit gain (zes´ılen´ı) filtru na: # " P X E 1 2 G = ai R(i) . (21) = R(0) + N N i=1 . . . bude se n´am hodit pˇri k´ odov´an´ı. LPC
ˇ ´ Jan Cernock´ y, UPGM FIT VUT Brno
22/39
Levinson–Durbin Jelikoˇz je matice R symetrick´a a T¨ oplitzova (vˇsechny prvky na diagon´al´ach jsou stejn´e), d´a se k ˇreˇsen´ı soustavy 19 pouˇz´ıt rychl´y algoritmus Levinsona a Durbina: E (0) ki (i)
ai
(i)
LPC
= R(0)
(22)
= − R(i) +
i−1 X
(i−1)
aj
j=1
= ki
(i−1)
(i−1)
aj
= aj
E (i)
= (1 − ki2 )E (i−1)
ˇ ´ Jan Cernock´ y, UPGM FIT VUT Brno
+ ki ai−j
R(i − j) /E (i−1)
pro 1 ≤ j ≤ i − 1
(23) (24) (25) (26)
23/39
Levinson-Durbin II. (i)
• Postupnˇe avyˇsujeme ˇr´ad prediktoru (sloupce n´asleduj´ıc´ı tabulky). aj je j-t´y koeficient prediktoru ˇr´adu i: (1)
a1
···
a1
(3)
···
a2
(3)
··· .. .
a3 .. .
a1
(2)
a2
a2
(P )
(3)
(2)
a1
a3
(P ) (P )
(27)
(P )
aP
LPC
ˇ ´ Jan Cernock´ y, UPGM FIT VUT Brno
24/39
• podle pr˚ ubˇehu energie chyby predikce E(i) v z´avislosti na ˇr´adu prediktoru lze optimalizovat tento ˇr´ad:
E
(i)
P Zvyˇsov´an´ı ˇr´adu prediktoru nad “lom” funkce jiˇz nepˇrin´aˇs´ı t´emˇeˇr ˇz´adn´e zlepˇsen´ı energie chyby.
LPC
ˇ ´ Jan Cernock´ y, UPGM FIT VUT Brno
25/39
Odhad spektr´ aln´ı hustoty v´ ykonu (PSD) pomoc´ı modelu LPC Prozat´ım jsme PSD odhadovali pomoc´ı DFT (obsahovala i “jemnou” sloˇzku zp˚ usobenou n´asobky frekvence z´akladn´ıho t´ onu). PSD se d´a ale odhadnout i pomoc´ı frekvenˇcn´ı charakteristiky filtru 1/A(z): ¯ ¯ ¯ G ¯2 ˆ LP C = ¯ ¯ G (28) ¯ A(z) ¯ j2πf , z=e kde f je normovan´a frekvence f =
F . Po dosazen´ı: Fs G2
ˆ LP C = ¯ G ¯2 P ¯ ¯ X ¯ ¯ ai e−j2πf i ¯ ¯1 + ¯ ¯
(29)
i=1
Na t´eto spektr´aln´ı hustotˇe v´ykonu se daj´ı dobˇre rozeznat formanty, protoˇze je eliminov´an vliv z´akladn´ıho t´ onu (a tedy jemn´a struktura spektra, kter´a se opakuje s F0 ). LPC
ˇ ´ Jan Cernock´ y, UPGM FIT VUT Brno
26/39
Pˇr´ıklad: odhad spek. hustoty z´ıskan´y pomoc´ı DFT a LPC na znˇel´em a neznˇel´em r´amci. 12000
2000
10000
1500
8000 1000 6000 500
unvoiced
voiced
4000
2000
0
0
−500
−2000 −1000 −4000 −1500
−6000
−8000
0
20
40
60
80 samples
100
120
140
−2000
160
200
0
20
40
60
80 samples
100
120
140
160
3500
4000
160
180 140 160 120
PSD−unvoiced
PSD−voiced
140
120
100
100 80 80 60 60
40
0
LPC
500
1000
1500
2000 frequency [Hz]
2500
3000
ˇ ´ Jan Cernock´ y, UPGM FIT VUT Brno
3500
4000
40
0
500
1000
1500
2000 frequency [Hz]
2500
3000
27/39
Srovn´ an´ı spektrogram˚ u Dlouhodob´y spektrogram specgram(s,256,8000,hamming(256),200); 4000
3500
3000
2500
2000
1500
1000
500
0 0
LPC
0.2
0.4
ˇ ´ Jan Cernock´ y, UPGM FIT VUT Brno
0.6
0.8
1
1.2
28/39
Kr´atkodob´y spektrogram specgram(s,256,8000,hamming(50)); 4000
3500
3000
2500
2000
1500
1000
500
0 0
LPC
0.2
0.4
ˇ ´ Jan Cernock´ y, UPGM FIT VUT Brno
0.6
0.8
1
1.2
29/39
LPC spektrogram 3500
3000
2500
2000
1500
1000
500
0
LPC
0
0.2
0.4
ˇ ´ Jan Cernock´ y, UPGM FIT VUT Brno
0.6
0.8
1
1.2
30/39
Parametry odvozen´ e z LPC koeficient˚ u Proˇc ? Koeficienty filtru ai jsou dobr´e na filtrov´an´ı, ale to je tak vˇsechno: ˇ • Spatnˇ e se kvantuj´ı (velk´a citlivost stability filtru na pˇresnost kvantizace, nejsou omezeny: ai ∈< −∞, +∞ >.) • Jsou tvrdˇe korelov´any – ˇspatn´e pro rozpozn´av´an´ı zaloˇzen´e na HMM. • Vzd´alenost dvou vektor˚ u koeficient˚ u ai nem´a nic spoleˇcn´eho s podobnost´ı nebo nepodobnost´ı ˇreˇcov´ych r´amc˚ u – ˇspatn´e i pro rozpozn´av´an´ı zaloˇzen´e na pˇr´ım´em srovn´av´an´ı parametr˚ u (DTW) ⇒ bylo by nˇeco lepˇs´ıho ???
LPC
ˇ ´ Jan Cernock´ y, UPGM FIT VUT Brno
31/39
PARCOR
(i)
• Meziv´ysledky Levinsona-Durbina: koeficienty ki = ai se oznaˇcuj´ı jako koeficienty odrazu nebo tak´e koeficienty PARCOR (partial correlation). • Plat´ı pro nˇe: ki ∈< −1, 1 >. Jsou tedy vhodnˇejˇs´ı pro k´ odov´an´ı neˇz ai . • Sady koeficient˚ u ai a ki se jedna na druhou daj´ı jednoduˇse pˇrev´est.
LPC
ˇ ´ Jan Cernock´ y, UPGM FIT VUT Brno
32/39
V´ alcov´ y model hlasov´ eho traktu hlasov´y trakt m˚ uˇzeme fyzik´alnˇe modelovat pomoc´ı v´alcov´ych sekc´ı o stejn´e d´elce, avˇsak o r˚ uzn´ych pr˚ umˇerech (a t´ım i pr˚ uˇrezech):
A [cm 2]
0
LPC
ˇ ´ Jan Cernock´ y, UPGM FIT VUT Brno
l [cm]
33/39
Vztah v´ alcov´ eho modelu s LPC pomˇer sousedn´ıch sekc´ı: 1 + km Am−1 = (30) Am 1 − km pro m = P, P − 1, . . . , 1. Plocha AP je fiktivn´ı – skuteˇcnou velikost nezn´ame, poloˇz´ıme Am−1 jsou pak pomˇery ploch – area ratios (AR). Pouˇz´ıvanˇejˇs´ı jsou tedy AP = 1. Hodnoty Am logaritmick´e pomˇery ploch – log area ratios (LAR): gm
Am−1 1 + km = log = log Am 1 − km
(31)
V´yhoda gm oproti ki je v line´arn´ı citlivosti spektra na hodnoty. Je moˇzn´e pouˇz´ıt line´arn´ı kvantifik´ator hodnot gm . U ki je spektrum silnˇe citliv´e na hodnoty ki → 0.
LPC
ˇ ´ Jan Cernock´ y, UPGM FIT VUT Brno
34/39
LSF ˇ ci LSP Line Spectrum Frequencies (LSF) nebo tak´e Line Spectrum Pairs (LSP), jsou odvozeny z koˇren˚ u dvou polynom˚ u: M (z) = A(z) − z −(P +1) A(z −1 ) Q(z) = A(z) + z
−(P +1)
A(z
−1
(32)
).
Pomoc´ı koˇren˚ u se daj´ı zapsat: M (z)
=
(1 − z
−1
)
Y
(1 − 2z −1 cos ωi + z −2 )
i=2,4,...,P
Q(z) =
(1 + z
−1
)
Y
(1 − 2z
−1
cos ωi + z
−2
).
(33)
i=1,3,...,P −1
kde ω je normovan´a kruhov´a krekvence ω = 2πf (f je normovan´a “obyˇcejn´a” frekvence). Line spectral frequencies fi jsou v intervalu (0,0.5) a jsou seˇrazeny vzestupnˇe: 0 < f1 < f2 < . . . < fP −1 LPC
ˇ ´ Jan Cernock´ y, UPGM FIT VUT Brno
1 < fP < . 2
(34) 35/39
Pouˇzijeme-li LSFs pro pˇrenos (jsou kvantov´any), m˚ uˇzeme v dekod´eru otestovat spr´avn´e dek´ odov´an´ı tak, ˇze zkontrolujeme jejich ˇrazen´ı. 25
20
15
10
5
0
0
LPC
500
1000
1500
ˇ ´ Jan Cernock´ y, UPGM FIT VUT Brno
2000
2500
3000
3500
4000
36/39
LPC-cepstrum Cepstr´aln´ı koeficienty jsme poˇc´ıtali pomoc´ı DFT. Je tak´e moˇzno urˇcit pomoc´ı spektr´aln´ı hustoty v´ykonu z´ıskan´e odhadem pomoc´ı LPC: ¯ ¯ ¯ G ¯2 ˆ LP C (f ) = ¯ ¯ G (35) ¯ A(z) ¯ j2πf , z=e kde G je gain “syntezaˇcn´ıho” filtru a A(z) je polynom ˇr´adu P . V tomto pˇr´ıpadˇe hovoˇr´ıme o LPC-cepstru (LPCC): ˆ LP C (f )] c(n) = F −1 [ln G (36) Daj´ı se odvodit n´asleduj´ıc´ı vlastnosti LPC-cepstr´aln´ıch koeficient˚ u: c(0) = ln G2 .
(37)
Nult´y LPC-cepstr´aln´ı koeficient tedy nese informaci o energii dan´eho ˇreˇcov´eho r´amce.
LPC
ˇ ´ Jan Cernock´ y, UPGM FIT VUT Brno
37/39
Dalˇs´ı koeficienty lze vypoˇc´ıtat z LPC koeficient˚ u pomoc´ı rekurentn´ıch vztah˚ u: n−1
1X kck an−k c(n) = −an − n k=1 n−1 1X kck an−k c(n) = − n
pro 1 ≤ n ≤ P (38) pro
n>P
k=1
⇒ velmi jednoduch´y pˇrevod.
LPC
ˇ ´ Jan Cernock´ y, UPGM FIT VUT Brno
38/39
Pouˇ zit´ı LPCC koeficient˚ u • LPCC koeficienty jsou jednou z parametrisac´ı pouˇz´ıvan´ych v rozpozn´avaˇc´ıch ˇreˇci. Jejich v´yhodou je, ˇze jednotliv´e koeficienty jsou m´enˇe korelov´any neˇz napˇr´ıklad LPC koeficienty ai , v rozpozn´avaˇc´ıch postaven´ych na skryt´ych Markovov´ych modelech (hidden Markov models – HMM) se obejdeme bez pln´ych kovarianˇcn´ıch matic Σ a vystaˇc´ıme s vektory rozptyl˚ u. V´ıce v kapitole o rozpoz´av´an´ı pomoc´ı HMM. • pomoc´ı dvou sad LPCC koeficient˚ u m˚ uˇzeme jednoduˇse spoˇc´ıtat logaritmickou spektr´aln´ı vzd´alenost (logarithmic spectral distance) mezi dvˇema ˇreˇcov´ymi r´amci (nepˇr´ıjemn´a definice s integr´alem pˇrejde na prostou Euklidovu vzd´alenost dvou vektor˚ u LPCC).
LPC
ˇ ´ Jan Cernock´ y, UPGM FIT VUT Brno
39/39