A2M31RAT - Řečové aplikace v telekomunikacích Robustní řečové parametrizace Doc. Ing. Petr Pollák, CSc.
23. března 2011 - 12:34
Obsah přednášky
Příznaky pro rozpoznávání řeči Vlastnosti příznaků na bázi DFT, LPC a kepstra MFCC a PLP Statické a dynamické příznaky
Techniky robustní parametrizace (příznaky pro rozpoznávání) Spektrální odečítání CMS VTLN Kompenzace Lombardova jevu
I. část Příznaky pro rozpoznávání řeči
Parametrizace řečového signálu parametrizace = extrakce příznaků popisujících signál pro účely následné klasifikace používané spektrální (kepstrální příznaky) DFT spektrum - méně používané pro množství redundantní informace AR koeficienty - nevhodné, koeficienty polynomu AR model, koeficienty odrazu - možné, stabilnější Kepstrum - tvoří shluky v n-dimenzionální prostoru - OK LPC kepstrum - méně používané pro malou robustnost MFCC = mel-kepstrum - nejpoužívanější příznaky (modelování nelinearity lidského slyšení) PLP - alternativní způsob modelování nelinearity slyšení
dynamické a akcelerační parametry (delta, delta-delta) energetické parametry ( E , ln E , c0 ) Další parametrizace výpočet pomocí neuronových sítí TRAPs - časové trajektorie příznaků v delších kontextech
MFCC - Melovské kepstrální koeficienty
Blokové schéma výpočtu mel-kepstrálních koeficientů: sn
Xk
mk
DFT
Mel−BF
ln(mk) ln(.)
Výpočet energie v jednom pásmu gj = ln
N/2 X k=0
|S[k]|2 Hmel,j [k] .
Výpočet kepstra pomocí DCT r
ci =
P 2X πi gj cos (j − 0.5) P P j=1
cn IDCT
PLP - kepstrální koeficienty
Blokové schéma výpočtu PLP kepstrálních koeficientů: sn
Xsk
Xk E(f)
DFT
Bj
IDFT
Rk
Bsj CBA
LPC
ak
0.3
a2c
aplikuje se dříve diskutovaná PLP banka filtrů kepstrum se počítá na bázi lineární predikce rozdílné šumové vlastnosti
cn
Statické a diferenciální parametry
c1 [i] ∆1 [i] δ1 [i] c2 [i] ∆2 [i] δ2 [i] c[i] = . , ∆[i] = . , δ[i] = . .. .. .. cp [i]
∆n [i]
δn [i]
Dynamické parametry (odhad 1. derivace základních příznaků) M X
∆k [i] =
m (ck [i + m] − ck [i − m])
m=1 M X
pro m
1≤k ≤n
2
m=1
Akcelerační parametry (odhad 2. derivace základních příznaků) M X
δk [i] =
m (∆k [i + m] − ∆k [i − m])
m=1 M X m=1
pro m
2
1≤k ≤n
II. část Základní robustní parametrizační techniky
0
pravdepod pro kazd
neuro
9
tody jsou zalozˇeny na spektra´lnı´m odecˇı´ta´nı´ vlozˇeny´m
^Xi GMM/ Robustní parametrizace řeči pro kompenzaci šumu 1400 HMM do standardnı ´ch parametrizac ˇnı´ch postupu˚aditivního , viz prˇ´ıklad Podrobneˇjsˇ´ı info
vy´poc koeficientu˚. x ˇtu melovsky´ch kepstra´lnı´ch c
|Ni| − + • - standardnı • ´+prˇ´ıznaky Mel-kepstrum ˇove MFCC -DFT mel-frekvenční kepstrální koeficienty (DCT) WF ´ rˇec IDFT p
|N |Si| i|´ Modifikovane´ spektra ´ lnı´ odecˇı´ta ´ nı • z −1 Metoda pro potlacˇenı´|.|aditivnı´ho sˇumu + ^Xi
sbi
• Borˇil, H., Polla´k, P.: De
/u/
• Borˇil, H.,1000 Polla´k, P.: C ASIDE 2005,300 COST27
DCT
1
0.8 0.6
0.1
0.2
+
0.3
0.4
0.5
− Blok MSO
0.6
0.7
|Xi|
0.9
|.|
4 3 2
1 ff
Podrobneˇ
• Borˇil, H., P
• Borˇil, H., P ASIDE 200
|Si|
MBF ln DCT |Ni−1 | 1 −p Blokz −1MSO • + p Blok MSO lze umístit |Ni| |Si| i za MBF či za logaritmus (z hlediska vyhlazení je vhodné −1 umístění • přímo za DFT) z
databa´zı´
MSO |Si−1 |
5
70 0.8
b xMFCC c| +ˇove i Robustnı |Xi| vlivu aditivního |N ´ mel-kepstrum - standardnı ´ rˇec ´ prˇ´ıznakysi s eliminací rušivého pozadí i − • • + WFc IDFTcbs,i xi DFT
DFT
6
0
0.2
0
7
1
0.4
0
8
cx,i Počet segmentů (x 10 000)
|Xi| |Si−1| |M|N 1 −pmi i| i−1| DFT MBF ln −1 • + z
Habs
pravdepodobnosti fonemu pro kazdy segment
xi
170
1200
|Xi|
i
neuronova sit
1600
70
Hardwarove´ impleme
Výsledky rozpoznávání řeči se standardní parametrizací Rozpoznávač izolovaných slov, standardní MFCC parametrizace Trénování i testování - zašuměná řeč s různou úrovní šumu 34 12
&(' ! #?
) (*,+.) -.*74 ) +;*79 492*3 +.(*3 @
! ) +/*10 ) -.*3 64 ) 98*3 <+ ) .* ) 0 95 8*702
!#"
" ) 2*3 0 ) 92*390 ) -(*7 ) 0(*39 --(* ) 4
45.*3 60 ) .*3 ) 98*3 <+ ) .*7 54 45.*7-5
--.*1 ) *1-8 ) +/*1 =+ ) +/*1 =+ ) *14=+
0 -/. -/,. + * ')(* &
%$
#$ (*708 -4(* 4:98*,+ ) (* >9 ) :*70
#% " 054.*74:9 5.*75-50.*7450 -54.*3960 - ) *7- )
Výsledky rozpoznávání řeči s předzpracováním řeči s šumem Rozpoznávač izolovaných slov, standardní MFCC parametrizace Trénování i testování - zašuměná řeč, spektrální odečítání
23 01
& ! #7
')(*'+ '2)( & '2)(502 ' & (*0 +2)(50'
! ',-(*',+ '/03(*+,' ',2-( & ',-(*',+ +,'-(*.,+
!"
" ')(*+ '04(5 & '2)(* '2)(* '3 /(*.
',.-(*/ ',-(5 '/03(5 & '/03(5 & '/ 3(*./0
+-(10 '.-(6.' ' & (10' ')(50 '.-(6'3
/ ,.,.+* ) &(') % #$
#$ /2 03(*. +2)(*.3 ' )(*'. ' & (* & '.)(5 0
#% " /03(*., 2/ 3(*',. +, -( &,& +,-(50, +,'-(*4
Robustní parametrizace řeči pro kompenzaci aditivního šumu
Spektrální odečítání lze použít různé techniky pro zvýrazňování řeči (obvykle spíše jednokanálové systémy) odstranění šumu se provede pouze ve frekvenční oblasti → zpětný převod do časové oblasti není nutný
otázka vlivu zkreslení řečového signálu (potlačení informace) Možnost zařazení potlačení aditivního rušení ve frekvenční oblasti standardní MFCC, PLP různý vliv na jednotlivé techniky (LPC vs. DCT) TRAPs (základem je též banka filtrů) - nadějné, zatím spíše v základním výzkumu
CMS - Cepstral Mean Subtraction Potlačení konvolučního rušení (především vlivu kanálu) Vstupní předpoklad: x[n] = s[n] ? h[n]
⇒
cx = cs + ch
Průměrné kepstrum všech L segmentů signálu je dané vztahem L−1
cx =
1X cs [i] + ch = cs + ch L i=0
pro dostatečné množství segmentů platí cs → 0. ⇓ cx = b ch
b cs [i] = cx [i] − cx = cs [i] + ch − b ch ≈ cs [i]
VTLN - Vocal Tract Length Normalization
Zvýšení robustnosti kompenzací variability mezi mluvčími Výchozí předpoklad - délka vokálního traktu je nepřímo úměrná formantovým frekvencím VTL =
(2i − 1) · c 4Fi
Řešení - warpovací funkce a warpovací faktor pro transformaci frekvenční osy
VTLN - Vocal Tract Length Normalization Ilustrační obrázek vlivu warpování frekvenční osy
Převzato z: David Suendermann, Guntram Strecha, Antonio Bonafonte, Harald Hoege, Hermann Ney: Evaluation of VTLN-Based Voice Conversion for Embedded Speech Synthesis, In Interspeech 2005.
VTLN - Vocal Tract Length Normalization
Ilustrace principu warpovacích funkcí
Převzato z: Xiaodong Cui and Abeer Alwan: MLLR-Like Speaker Adaptation Based on Linearization of VTLN with MFCC Features. In Interspeech 2005.
VTLN - Vocal Tract Length Normalization Nelineární zkreslení - warpovací faktor α : 0, 88 ≤ α ≤ 1, 12 ηα (f ) = f ·
1 + arctan
f (1 − α) sin 2π fmez
f 1 − (1 − α) cos 2π fmez
!
4000
3500
Warped frequency
3000
2500
2000
1500
1000
500
0
0
500
1000
1500
2000 2500 Linear frequency
3000
3500
4000
warpují se často jen mezní frekvence použité BF (MFCC, PLP) parametr α se odhaduje maximalizací pravděpodobnosti (analogie trénování)
VTLN - Vocal Tract Length Normalization Lineární zkreslení - warpovací faktor α : 0, 88 ≤ α ≤ 1, 12 ηα (f ) =
αf
αfo +
fmez 2 − αfo fmez 2 − fo
pro 0 ≤ f < fo (f − fo )
pro fo ≤ f < fmez
4500
4000
3500
Warped frequency
3000
2500
2000
1500
1000
500
0
0
500
1000
1500
2000 2500 Linear frequency
3000
3500
aproximace nelineární warpovací funkce parametr α se odhaduje opět trénováním
4000
Lombardův jev (LE)
Změny v produkci řeči pod vlivem šumu zvýšení intezity promluvy posun základního tónu řeči (při rozpoznávání menší vliv) posun formantových kmitočtů VÝRAZNÝ VLIV NA ROZPOZNÁVÁNÍ podobný efekt má vliv stresu či jiných emocí (emotional speech recognition)
200
3.2. Fundamental frequency ˆ s2,i and σˆ n2,i ) have to be estimated. Noise speech and noise ( σ estimated speech pause by standard exponential f0power was istracked in inthe WaveSurfer [10]. Tracking was estimation in voiced parts of all neutral and noisy speech performed 2 utterances. descriptions, letters ‘F’ and (2) ‘M’ σˆ n2,i =Inp ⋅the σˆ n2,i −graph 1 + (1 − p ) ⋅ σ x , i for VADi = 0, represent female and male data respectively. σˆ n2,i = σˆ n2,i −1 for VADi = 1. (3)
estimation error [8]. Precision of the estimation is very 0 sensitive to correct10VAD classification. Detector based70on -10 30 50 SNR (dB) differential cepstral analysis was used. The details are described in [9]. Figure 2: CLSD channel SNRs.
Engine On
70
Frequency (Hz)
Rs.
300
SPEECON Channelf0SNR Histograms Figure 3: SPEECON distribution.
Number of Utterances
250 200 150
Close-talk Office Hands-free Office Close-talk Car Hands-free Car
100 50
10
250
30 SNR (dB)
50
70
CZKCC Channel SNR Histograms
er of Utterances
200
150
1
50
0 3.2.
0 -10
Number of Frames (x 1000)
ngine On
8
Office_F (4) σˆ s2,i = σ x2,i − σˆ n2, i . Car_F In 6principle, the algorithm estimates standard global SNR Office_M evaluated over speech activity regions only. The segmental Car_M 4 approach and the averaging of linear power ratios give lower estimation error [8]. Precision of the estimation is very 2 sensitive to correct VAD classification. Detector based on differential cepstral analysis was used. The details are 0 described in [9]. 70 170 270 370 470 570
Number of of Frames (x 10 000) Number Utterances
Engine Off
Number of Frames (x 10 000)
ngine Off
Since CZKCC and CLSD were recorded by two 300 SPEECON Channel SNR Histograms microphones, SPEECON SNR distributions are also depicted only for first twoFrequency channels.Distribution In CZKCC a CZKCC -the Fundamental 16 250 directional microphone was used in the distant position, 14 which explains higher average SNR in the distant 200 12 microphone ‘engine on’ channel than in SPEECON. 10 Sometimes it is necessary to modify gain of the 150 Off_F Close-talk Office to Drv_F 8 microphone preamplifier during the recording Hands-freesession Office Off_M avoid voiceCar intensity. Close-talk 100 signal clipping when speaker changes 6 Drv_M Car voice In consequence, it becomes impossible Hands-free to evaluate 4 intensity changes directly from the amplitude of the recorded 50 2 speech signal. In case the ambient noise can be considered relative voice intensity changes can be estimated 0 stationary, 0 70 170 470 570 the -10 10 30 gain 370 50 changed 70 from the SNR even 270 with being during Frequency(dB) (Hz) session. Moreover, if the SNR absolute level of the ambient noise was known, absolute level of vocal intensity could be 250 CZKCC Channel SNR Histograms 7 estimated (but CLSD it was- not our case).Frequency Distribution Fundamental In SPEECON and CZKCC environmental characteristics 6 200 changed significantly when comparing office and car or 5 standing car with engine off and moving car scenarios, but in 150 of CLSD ambient noise can be consideredClean_F stationary 4 case Close-talk Engine LE_FOff and thus SNR histograms relate to overall vocal intensity Clean_M 3 Distant Mike Engine Off that changes in neutral and Lombard speech. It is obvious LE_M 100 voice intensity rises significantly for the Lombard speech, 2 Close-talk Engine On see Fig. 2.
Number of Utterances
12
If the speechSPEECON and noise signals canFrequency be considered to be - Fundamental Distribution uncorrelated, speech power can be estimated by subtraction 10 of noise power from the mixture power
Close-talk Engine Off Distant Mike Engine Off
Distant Mike Engine On
Fundamental frequency
70
170
270 370 the WaveSurfer Frequency (Hz)
570
In case 12 of SPEECON, see Fig. 3, and CZKCC, Fig. 4, shifts SPEECON - Fundamental Frequency Distribution observable but not significant. In case of in f0 distribution are CLSD, 10Fig. 4, maximum of the LE male f0 distribution appears 8at the higher frequency than maximum of neutral Office_F female distribution while female maximum moves to Car_F 6
1200
3.2. Fundam 1000
f0 was track 300 performed in utterances. I 2400 represent fem 2200
12
2000
10 8 6
1800 1600 1400
4
1200 2
1000 470
0 was tracked in [10]. Tracking was 10 30 50 70 performed in voiced parts of(dB) all neutral and noisy speech SNR utterances. In the graph descriptions, letters ‘F’ and ‘M’ Figure 4: CZKCC and CLSD f0 distribution. Figure 1 : SPEECON and CZKCC channel SNRs. represent female and male data respectively.
f0 -10
ames (x 10 000)
70
microphone avoid signal In consequen intensity cha speech signa stationary, re from the SN session. Mor was known, estimated 2400(bu In SPEEC 2200 changed sign standing car 2000 case of CLS 1800 and thus SN changes in n 1600 voice intensi see Fig.1400 2. F2 (Hz)
Hands-free LE
400
F2 (Hz)
voice intensity rises significantly for the Lombard speech, possible to evaluate only the power of mixture σ x2,i as the
evaluated over speech activity regions only. The segmental see Fig. 2. Přítomnost Lombardova DBpower ratios give lower approach and the averaging of linear signal is supposed to contain noise all the time.jevu Powers of v dostupných
Number of Frames (x 10 000)
free Car
300
0 70
F
Changes observed Formant changes i be observ of first tw
3.3. Formants
containing digits. Difference in phoneme duration in the
same word uttered in two different scenarios was evaluated Přítomnost Lombardova jevu DB Formant analysis was performed on utterances containingv dostupných as shown in Eq. 5.
digits. Monophone HTK [11] recognizer trained on 70 SPEECON office sessions was used for the forced alignment. 12th order LPC was chosen for formant tracking performed by the WaveSurfer. Information about first four formant frequencies and bandwidths were assigned to corresponding phonemes. In the following figures, positions of first two female formants of the selected vowels appearing in Czech digits are presented.
2200
12
2000
10
F2 (Hz)
8 6
2
1200
70
Neutral Off_F LE Drv_F Off_M /a'/ Drv_M
/e'/ /o'/ /u'/
1000 170 300
2200 2000
/e/
1600 1400
0
1600
/o/
1200 1000
270 370 400 450 Frequency (Hz)
500 F1 (Hz)
470 550
600
570 650
700
(5)
LE
Word
#N
TN (s) σTn (%) # LE
Nula
349
0,475
1400
/u/ 350
1800
TC 2 − TC1 ⋅ 100 (%), TC1
TCx represents average phoneme duration in scenario x. In SPEECON, phoneme duration differences did not exceed 38 %. In case of CZKCC, greatest duration changes were observed in the word 'štiri' (phoneme /r/ – 79 %) and in %).Formants Most significant the word 'sedm' (phoneme /e/ – 73 CZKCC - Female Vowel /i'/ differences phoneme duration were observed /i/ Engine Off vs. Engine Drivein the CLSD database, e.g. in word ‘jedna’ (/e/ – 161 %), ‘pjet’ (/e/ – 174 /e'/ systematical changes in %), ‘devjet’ (2nd /e/ – 177 %). No /e/ word duration were observed in SPEECON. Neutral
/a/
300 Dvje350
/o'/ 326 0,560 /a'/ /o/
34,48
13,62
251
0,607
26,27
8,58
245400 0,426 450 10,56 500
255 550
0,483 600
65032,51700
13,57
F1 (Hz)
2400
⇓ /i'/ /i/ /e'/ /e/ Oproti předpokladu je LE přítomen v menší míře (Čtené promluvy, bez zpětné vazby)
CLSD - Fundamental Frequency Distribution
CLSD - Female Vowel Formants
2200
6 5
2000
Clean_F LE_F Clean_M LE_M
4 3
1800 1600
2
1400
1
1200
0
1000 70
170
270 370 Frequency (Hz)
470
570
/a'/
/a/
/o'/
/u'/
400
Neutral LE
/o/
/u/ 300
∆ (%)
11,68
/u'/ /u/ 269 0,559
Jedna
TLE (s) /a/ σTle (%)
Figure 7: CZKCC - word duration changes.
Figure 5: Positions of female F1, F2 – SPEECON.
7 Number of Frames (x 10 000)
/i'/
1800
4
2400
CZKCC - Fundamental Frequency Distribution SPEECON - Female Vowel Formants Office vs. Car /i/
F2 (Hz)
Number of Frames (x 1000)
14
F2 (Hz)
2400
16
∆=
500
600 F1 (Hz)
700
800
900
Figure 4: CZKCC and CLSD f0 distribution.
Figure 6: Female F1, F2 – CZKCC and CLSD.
In case of SPEECON, see Fig. 3, and CZKCC, Fig. 4, shifts in f0 distribution are observable but not significant. In case of CLSD, Fig. 4, maximum of the LE male f0 distribution appears at the higher frequency than maximum of neutral
Changes in first two formant F1, F2 locations can be observed for SPEECON, Fig. 5, and CZKCC, Fig. 6. Formant bandwidths did not display any systematical changes in different scenarios. Significant formant shifts can
17,82
8 6 4
8 6
Off_F Drv_F Off_M Drv_M
1800
4
1800
LE
/a/
1400
1400
/u'/ /u/
2
1200
1200
0
0
1000
1000 350 300
7
6
6
5 4 3 2 1 0 70
annel distribution
470570
570
300
CLSD - Fundamental Frequency Distribution CLSD - Fundamental Frequency Distribution
5 Clean_F LE_F Clean_M LE_M
4 3
Clean_F LE_F Clean_M LE_M
F2 (Hz)
Number of Frames (x 10 000)
7
170 270 270370 370 470 Frequency (Hz) Frequency (Hz)
2400
2400
2200
2200/i/
2000
2000
1800
1800
1600
F2 (Hz)
70 170
1400
1400
1
1200
1200
0
1000
1000
170 270 270 370 370 470 Frequency (Hz) Frequency (Hz)
470 570
570
Figure 4: CZKCC and CLSD distribution. Figure 4: CZKCC andf0CLSD f0 distribution. 1600
Number of Utterances
x ,i
450 400
/i'/ /i/
500 450 F1 (Hz)
/o'/ /o/
/a/
/o'/ /a'/ /o/
550 600 500 550 F1 (Hz)
/a'/
650 600
700 650
CLSD - Female Formants CLSD -Vowel Female Vowel Formants /i'/ /e'/ /e'/ /e/
/e/ /a'/ /a/
/u'/ /u/
400 300
500 400
/a'/
/a/ /o'/
/u'/
/u/
700
/o/
/o/
600 500 F1 (Hz)
700 600 F1 (Hz)
/o'/
Neutral LE
800 700
Neutral LE
900 800
900
Figure 6: Female CZKCC and CLSD. Figure 6: F Female and CLSD. 1, F2 – F 1, F2 – CZKCC
CLSD Channel SNR Histograms
In case of see Fig. see 3, and Fig. 4, shifts In SPEECON, case of SPEECON, Fig.CZKCC, 3, and CZKCC, Fig. 4, shifts 1400 are observable but not significant. In case of in f0 distribution are observable but not significant. In case of in f0 distribution 1200 L σˆ 2 f distribution CLSD, Fig. 4, Fig. maximum of the LE male f distribution 4, maximum of the LE male ,j sCLSD, 0 0 (1) SNR = 10log ∑ 2 , 1000 appears at the higher frequency than maximum of neutral at the higher frequency than maximum of neutral j =1 σˆ nappears ,j female distribution while female maximum moves moves to distribution while female maximum to 800 index of frames withfemale speech activity since the of typical first formant appearance of certain location of typical first formant appearance of certain valuated onlylocation for short-time frames containing 600 f phonemes in neutral speech. During the recognition, f0 phonemes in neutral speech. During the recognition, 0 =1 for each j. For each short-time frame it is be wrongly interpreted as F1. 400 component may interpreted as F1. valuate only component the power ofmay mixture σ 2 beaswrongly the
segmental SNR was evaluated as
300
400 350
/u'/ /u/
1600
2
70 170
LE
1600
2
70
Number of Frames (x 10 000)
1600
F2 (Hz
Off_F Drv_F Off_M Drv_M
F2 (Hz
Number of Fram
Number of Fram
10
Analýza přítomnosti LE v CLSD05
ChangesChanges in first intwo F1, F2 Flocations can be can be firstformant two formant 1, F2 locations observedobserved for SPEECON, Fig. 5, Fig. and 5,CZKCC, Fig. 6. Fig. 6. for SPEECON, and CZKCC, FormantFormant bandwidths did notdiddisplay any systematical bandwidths not display any systematical changeschanges in different scenarios. Significant formant formant shifts can in different scenarios. Significant shifts can be observed in the CLSD, 6. Also narrowing be observed in the Fig. CLSD, Fig. significant 6. Also significant narrowing Close-talk Clean of first two formant bandwidths has beenhas observed. of first two formant bandwidths been observed. Hands-free Clean Close-talk LE
3.4. Phoneme and word durations Hands-free LE and 3.4. Phoneme word durations
AverageAverage phonemephoneme durations were evaluated for utterances durations were evaluated for utterances 200 containing digits. Difference in phoneme durationduration in the in the containing digits. Difference in phoneme 0 same word uttered in two different scenarios was evaluated same word uttered in two different scenarios was evaluated FormantFormant analysisanalysis was performed on utterances containing was performed on utterances containing -10 10 30 50 70 mated in speech pause by standard exponential shownasinshown Eq. 5.in Eq. 5. digits. Monophone HTK [11] trained trained on 70 on 70SNRas(dB) digits. Monophone HTKrecognizer [11] recognizer Figure 2 : CLSD channel SNRs. SPEECON office sessions was used SPEECON office sessions was for usedtheforforced the forced TC 2 − TC1TC 2 − TC1 (2) p ⋅ σˆ n2,i −1 + (1 −alignment. p ) ⋅ σ x2,i for VAD = 0,12thLPC was chosen formant trackingtracking 12th iorder order LPC was for chosen for formant alignment. (5) (5) ∆ = ⋅ 100 (%), ⋅ 100 (%), Since CZKCC and CLSD were recorded∆ =by Ttwo TC1 C1 for VADperformed σˆ n2,i = σˆ n2,i −1 performed by the WaveSurfer. Information about first fourfirst fourSNR distributions are also by the (3) WaveSurfer. Information about i = 1. microphones, SPEECON formant frequencies and bandwidths were assigned to formant frequencies assigned to two TCx channels. represents phoneme durationduration in scenario x. TCx represents average phoneme in scenario x. h and noise signals can be considered to beand bandwidths depicted were only for the first Inaverage CZKCC a corresponding phonemes. In the following figures, figures, positions phonemes. In the following positions In the SPEECON, phonemephoneme durationduration differences did not did not In SPEECON, differences speech power can becorresponding estimated by subtraction directional microphone was used in distant position, of first formantsformants of thewhich vowels oftwo firstfemale two female ofselected theexplains selected vowels exceed 38 %. of case CZKCC, greatest greatest durationduration changeschanges er from the mixture power higher average SNR in In the distant exceed 38case %. In of CZKCC,
posed to contain all Formants the time. Powers of 3.3. noise Formants 3.3. oise ( σˆ s2,i and σˆ n2,i ) have to be estimated. Noise
Možnosti kompenzace LE
Konverze hlasu - změna fo resp. dalších parametrů Speciální parametrizace - daty řízený návrh BF s optimalizovaným rozložením pásem Frekvenční transformace formantových kmitočtů - obdoba VTLN, počítáno na základě intezity LE
Děkuji vám za pozornost !
