Procesamiento digital de voz

Transcripción

1 Procesamiento digital de voz Seminario de Audio 2005 Ernesto López Martín Rocamora

2 Producción del habla Aparato fonador Corte transversal de la laringe

3 Sonidos sonoros y sordos Sonidos sonoros Forma de onda casi periódica Vocales, fonemas nasales Sonidos sordos Forma de onda parece aleatoria Consonantes como /s/, /f/, /z/

4 Modelo de producción de la voz Aproximación lineal Filtro lineal Excitación: Tren de impulos Rudio gaussiano

5 Propiedades de la señal de voz Estacionariedad: Señal fuertemente no estacionaria, pero se puede asmuir que para pequeños bloques de muestras la señal es localmente estacionaria Largo del bloque de análisis: Corto - puede no ser suficiente para el algoritmo Largo - estimaciones son promedios a largo plazo En general bloques de 20 a 30 ms son adecuados para la mayoría de las aplicaciones (160 a 240 8kHz).

6 Propiedades de la señal de voz Ancho de banda y fs La mayor parte de la potencia de la señal se encuentra por debajo de los 4 khz En muchos casos fs=8khz es suficiente (ej. telefonía). Otro tipo de aplicaciones requieren fs mayores (ej. 16Khz).

7 Representación espectral Sonidos sonoros Armónicos igualmente espaciados modulados por la transferenica del aparato fonador Sonidos sordos Secuencia aleatoria Al reducir la varianza de la señal no se obtiene sólo la transferencia del aparato fonador

8 Formantes La envolvente espectral tiene un conjunto de picos y valles Los picos se denominan: formantes La cantidad de formantes y su ubicación son características distintivas de cada sonido Las vocales tiene estructuras de formantes bien definidas

9 Teoría de la predicción lineal Modelo lineal de mecanismo de producción de la voz Hipótesis: El aparato fonador puede modelarse por un filtro lineal. Objetivo de LPC Estimar la transferencia del filtro en función de las muestras de entrada y salida.

10 Teoría de la predicción lineal Modelo lineal en el dominio del tiempo El valor de la muestra de salida actual está determinado por la diferencia de la suma de la muestra actual y las q muestras pasadas de entrada con la suma de p muestras pasadas de la salida. Problema: No conocemos la señal excitación u(n).

11 Modelo todo polos Se consideran nulos los coeficientes del numerador Dominio z Dominio del tiempo Aún hay que conocer la muestra actual de la entrada u(n). Se deriva una estimación estadística de los coeficientes a partir de el conocimiento de la estadística de u(n).

12 Modelo de la excitación La autocorrelación y por lo tanto la DEP de un impulso y de ruido gaussiano son idénticas. Los sonidos sonoros y sordos pueden considerarse estadísticamente equivalentes. Puede derivarse un único modelo para los dos tipos de sonidos. Aproximaciones La excitación para sonidos sordos es estrictamente ruido gaussiano. Se considera un tren de impulsos estadísticamente equivalente a un único impulso.

13 Cálculo de los coeficientes Aproximación de s(n) Error de estimación Cálculo de los coeficientes (Mínimos Cuadrados)

14 Envolvente Espectral Una vez obtenidos los coeficientes puede calcularse la Transferencia del aparato fonador y su respuesta al impulso. Función de Transferencia Respuesta al impulso (IIR) Calculando la DFT de la respuesta al impulso se obtiene la respuesta en frecuencia del aparato fonador.

15 Respuesta al Impulso Sonido sonoro. Modelo LPC de orden 12.

16 Envolvente Espectral Sonido sonoro. Modelo LPC de orden 12. El modelo aproxima bien las formantes. Polos dominanates en 500, 1650, 2600 y 3800 Hz. Se pierde detalle entre las formantes (información de los ceros).

17 Envolvente Espectral Sonido sordo. Modelo LPC de orden 12. El modelo funciona también para sonidos sordos. Los sonidos sordos tienen formantes mas débiles.

18 Filtrado Inverso S(z) = H(z).U(z) U(z) = H-1(z).S(z) Modelo razonable de la excitación como tren de pulsos. La excitación provee información sobre la condición sonoro/sordo.

19 Limitantes No se modelan los ceros de la tranferencia. El modelo falla para voces muy agudas.

20 Aplicaciones Síntesis de sonido. Reconocimiento automático de voz (A través de la amplitud y posición de las formantes). Estimación robusta de la frecuencia fundamental utilizando la excitación. Codificación de voz a baja tasa de bits.

21 Deconvolución Cepstral Objetivo: Estimar la función de transferencia del aparato fonador. Ventaja: No se realiza ninguna de las hipótesis necesarias en LPC. Procedimiento: Transformación no lineal para transformar la convolución en suma de secuencias.

22 Cepstrum Separación de la excitación y transferencia Modelo lineal: convolución de excitación y respuesta del aparato fonador Espectro: producto del espectro de la excitación y transferencia. Densidad Espectral de Potencia Cepstrum: suma del cepstrum de la excitación y la transferencia

23 Cepstrum Las variaciones rápidas de la DEP (armónicos) se encuentran en la zona alta de las quefrency. Las variaciones lentas (envolvente espectral) se encuentran en la zona de las bajas quefrency.

24 Para obtener la envolvente espectral se elimina la información de los armónicos y se aplica el proceso inverso (DFT). Liftrado del Cepstrum

25 Envolvente Espectral El cepstrum aproxima mejor el detalle entre las formantes.

26 Limitantes Para voces de frecuencia fundamental alta, la envolvente espectral aparece muestreada en pocos puntos. No es posible separar la excitación de la envolvente espectral.

27 Aplicaciones Reconocimiento automático de voz. Estimación de la frecuencia fundamental a partir de la detección de picos en el cepstrum.

28 Referencias Speech Analysis E. Chilton La voz humana F. Miyara Processing Singing Voice for Music Retrieval E. Pollastri Discrete-time signal processing A.V. Oppenhiem R.W. Schafer