1.3 Сжатие речевых данных на основе кодирования пауз в речевых сообщениях

Статистические измерения показывают, что в процессе диалога речевая активность абонента составляет в среднем около 40 % времени от длительность обмена. Кроме того речь содержит множество кратких перерывов длительностью от 5 до 200 мс, существующих как внутри слов, так и между словами в слитной речи. Суммарная продолжительность перерывов в среднем занимает около 15 % от продолжительности слитной речи. Слуховой аппарат человека обладает определенной разрешающей способностью по времени: девиация длительности кратких перерывов до 50% от их исходного значения практически не ощутима. Этот факт позволяет в несколько раз сократить объем речевых данных при их хранении и передаче, за счет формирования речевых пакетов (РП), соответствующих только активному состоянию диктора.

При записи речевых данных в файл, сокращение объема может быть достигнуто за счет кодирования пауз, объем которых, исходя из вышесказанного, в речевых данных значителен. Кодирование пауз заключается в определении интервала, на котором отсутствуют звуки речи, фиксации начала этого интервала и его длительности. Кроме того, для воспроизведения речи с комфортным звучанием необходимо определить некоторые параметры этого интервала, например значения математического ожидания и наименьшего среднеквадратичного отклонения. Очевидно, что длительность пауз между словами, фразами зависит от дикторов. Кроме того, известно, что речь состоит из фонем перемежающихся паузами, которые так же целесообразно кодировать.

Устройства, реализующие процедуру обнаружения пауз в речи, называются обнаружителями пауз или обнаружителями речи.

1.3.1 Алгоритмы реализации детектора активности речи (vad-Voice Activity Detector)

Методы обнаружения активности диктора (абонента) разделяются на следующие три группы:

• на основе обработки аналогового сигнала;

• на основе обработки цифрового сигнала;

• комбинированные методы.

Для пакетной передачи речи в системах телекоммуникаций наибольший интерес представляют методы второй группы. В этом случае реализация обнаружителей речи в значительной степени зависит от метода преобразования речевого сигнала.

Наиболее простым классифи­катором речевого сигнала является де­тектор активности речи (VAD — Voice Activity Detector), который выделяет во входном речевом сигнале активную речь и паузы. При этом фрагменты сиг­нала, классифицируемые как актив­ная речь, кодируются каким-либо из известных алгоритмов (как правило, методом CELP) с типичной скоростью 4...8 кбит/с. Фрагменты, классифи­цированные как паузы, кодируются и передаются с очень низкой скоростью (порядка 0,1...0,2 кбит/с) или не пере­даются вообще. Передача минималь­ной информации о паузных фрагмен­тах предпочтительна.

При использовании детектора активности речи возмож­ны следующие нежелательные явле­ния: разрывы в речи и возможность того, что шум будет неправильно идентифицирован как речь. Разрывы мо­гут существенно снизить общее качество речи. Вероятность идентифика­ции речи как шума или шума как ре­чи должна быть минимизирована, так как высокий коэффициент активности будет увеличивать интерференцию.

При генерации шума на сторо­не декодера он (шум) должен быть похож на натуральный, например на шум ма­шины или поезда. Этот шум называется комфорт­ным шумом.

Реализация алгоритмов VAD бази­руется на следующих положениях:

• речь является нестационарным сигналом. Форма ее спектра обыч­но изменяется через короткие отрезки времени – 20...30 с;

• фоновый шум обычно стациона­рен на более длинном отрезке времени, немного изменяясь со временем;

• уровень речевого сигнала обыч­но выше уровня фонового шума (в противном случае речь была бы неразбор­чивой).

Сложность задачи построения VAD обусловлена такими факторами, как акустические шумы – наличие шумового фона помещения; наличие коротких шумовых импульсов, кото­рые не несут информации (не явля­ются фонемами или частями фонем), но образуются в процессе синтеза ре­чи; высокими требования к точности и быстроте анализа и др. Последний фактор особенно важен при иденти­фикации активности абонента в слу­чае появления в начале слов корот­ких фонем, соответствующих взрыв­ным звукам – г, к, п, б, д и т.п., длительность которых не превышает 20...25 мс. Срезание начальных фо­нем в этих случаях особенно нежела­тельно, так как это может снизить раз­борчивость речи.

В системах, где уровень фоново­го шума очень низок, для определения участков тишины можно использовать простой энергетический порог сигна­ла. Иллюстрация работы такой разновидности VAD представлена на рисунке 5.7. Входной аналоговый сигнал поступает на вход устройства сравнения, в котором измеряется его амплитуда, и сравнивается с заданным пороговым значением. При превышении амплитудой входного сигнала заданного порога, сигнал поступает на вход кодека и кодируется по определенному алгоритму (интервал Т2 – Т3). Если амплитуда входного сигнала ниже порогового значения (Т1 – Т2), то в момент времени Т1 передается только служебная информация (длиной в несколько бит) о начале паузы, а в момент Т2 о ее окончании. Для выбора порогового значения необходимо постоянно отслеживать уровень шума.

Рис. 5.7. Обнаружение пауз речевого сигнала с помощью энергетической характеристики речевого сигнала

В предложенном подходе выделения интервалов активности и пауз есть один существенный недостаток: зачастую энергия невокализованных звуков (глухие согласные ф, х, ш, с и т. д.) мала и незначительно отличается от энергии шума (паузы) и поэтому, на первом же этапе оценки окон (сравнение значений кратковременной энергии с пороговым уровнем) появляется опасность потери невокализованных звуков, т.е. принятие их за шум. Исходя из этого, необходимо либо снижать пороговое значение, что может привести к обратному эффекту (принятие шумов вместе с невокализованными звуками), либо вместо энергетической характеристики сигнала использовать результаты анализа тонкой структуры частотных характеристик звуков и паузы.

В системах, где существует переменный фоновый шум, нужно использовать более сложный алгоритм. Этот случай типичен для подвижных систем, где радиостанция размещается на движущемся объекте. В этих системах уровень шума очень высок и изме­няется, что делает невозможным при использовании только простого энер­гетического порога отличить смесь речи с фоновым шумом от одного фоно­вого шума. Так как уровень фоново­го шума может меняться, порог дол­жен быть адаптивным. Однако значе­ние порога должно обновляться толь­ко при отсутствии речи. Для этого проверяются спектральные характери­стики для определения, похож ли дан­ный отрезок на речь с часто изменя­ющейся формой спектра или на шум со стационарной спектральной плотно­стью. Так как речь может быть клас­сифицирована как голос с очень сла­бо изменяющимся сильным основным тоном, то для большей уверенности в том, что выделена речь, можно также рассматривать изменение в периодич­ности внутри фрейма.

Структурная схема VAD с обра­боткой в частотной области, применя­емого в системе GSM, приведена на рис. 5.8. Ее работа основана на разли­чии спектральных характеристик речи и шума. VAD определяет спектраль­ные отклонения входного воздействия от спектра фонового шума. Это осуществляется инверсным фильтром, коэф­фициенты которого устанавливаются применительно к воздействию на вхо­де только фонового шума.

При наличии на входе речи и шума инверсный фильтр осуществляет подавление компонентов шума и снижа­ет его интенсивность. Энергия смеси сигнала и шума на выходе инверсного фильтра сравнивается с порогом, который устанавливается в период воз­действия на входе только шума. Этот порог находится выше уровня энергии шумового сигнала. Превышение порогового уровня принимается за наличие на входе реализации сигнал+шум.

Исходными данными для работы алгоритма определения голосовой активности являются р+1 коэффици­ент автокорреляции и четыре коэффициента запаздывания долгосрочно­го предсказателя (один для каждого из четырех подфреймов), которые вы­числяются на каждом фрейме кодером источника RPE-LTP (где р – порядок LPC-анализа). Решение VAD принимается для каждого фрейма в конце теку­щей последовательности процессов об­работки.

Остаточная энергия LPC может быть определена при инверсной LPC-фильтрации текущего фрейма входно­го сигнала с дальнейшим суммирова­нием площадей остаточного сигнала. Процесс включает в себе два этапа об­работки: инверсную LPC-фильтрацию и вычисление энергии. Для повы­шения эффективности вычислений эти два процесса могут быть объединены в один следующим образом:

(5.10)

где Е – остаточная энергия; r(i) и A(i) – коэффициенты автокорреля­ции входного сигнала и средние LPC-коэффициенты, задаваемые соответ­ственно:

(5.11)

где N – размер фрейма анализа (160 выборок);

(5.12)

где a - средний коэффициент. Уравнение (5.11) вычисляется кодером источника для определения его собст­венных LPC-параметров, и для его ис­пользования в алгоритме VAD допол­нительных вычислений не требуется.

Так как спектральные характери­стики фонового шума приняты стационарными на большом отрезке вре­мени, в алгоритме VAD используется усреднение значений автокорреляци­онной функции, относящихся к послед­нему фрейму. С этой целью два набора коэффициентов автокорреляции вычи­сляются следующим образом:

(5.13)

где h представляет текущий фрейм; h-1 – предыдущий фрейм и так да­лее до К-1 фрейма; К – число фреймов, используемых для вычисле­ния средних значений, обычно прини­мается равным четырем.

Средние LPC-параметры as вычи­сляются на основе средних коэффициентов автокорреляции с использованием алгоритма Дурбина. Коэффициенты автокорреляции средних LPC-параметров затем вычисляются с использованием

(5.14)

Рисунок 5.8. Структурная схема VAD с обра­боткой в частотной области

Для определения, является ли сигнал стационарным или нет, сред­ний спектр, представленный усред­ненными автокорреляционными LPC-параметрами А, сравнивается со сред­ними значениями автокорреляции сиг­нала, вычисленными в текущем фрейме с использованием уравнения

(5.15)

Если разница между Dfh и Dfh-i больше, чем установка порога, теку­щей фрейм считается нестационарным, если же меньше, текущий фрейм объявляется стационарным.

Так как речевой сигнал может быть спектрально стационарным длительное время, для различения речи и фонового шума в качестве индикатора используется периодичность речи. Значения задержек LTP для четырех подфреймов сравниваются с наимень­шим значением задержки. Если оставшиеся задержки очень близки к ми­нимальной задержке, фрейм считается периодическим, в противном случае – апериодическим.

Перед принятием окончательного Решения путем сравнения Е с пре­делом энергетического порога U вы­полняется проверка для выяснения, не нужно ли обновить значение поро­га. Порог обновляется, если изменение входного сигнала очень мало, что очень легко подтверждается проверкой значения r(0), или если высока вероят­ность появления неречевого сигнала, что проверяется с использованием ра­нее вычисленной информации о перио­дичности и стационарности. В первом случае, когда r(0) меньше установлен­ного значения Uниж, это показывает на отсутствие сигнала на входе. Энер­гетический порог устанавливается на его нижний предел, и VAD принима­ет решение. Во втором случае, когда r(0) выше Uниж для решения о следую­щем шаге используются вычисленные ранее флаги стационарности и перио­дичности стац и период. Если фла­ги стац и период показывают, что те­кущий входной фрейм стационарный и апериодический, выполняется адапта­ция. Однако для уверенности, что сиг­нал не временно стационарный, про­веряется несколько (обычно восемь) фреймов, чтобы определить, остают­ся ли условия для адаптации до того, как эта адаптация будет выполнена. В этом случае кроме обновления энер­гетического порога U, средние LPC параметры a, которые используют­ся для инверсного фильтра, также об­новляются на вновь вычисленный на­бор а.

После предшествующих этапов обработки путем сравнения Е с U принимается окончательное решение, ели Е>U, то принимается решение наличии речи. Если принимается решение о наличии неречевого сигнала, применяются методы для ограничения возможности разрывов потока речи. Обычно это выполняется путем убавления этапа «накапливание» на входе VAD. Перед принятием окончательного решения о том, что речевой сигнал отсутствует, нужно последовательно продетектировать несколько «неречевых» фреймов. Число таких фреймов определяется длиной отказа накапливания, который составляет 60...100мс (или 5-6 фреймов), или после интервала накопления, все еще есть признаки наличия «не-речи», то выход VAD используется для сообщения этой информации контроллеру прерывистой передачи.

Формирование комфортного шума управляется речевым кодером. Ко­гда VAD обнаружит, что разговор пре­кращен, передатчик остается включен­ным еще в течение следующих пяти фреймов. Во время первых четырех фреймов характеристики фонового шу­ма оцениваются путем усреднения ко­эффициента усиления и коэффициен­тов фильтра LРC-анализа. Эти усред­ненные значения передаются в следу­ющем пятом фрейме, где и содержится информация о комфортном шуме (SID-фрейм). В декодере комфортный шум гене­рируется на основе LPC-анализа SID-фрейма. Для возможности адаптации комфортного шума SID-фреймы посылаются в течение речевых пауз каждые 480 мс.