1.2.7. Выделение начала и конца слова

Проблема определения начала и конца речевого сообщения является актуальной для многих областей обработки речи. В частности, точное определение границ слова является одним из наиболее важных моментов в распознавании изолированных слов, т.к. большой процент ошибок возникает именно вследствие неправильного определения граничных точек. Проблема определения границ может быть тривиально решена, когда отношение сигнал/шум достаточно велико (порядка 60дБ), например, когда запись слов производится в звукоизолированной комнате с помощью высококачественного микрофона. В этом случае энергия звуков речи с самым низким уровнем (таких, как слабые фрикативы) превышает энергию фонового шума, поэтому граничные точки достаточно легко определить с помощью простого измерения энергии или амплитуды сигнала.

Совсем другая картина наблюдается в случае, когда система распознавания речи работает в реальной обстановке, где отношение сигнал/шум составляет 15-20дБ.

В работе [15] сравнивались три алгоритма определения границ изолированных слов: Word, Word1, Word2. Эксперименты производились непосредственно в машинном зале, где уровень шумов составляет примерно 60дБ.

Алгоритм Word.

Предположим, что s(N) - отсчеты речевого сигнала. Для нахождения границ слова оцениваются абсолютные значения амплитуд сигнала |s(i)|, где i=1,2,...,N.

Устанавливаются следующие пороги:

P1 порог по абсолютному значению амплитуды начала слова;

P2 порог по абсолютному значению амплитуды конца слова;

P3 число отсчетов в начале слова, где сигнал превышает порог Р1;

P4 максимально допустимая величина паузы внутри слова;

P5 минимально допустимая длина слова.

Поиск границ производится в прямом направлении, т.е. от i=1...N.

Алгоритм Word1.

Используется оценка абсолютного значения амплитуды сигнала|s(i)|. Вводится ограничение на количество слов в s(N). Если алгоритм Word может выделить границы нескольких слов, расположенных в s(N) с паузами, превышающими величину P4, то алгоритм Word1 допускает наличие в массиве s(N) только одного слова. Начальная граница ищется точно так же, как в предыдущем алгоритме. Поиск конечной точки производится в обратном направлении (i=N,N-1,...,1).

Количество просматриваемых отсчетов сигнала в данном алгоритме значительно сокращается по сравнению с предыдущим, что существенно повышает его быстродействие. В целях дополнительного повышения скорости работы алгоритма предварительная оценка граничных точек производится с некоторым шагом , где=100 отсчетам (5мс). После получения грубых оценок граничных точек производится возврат на-1 отсчет и уточнение границ с шагом=1.

Алгоритм Word2.

Используются измерения кратковременной энергии и числа переходов через нуль речевого сигнала. Алгоритм Word2 является модифицированным вариантом алгоритма определения граничных точек, описанного в [16]. Обладает способностью самоадаптации к фоновой акустической обстановке. Пороги для решающего правила автоматически настраиваются в соответствии с характеристиками фонового шума, присутствующего в момент записи слова.

Предполагается, что в течение первых 100мс интервала ввода речевой сигнал отсутствует. На этом участке измеряются статистические характеристики фоновой паузы, включающие в себя среднее значение и дисперсию числа переходов через нуль, а также среднее значение кратковременной энергии. На основании этих измерений выбирается порог по числу переходов через нуль. Затем вычисляются два энергетических порога. Для этого используется среднее значение кратковременной энергии паузы и максимальное значение кратковременной энергии речевого сигнала, которое в отличие от значения максимальной энергии, вычисляемого для каждого нового слова в алгоритме, приведенном в [16], фиксировано и задается заранее. Это значительно увеличивает быстродействие алгоритма.

Предварительная оценка граничных точек производится по энергетическим порогам с грубым шагом (где=10 сегментам длительностью 10мс). Уточнение положения границ производится с помощью оценки числа переходов через нуль.

Экспериментальная проверка описанных выше алгоритмов проводилась на словарях из 63^хи 125^ислов. Оценка точности определения граничных точек осуществлялась по картинкам видимой речи. Лучшие результаты показал алгоритм Word2, который допустил наименьшее число ошибок в определении границ.

В [17] предложен другой способ выделения границ, обеспечивающий высокую точность и возможность функционирования в реальном масштабе времени.

В качестве характеристики сигнала используется функция:

, где S(i,l) - i^йотсчет в l^мкадре.

Эта функция информативна как для озвученных, так и для шумовых элементов речи. Сформированный таким образом сигнал далее приводится к уровню шумового фона. Для этого перед началом работы определяется усредненный размах и минимальное значение контура функции на фоне. Сумма этих значений дает порог р, который может адаптироваться к изменениям акустической обстановки. Затем функция F_lпреобразуется согласно условию

В результате получается сигнал нулевого (при отсутствии речевого сигнала) уровня или приведенный контур функции в противном случае. Далее обработка ведется в два этапа. На первом производится определение множеств точек, соответствующих границам. На втором выделяются "всплески" функции F_lи упорядочиваются гипотезы, согласно которым граничные точки объединяются в пары.

В проведенном эксперименте из нескольких сотен слов со сложным с точки зрения выделения границ фонетическим составом было зафиксировано 2% ошибок.

Проблема выделения граничных точек становится особенно важной при распознавании не изолированных слов, а слитной речи.

Вышеописанные методы в ряде случаев способствуют распознаванию слитной речи. В [18] установлено, что в прочитанных текстах прозы паузы совпадают с границами синтаксических единиц, однако, в спонтанной речи одна треть пауз не совпадает с членением речевого потока.