15.2. Структурная схема анализатора речи

Анализаторы подразделяются на два основных класса: анализаторы сигналов и анализаторы сообщений. В анализаторах сигналов достигается сжатие (компрессия) информационного потока сигналов с микрофона (105 бит/c) за счет учета акустических и статистических характеристик речевого сигнала без обращения к его смысловой функции.

Ванализаторах речевых сообщений осуществляется компрессия информационного потока за счет введения операции распознавания смысловых элементов речи (фразы, слова, морфемы, фонемы). Анализаторы речевых сообщений подразделяются на две группы: с ограниченным словарем и универсальные.

Анализаторы ограниченного словаря ориентированы на распознавание заданного конкретной задачей числа речевых команд (обычно 100), то есть на идентификацию одной из произносимых речевых команд словаря в виде номера команды. На этапе распознавания производится сопоставление эталонов команд с произносимой командой и выбора наиболее схожего эталона (рис. 15.6, а).

Универсальные анализаторы ориентированы на текущее распознавание полного набора смысловых элементов речи (фонем или морфем), из которых может быть составлено и

вдальнейшем распознано любое слово или слитно произнесенное речевое сообщение. Распознавание осуществляется лингвистическим процессором по правилам, заложенным в базе знаний (рис. 15.6, б).

Вобщем случае системы речевого общения строятся на базе специализированных речевых процессоров. Анализатор реализуется аппаратно и представляет собой специализированное устройство, включающее в себя радиоэлектронные и вычислительные блоки, зачастую называемое предпроцессором. Предпроцессор - программно-управляемое аналого- во-цифровое устройство, которое осуществляет спектральный анализ речевого сигнала с последующим преобразованием данных в цифровую форму.

Для получения значений шести спектральных параметров звука (при анализе по методу спектральных характеристик речи) электрический сигнал, полученный с микрофона, пропускается через три полосовых фильтра (рис. 15.4) с полосами пропускания, равными поддиапазонам речевого спектра (рис. 15.2, б). В каждом канале трех поддиапазонов пиковый детектор выделяет максимальное значение амплитуд сигналов за время кванта (рис. 15.5); аналого-цифровой преобразователь выдает в двоичном коде значение величины выделенной амплитуды. В процессе работы, особенно в сложных условиях полета, уровень речевого сигнала пилота, поступающего на вход анализатора, может изменяться в несколько раз. Для обеспечения стабильной работы в схему анализатора введены усилители, охваченные глубокой обратной связью, которые осуществляют автоматическую регулировку усиления амплитуды сигнала. В сложных УВв речи служебного назначения число разрядов АЦП обычно берут равным 8-ми, что соответствует 256-ти дискретным уровням сигнала, то есть дискреты квантования по уровню отличаются друг от друга менее, чем на 0,5%. Так получаются 1-й, 2-й и 3-й параметры, описывающие звук.

На выходе порогового устройства получаются полуволны гармонических составляющих спектра сигнала в данном поддиапазоне (рис. 15.5). Число полуволн (число переходов через нуль) подсчитывается счетчиком и выдается в двоичном коде, это - 4-й, 5-й и 6-й параметры.

Затем программно производится объединение или разбиение квантов речи в зависи-

мости от того, установившийся сегмент речи или переходной, параметры соседних квантов которого резко меняются. Для этого необходимо измерять сходство между параметрами двух соседних квантов, а затем и сегментов. При большом сходстве кванты объединяются, если же изменение параметров слишком велико, сегменты разбиваются. Таким образом определяются границы фонем.

15.3. Структура устройств ввода речи

Вторая операция этапа анализа речевого сообщения - машинное описание речи с помощью тех же спектральных характеристик. В зависимости от словаря распознаваемых слов

иот задач ввода - слитная речь или дискретная (“диктовка”), можно описывать фонемы, слоги, слова. Соответственно и эталоны должны быть описаны такими же спектральными характеристиками. Емкость памяти словаря эталонов зависит от числа распознаваемых фонем

ислов. Так, для голосового программирования на языке Си, включающем 65 команд и знаков, емкость памяти для хранения эталонов команд должна быть равна 3,5Кбайт, поскольку для хранения одной последовательности, характеризующей входной речевой сиг-

нал, необходимо 55 байт. Объем программы распознавания в этом случае, написанной в свою очередь на языке Си, составляет 991 строку.

Эталоны слов в виде их описаний на уровне фонем помещаются в словарь, хранящийся в памяти ЭВМ либо в ПЗУ эталонов. Затем полученное на этапе анализа описание сравнивается по типу ассоциативного поиска методом перебора или на матричном процессоре с описаниями всех эталонов. Вводимой фонеме (слову) приписывается имя того эталона, код описания которого наиболее близок к коду описания распознаваемого слухового образа.

Если набор слов ограничен, например, команды управления в АСУ либо система команд алгоритмического языка при голосовом программировании, то распознавать слова и границы между ними довольно просто (рис. 15.6, а). В этом случае алгоритм распознавания речевых команд основан на принципе перцептрона. Из кодовой последовательности, поступившей с анализатора, формируется матрица по определенному шаблону, имеющему вид:

А11 А12 . . . А1m

А21А22 . . . А2m

. . . . . . . . . .

Аn1An2 . . . Amn ,

где Аij - ij-й элемент последовательности, поступившей с анализатора. Аij может принимать значения 1 или 0. Данный шаблон формируется случайным образом, так, чтобы в i-ой строке не оказалось одинаковых элементов Аij. После формирования данной матрицы вычисляется массив yi , причем

Таким образом, для каждой последовательности, поступившей на распознавание, будет сформирован массив y.

Далее производитcя процесс настройки: 1. Вычисляется сумма

i= 1

где yi - элементы массива y для первой последовательности, поступившей с анализатора, λ i

-элементы массива λ, первоначально сформированного случайным образом.

2.Эта сумма должна принадлежать интервалу δ 1 −δ 2. Если S>δ 2, то меняем λ i возведением в степень по формуле:

λki + 1 = λ ki − θλ ki ,

а)

ЭВМ

База знаний

б)

Рис. 15.6. Структуры устройств ввода речевых сообщений: а - ограниченного словаря, б - универсальное

где θ определяет процент, на который происходит изменение λ i. Если S<δ, то:

λ ki + 1 = λ ki + θλ ki .

Процесс изменения λ i происходит до тех пор, пока сумма S не попадет в диапазон δ 1 −δ 2. 3. Пункты 1 и 2 повторяются для каждой последовательности, вводимой в процессор

на распознавание.

Так как после вычисления очередного набора λ i изменились значения сумм, рассчитанных для предыдущих последовательностей, то после вычисления набора λ i для последней последовательности необходимо повторение всего цикла заново. Процесс пересчета λ i конечен и закончится, когда все суммы станут принадлежать своим интервалам δ S1−δ S2.

Таким образом, после вычислений получим набор λ i (i=1, 2, . . . n), с помощью которого вычислениями по формуле для S последовательность, поступившая с анализатора, может быть отнесена к одному из интервалов δ S1−δ S2. По тому, к какому интервалу принадлежит сумма, можно определить, какая команда поступила на анализатор и идентифицирована.

Лучшие из современных программ после предварительной настройки на голос пользователя распознают дискретную речь с ошибкой, не превышающей 5%. При распознавании слитной речи (рис. 15.6, б) число ошибок примерно в 5 раз больше. При спонтанном диалоге ошибок распознавания примерно вдвое больше, чем при чтении текста. С увеличением объема словаря разбиение на слова становится сложнее, качество распознавания падает.

На третьем этапе ввода в ЭВМ поступает последовательность цифровых кодов с существенно меньшим, чем на входе Увв речи, информационным потоком, порядка 10 - 104 бит/с.