способ улучшения восприятия синтезированной речи при реализации процедуры анализа через синтез в вокодерах с линейным предсказанием

Формула изобретения

Способ улучшения восприятия синтезированной речи при реализации процедуры анализа через синтез в вокодерах с линейным предсказанием, основанный на том, что на передающей стороне итерационно синтезируют речевой сигнал на длительности участка квазистационарности речи, изменяя при каждой итерации параметры кодека в соответствии с используемым алгоритмом линейного предсказания для вычисления наилучших в рамках заданных ограничений параметров кодека с линейным предсказанием, отличающийся тем, что вводят итерационный расчет критерия модифицированного искажения спектра барков, изменяя при каждой итерации параметры кодека в соответствии с используемым алгоритмом линейного предсказания, далее вычисляют минимальное перцептуальное искажение, при этом параметры кодека, соответствующие данной итерации, считают наилучшими и используют для синтеза речевого сигнала на длительности участка квазистационарности речи на приемной стороне.

Описание изобретения к патенту

Изобретение относится к области цифровой связи и может быть использовано в системах телеинформационных коммуникаций при реализации процедуры анализа через синтез в вокодерах с линейным предсказанием.

В настоящее время наблюдается широкое использование информационных технологий в телекоммуникационных сетях связи. Переход к цифровой обработке сигналов и пакетной передаче данных позволил предоставить пользователям более широкий спектр инфокоммуникационных услуг. При этом достаточно большую часть телетрафика в различных приложениях составляет передача речевых сигналов.

Основной проблемой цифрового представления речевого сигнала является задача качественного и компактного кодирования данных для их передачи по цифровым каналам связи. Решение этой проблемы позволит в условиях заданного критерия качества связи увеличить пропускную способность линейных трактов и каналов передачи. Часто в некоторых задачах кодирования речевого сигнала предполагается снизить скорость передачи при сохранении качественных показателей ее восприятия. В кодеках речевых сигналов с переменной скоростью передачи, ориентированных на использование в системах связи основанных на принципе коммутации пакетов уместно говорить о снижении средней скорости передачи при сохранении качественных показателей синтезированного речевого сигнала.

Среди многообразия методов кодирования речевых сигналов одним из наиболее эффективных является метод линейного предсказания. Метод линейного предсказания речи принадлежит к классу методов, использующих модель речевого сигнала в виде отклика линейной системы с переменными параметрами (голосового тракта) на соответствующий сигнал возбуждения (порождающий сигнал). Анализатор речепреобразующего устройства выделяет из короткого сегмента речевого сигнала параметры состояния линейной системы и сигнала возбуждения, позволяющие синтезатору восстановить исходный сигнал с требуемой степенью верности. Для повышения качества синтезированного речевого сигнала во многих алгоритмах кодирования речи на основе линейного предсказания усложняют представления сигнала возбуждения для того, чтобы с одной стороны компактно передать его на приемную сторону, а с другой - приблизить его к виду ошибки предсказания как идеальному сигналу воздействия на фильтр синтеза. Дополнительно вводятся разные варианты квантования различных параметров липредера (скалярное, векторное и каскадное векторное).

Известны различные алгоритмы низкоскоростного кодирования речи в вокодерах с линейным предсказанием (О.И.Шелухин, Н.Ф.Лукьянцев Цифровая обработка и передача речи. - М.: Радио и Связь, 2000 г. - С.102-166; Рабинер Л.Р., Шафер Р.В. Цифровая обработка речевых сигналов. - М.: Радио и связь, 1981. - С.365-428). Во многих из них одной из базовых операций при низкоскоростном кодировании является процедура анализа через синтез. Достаточно подробно ее описание представлено в (О.И.Шелухин, Н.Ф.Лукьянцев Цифровая обработка и передача речи. - М.: Радио и Связь, 2000 г. - С.108-112).

Данная процедура является итерационной и направлена на вычисление наилучших в рамках заданных ограничений параметров кодека с линейным предсказанием, при этом V - количество возможных итераций. При этом в кодере реализуется синтез речевого сигнала и дальнейший анализ пригодности выбранных параметров с целью их передачи по каналу связи на приемную сторону, где будет реализована процедура синтеза. Отсюда и название данной процедуры.

Исследования в области речевого кодирования указали на необходимость использования перцептуальных особенностей слуха человека (Попов О.Б., Рихтер С.Г. Цифровая обработка сигналов в трактах звукового вещания. Учебное пособие для вузов. - М.: Горячая линия - Телеком, 2007. - С.13-21, 123-132). Однако до сих пор в качестве критерия выбора параметров кодека с линейным предсказанием при реализации процедуры анализа через синтез используются либо среднеквадратическое отклонение (1), либо суммарное (2) или сегментированное (3) отношение сигнал/шум (ОСШ), основанные на метрике Евклида и не учитывающие перцептуальную важность параметров кодека при синтезе речевого сигнала (патенты US № 5235669 от 10.08.1993, RU № 2248619 от 20.03.2005, RU № 2331933 от 20.08.2008, RU № 2343564 от 10.01.2009, US № 6859775 от 22.02.2005).

где S(i) - вектор входных значений;

S'(i) - вектор оценок;

N - общее количество отсчетов в исследуемом речевом фрагменте.

В выражении (1) допускается, что искажения, вносимые каждым элементом вектора , имеют равный вес. В общем случае для отражения вклада отдельных элементов в искажение вводятся неравные веса в виде взвешивающей матрицы. Указанный метод позволяет лишь сравнить форму огибающих исходного и синтезированного речевого сигнала. Поэтому для количественной оценки качества звучания синтезированного речевого сигнала во временной области чаще используют критерий отношения сигнал/шум:

S(i) и S'(i)-i-e отсчеты исходной и синтезированной речи;

N - общее количество отсчетов в исследуемом речевом фрагменте.

ОСШ учитывает общие мощности сигнала и шума на всей длительности испытательного сигнала. При исследовании некоторых речевых кодеков большое значение имеют кратковременные отношения сигнал/шум, вычисленные на коротких сегментах речевого сигнала. Таким образом, учитывается сегментный характер слухового восприятия элементов речи. Критерий сегментного отношения сигнал/шум (ОСШ_сег,) имеет вид:

где S(i) и S'(i) - вычисленные на m-м сегменте i-е отсчеты исходного и синтезированного речевых сигналов;

N - длина сегмента;

М - число сегментов в речевом фрагменте.

Однако приведенные критерии объективного метода оценивания, отражают степень зашумленности речевого сигнала и показывают слабую корреляцию с результатами субъективных тестов при прослушивании речевых сегментов. Следует отметить, что если качество кодеров формы речевой волны может быть оценено по степени соответствия формы огибающей восстановленного речевого сигнала исходному с помощью названных критериев, то для алгоритмов низкоскоростного параметрического сжатия на основе линейного предсказания точное восстановление формы сигнала является сложной задачей. Следовательно, методы оценивания качества звучания синтезированного речевого сигнала во временной области малоприменимы. Для того чтобы оценка качества звучания речевого сигнала отражала критерии слухового восприятия, принципы ее формирования должны быть основаны на анализе спектрально-корреляционных характеристик речи.

Наиболее близким по технической сущности к заявленному изобретению является патент US № 6073092 от 6.06.2000, в котором производится расчет и минимизация среднеквадратической ошибки при реализации процедуры анализа через синтез в вокодере с линейным предсказанием.

Недостатком используемой процедуры анализа через синтез является несоответствие слухового аппарата человека при восприятии синтезированной речи и используемых критериев близости, определяющих правила анализа пригодности выбранных параметров кодека.

Согласно известному способу для выполнения процедуры анализ через синтез в вокодере с линейным предсказанием на передающей стороне итерационно синтезируют речевой сигнал на длительности участка квазистационарности речи, изменяя при каждой итерации параметры кодека в соответствии с используемым алгоритмом линейного предсказания, на каждой итерации вычисляют среднеквадратическую ошибку между оригинальным и синтезированным речевым сигналом, находят итерацию, соответствующую наименьшей среднеквадратической ошибке, при этом параметры кодека соответствующие данной итерации считают наилучшими и на основе их формируют кадр передачи кодека и производят синтез речевого сигнала на длительности участка квазистационарности речи на приемной стороне.

Задачей изобретения, определяющей его технический результат, является улучшение восприятия синтезированной речи при реализации процедуры анализа через синтез в вокодерах с линейным предсказанием.

Эта задача решается тем, что в способе улучшения восприятия синтезированной речи при реализации процедуры анализа через синтез в вокодерах с линейным предсказанием анализ и выбор наилучших в рамках заданных ограничений параметров кодека с линейным предсказанием будет производиться на основе вычисления оценок по критерию модифицированного искажения спектра барков MBSD (Modified Bark Spectral Distortion) (4):

где M(n,i) и D(n,i) - значения искажений уровня ощущения и разницы интенсивности ощущения сигнала n-го сегмента речи в i-й критической полосе;

N - число сегментов в речевом фрагменте;

К - общее количество критических полос.

Данный критерий является наиболее предпочтительным, так как в нем происходит анализ спектрально-корреляционных характеристик речи, учитываются модели слуха человека, а также он показывает высокую корреляцию с оценками, полученными на основе субъективных тестов прослушивания. Экспериментальные исследования показали, что в случае применения низкоскоростных липредерных систем слуховой аппарат человека более чувствителен к возникающим при этом частотным искажениям, нежели к амплитудным и фазовым (Павловец А.Н., Петровский А.А. Использование закономерностей психоакустики в процедуре квантования параметров гармонической модели речевого сигнала. // Речевые технологии. 4, 2008, с.55-60).

Расчет спектра барков производится согласно выражению (5):

где f - частота, измеренная в Герцах;

b - частота, измеренная в барках.

Более подробно данный вопрос изложен в (Радзишевский А.Ю. Основы аналогового и цифрового звука. - М.: Изд. дом "Вильямс", 2006 - с.105-109). Подробное описание критерия MBSD можно найти в (W.Yang. Enhanced Modified Bark Spectral Distortion (EMBSD): An Objective Speech Quality Measure Based On Audible Distortion And Cognition Model / A Dissertation of the Requirement for the Degree Doctor of Philosophy - May, 1999. pp.63-75).

Согласно данному критерию синтезированный и оригинальный речевые сигналы на сегменте квазистационарности подвергают делению на критические полосы, в каждой из которых вычисляют интенсивность ощущения сигнала и порог шумового маскирования, далее в каждой полосе определяют разность между оригинальным и искаженным значением интенсивности ощущения. Если полученное значение D(n,i) превышает вычисленный порог шумового маскирования NMT(n,i), то уровню ощущения M(n,i) присваивают значение 1, в противном случае значение 0.

Сущность предлагаемого способа заключается в следующем. При реализации процедуры анализа через синтез в вокодерах с линейным предсказанием на передающей стороне итерационно синтезируют речевой сигнал на длительности участка квазистационарности речи, изменяя при каждой итерации параметры кодека в соответствии с используемым алгоритмом линейного предсказания для вычисления наилучших в рамках заданных ограничений параметров кодека с линейным предсказанием, вводят итерационный расчет критерия модифицированного искажения спектра барков, изменяя при каждой итерации параметры кодека в соответствии с используемым алгоритмом линейного предсказания, далее вычисляют минимальное перцептуальное искажение, при этом параметры кодека, соответствующие данной итерации, считают наилучшими и используют для синтеза речевого сигнала на длительности участка квазистационарности речи на приемной стороне.

Алгоритм функционирования предложенной системы, реализующей способ улучшения восприятия синтезированной речи при реализации процедуры анализа через синтез в вокодерах с линейным предсказанием, представлен на фиг.1.

Проведенный анализ уровня техники позволил установить, что аналоги, характеризующиеся совокупностью признаков, тождественных всем признакам заявленного изобретения, отсутствуют, что указывает на соответствие заявленного способа условию патентоспособности "новизна".

Благодаря новой совокупности существенных признаков системы, обеспечивающих введение итерационного расчета критерия модифицированного искажения спектра барков, вычисление минимального перцептуального искажения и определение наилучших в рамках заданных ограничений параметров кодека для передачи по каналу связи в вокодерах с линейным предсказанием, использующих процедуру анализа через синтез, достигается значительное улучшение качества восприятия синтезированной речи на приемной стороне.

Анализ существующих технических решений в данной и смежных областях техники показал, что введенные отличительные признаки в них отсутствуют и не следуют явным образом из уровня техники. Из уровня техники также не выявлена известность влияния предусматриваемых существенными признаками заявленного изобретения преобразований на достижение указанного технического результата. Следовательно, заявленное техническое решение удовлетворяет критерию "изобретательский уровень".

Заявленное техническое решение поясняется чертежом (фиг.2), на котором показана функциональная схема устройства, реализующего способ улучшения восприятия синтезированной речи при реализации процедуры анализа через синтез в вокодерах с линейным предсказанием.

Устройство, реализующее данный способ, состоит из блока формирования сегмента синтезированного речевого сигнала 1, на который непосредственно поступает синтезированный речевой сигнал. Он соединен с блоком вычисления значений спектра барков в критических полосах сегмента синтезированного речевого сигнала 3, в котором происходит формирование совокупности параметров, описывающих спектр барков. Выход блока 3 соединен со входом блока расчета интенсивности ощущения синтезированного речевого сигнала в критических полосах сегмента 5. Оригинальный сегмент речевого сигнала поступает на блок формирования сегмента оригинального речевого сигнала 2. Его выход соединен со входом блока вычисления значений спектра барков в критических полосах сегмента оригинального речевого сигнала 4.

Формирование сегментов речевого сигнала, осуществляемое в блоках 1 и 2, представлено в (Быков С.В., Журавлев В.И., Шалимов И.А. Цифровая телефония: Учеб. пособие для вузов. - М.: Радио и связь, 2003. - с.66-72).

Вычисление значений спектра барков, осуществляемое в блоках 3 и 4, подробно описано в (Радзишевский А.Ю. Основы аналогового и цифрового звука. - М.: Изд. дом «Вильяме», 2006 - с.105-109).

Выход блока 4 соединен со входами блока расчета интенсивности ощущения оригинального речевого сигнала в критических полосах сегмента 6 и блока вычисления порогов шумового маскирования в критических полосах сегмента оригинального речевого сигнала 7. Выходы блоков 5 и 6 соединены со входом блока вычисления разности между оригинальным и искаженным значениями интенсивности ощущения 8. Выходы блоков 7 и 8 соединены со входом блока расчета модифицированного искажения спектра барков 9.

Функционирование блоков 5, 6, 7 и 8 описано в (W.Yang. Enhanced Modified Bark Spectral Distortion (EMBSD): An Objective Speech Quality Measure Based On Audible Distortion And Cognition Model. / A Dissertation of the Requirement for the Degree Doctor of Philosophy. - May, 1999, pp.63-75).

Процедура вычисления MBSD в блоке 9 описывается в (W.Yang, M.Benbouchta and R.Yantomo Performance of a modified bark spectral distortion measure as an objective speech quality measure, IEEE ICASSP, pp.541-544, Seattle, 1998).

Выход блока 9 соединен со входом блока вычисления минимального модифицированного искажения спектра барков 10.

Выход блока 10 соединен со входом блока хранения параметров кодека 11.

Процедуры, описывающие функционирование блоков 10 и 11, представлены в (О.И.Шелухин, Н.Ф.Лукьянцев Цифровая обработка и передача речи. - M.: Радио и Связь, 2000 г. - С.108-112).

Промышленная применимость введенных элементов обусловлена наличием элементной базы, на основе которой они могут быть выполнены.

Устройство, реализующее заявленный способ, функционирует следующим образом. В блоке 1 происходит формирование очередного сегмента синтезированного речевого сигнала на участке квазистационарности, далее он поступает на блок 3 в котором происходит вычисление значений спектра барков в критических полосах сегмента синтезированного речевого сигнала, информация о данных значениях поступает на вход блока 5 в котором производится расчет интенсивности ощущения синтезированного речевого сигнала в критических полосах сегмента. Информация об интенсивности ощущения синтезированного речевого сигнала в критических полосах сегмента с блока 5 далее поступает на первый вход блока 8. В блоке 2 происходит формирование очередного сегмента оригинального речевого сигнала на участке квазистационарности, далее он поступает на блок 4, в котором происходит вычисление значений спектра барков в критических полосах сегмента оригинального речевого сигнала, информация о данных значениях поступает на входы блоков 6 и 7 в котором производится расчет интенсивности ощущения и порогов шумового маскирования в критических полосах сегмента оригинального речевого сигнала соответственно.

Информация об интенсивности ощущения оригинального сигнала в критических полосах сегмента с блока 6 далее поступает на второй вход блока 8, в котором вычисляется разность между оригинальным и искаженным значениями интенсивности ощущения. С блока 8 информация о разности между оригинальным и искаженным значениями интенсивности ощущения подается на первый вход блока 9, на второй его вход подается информация о порогах шумового маскирования в критических полосах сегмента оригинального речевого сигнала, поступающая с блока 7. В блоке 9 осуществляется вычисление оценки MBSD, информация о данной оценке подается на блок 10, в котором производится накопление и расчет минимальной из оценок MBSD в процессе итерационного поиска. С блока 10 информация о номере итерации соответствующей минимальной оценке MBSD на блок 11, который предназначен для хранения наилучших в рамках заданных ограничений параметров кодека с линейным предсказанием.

К достоинствам способа следует отнести тот факт, что в вокодерах с линейным предсказанием устраняется несоответствие слухового аппарата человека при восприятии синтезированной речи и используемых критериев близости, определяющих правила анализа пригодности выбранных параметров кодека при реализации процедуры анализа через синтез. Были проведены экспериментальные испытания согласно (ГОСТ Р 51061-97. Системы низкоскоростной передачи речи по цифровым каналам. Параметры качества речи и методы измерений. - М.: Госстандарт России, 1997. - 230 с.), которые показали, что применение данного способа позволяет повысить субъективное качество восприятия синтезированной речи в среднем на 0,11 балла.

Приведенные технические решения показывают, что устройство, воплощающее изобретение при его осуществлении, способно обеспечить более качественное восприятие синтезированной речи в вокодерах с линейным предсказанием, реализация которых основана на выполнении процедуры анализа через синтез.