CZ67896A3 - Voice detector - Google Patents

Description

Oblast techniky

Vynález se týká detektoru přítomnosti řeči ve vstupním signálu.

hlasu pro zjišťování

Dosavadní stav techniky

Detektor hlasu je zařízení, do něhož je přiváděn vstupní signál s cílem stanovit úseky tohoto signálu obsahující řeč nebo úseky obsahující pouze šum. Jedním zvláště významným použitím takových detektorů hlasu, na něž však tento vynález není omezen, jsou mobilní radiové telefonní systémy, kde údaje o přítomnosti či nepřítomnosti řeči v signálu mohou být využívány pro snížení spotřeby energie a pro snížení interference způsobené vypínáním telefonu v úsecích ticha. U těchto mobilních systémů je v důsledku umístění jednotek ve vozidlech obvykle vysoká úroveň šumu. Další možností je použití u radiových systémů pro zlepšení využití radiového spektra.

Na Obr.l je zobrazen známý detektor hlasu tak, jak je popsán v PCT patentové přihlášce č. W089/08910.

Na jeho vstupu 1 jsou přijímány signály. Pamšt 2 pak obsahuje údaje definující předpoklad nebo model frekvenčního spektra šumu. Tyto údaje jsou následně porovnávány 3. se spektrem přicházejícího signálu a získá se míra jejich podobnosti, která se dále porovnává 4 s prahovou hodnotou. Pro sledování změn v šumové složce je model šumu aktualizován ze vstupu a to pouze v době nepřítomnosti řeči ve vstupním signálu. Rovněž uvedená prahová hodnota může být upravována (adaptérem .

S cílem zaručit, že k úpravám modelu šumu dojde jenom v obdobích, kdy vstupní signál obsahuje, pouze______šum, __ ^^ez nebezpečí postupné nesprávné aktualizace, která by následovala po špatném rozhodnutí, je jeho úprava prováděna za řízení pomocným detektorem 7., který zahrnuje detektor nehlasových zvuků 8. a detektor hlasových zvuků 2. Pomocný detektor ]_ považuje řeč za přítomnou ve vstupním signálu, jestliže oba detektory 8. a 9. zjistí zvuk. Po tomto zjištění je následně umožněna aktualizace šumového modelu i úprava prahové hodnoty hlavního detektoru. Detektor nehlasových zvuků .§. získává sadu LPC koeficientů signálu a porovnává autokorelační funkci těchto koeficientů mezi po sobě následujícími snímky, zatímco'detektor hlasových zvuků £ zkoumá změny autokorelace LPC zbytkového signálu.

Toto uspořádání je velmi úspěšné pro rozlišování úseků řeči a úseků v nichž je přijímán pouze šum. Problém je však v tom, že pomocný detektor 7 považuje za běžný šum i signální tóny (tj . pomocný detektor 7 v nich nerozpozná řeč) tak, že hlavní detektor aktualizuje model šumu podle těchto tónu, jako kdyby byly šumem, a dále v tom, že dojde k zabránění přenosu signálních tónů, nebo alespoň k předčasnému přerušení jejich přenosu.

Tento problém by bylo možno překonat přidáním tónových detektoru, přičemž každý by byl naladěn na frekvenci konkrétního signálního tónu. Rozmanitost jednotlivých signálních tónů ve světě je však značná, takže by bylo potřeba velkého množství jednotlivých detektorů, aby například uživatel mobilního telefonu uskutečňující mezinárodní hovor mohl slyšet obsazovací tón nezávisle na zemi v které vznikl.

Podstata vynálezu

Detektoru hlasu pro zjištování přítomnosti řeči ve vstupním signálu zahrnuje:

a) prostředky pro uchování modelu šumové složky vstupního signálu;

b) prostředky zjištující spektrální podobnost vstupního signálu s uloženým modelem šumu pro vytváření výstupního rozhodovacího signálu;

c) prostředky pro aktualizaci uloženého modelu šumu;

d) pomocný detektor uspořádaný pro ovládání aktualizačních prostředků tak, aby k aktualizaci došlo pouze v době, kdy pomocný detektor udává, že vstupní signál neobsahuje řeč.

Podstata řešení podle tohoto vynálezu pak spočívá v tom, že detektor hlasu zahrnuje prostředky pro výpočet parametru předurčeného zisku vstupního signálu a dále modifikační prostředky uspořádané pro znemožnění aktualizace uloženého modelu šumu v případě, že předurčený zisk překročí prahovou hodnotu.

Objasnění obrázků na výkresech

Následně budou popsána některá provedení tohoto vynálezu s odkazem na přiložené výkresy, kde;

Obr.l zobrazuje blokové schéma známého detektoru hlasu podle PCT přihlášky vynálezu č.W089/08910;

Obr.2 představuje blokové schéma zvukového kodéru s detektorem hlasu podle tohoto vynálezu;

Obr. 3 a Obr.4 ukazují graficky hodnoty předurčeného zisku u různých vstupních signálů;

Obr.5, Obr.6 a Obr.7 představují bloková schémata dalších provedení tohoto vynálezu.

Příklady uskutečnění vynálezu

Běžný zvukový kodér 1.00 na Obr . 2 má zvukový vstup 101. Zvukový signál· je zde vzorkován při 8 kHz a převáděn do digitální formy analogově-digitálním převodníkem 102. Jednotka 103 rozděluje zvukové vzorky do snímků s (například) 160 vzorky (tj . do 20ms vzorků) a multipluje je funkcí, která snižuje podíl vzorků na začátku a na konci snímku. Korelátor 104 přijímá digitalizované zvukové vzorky a vytváří pro každý snímek autokorelační koeficienty Rj_. Jednotka LPC analýzy 105 vypočítává za použití známé metody, např. Levinson-Durbinovým nebo Schurrovým algoritmem, koeficienty a-j. filtru (někdy označovaného jako syntézní filtr), majícího frekvenční charakteristiku, která odpovídá frekvenčnímu spektru vstupního zvukového signálu.

Digitalizovaný vstupní signál prochází rovněž inverzním filtrem (nebo anaiýzním filtrem) 106, ovládaným koeficienty, pro vytvoření zbytkového signálu, který je dále analyzován jednotkou 107 dlouhodobé předpovědi, která vypočítává optimální zpoždění pro předurčení LPC zbytkového signálu z jeho předchozích hodnot a odpovídající hodnotu zisku pro předurčení. Analyzní jednotka 106 vytváří také druhý zbytkový signál (tj . rozdíl mezi současným LPC zbytkovým signálem a LPC zbytkovým signálem po zpoždění a vyvážení získanými parametry). Budící jednotka 10S získává parametry pro přenos do dekodéru ze zbytkového signálu dlouhodobého předurčení (LTP), nebo jinými známými prostředky.

LPC koeficienty a^, zpoždění d, zisk g a budící parametry e jsou přenášeny do dekodéru.

Hlavní detektor hlasu podle dříve zmíněné patentové přihlášky zjištuje průměr autokorelačních koeficientů Rj_ pomocí nivelizačního zařízení 110, které vytváří vážený součet Rg' současných koeficientů a koeficientů z předchozích snímků, uložených v paměti 111. Další autokorelátor 112 vytváří autokorelační koeficienty Bj_ těchto LPC koeficientů , které přecházejí do paměti 113. Obsah paměti je aktualizován pouze v průběhu úseků vstupního signálu, o nichž pomocný detektor, který bude popsán níže, předpokládá, že obsahují pouze šum. Obsah paměti 113 Bj_ pak představuje odhad gumového spektra vstupního signálu. Násobná/součtová jednotka 114 pak vytváří míru M spektrální podobnosti mezi vstupním signálem a šumovým modelem, která je definována jako

Ri' Bi' n

M = B_o' + 2^3 ^1-1 R ' ^Ko

Nulový spodní index značí počáteční autokorelační koeficient a n je počet vzorků ve zvukovém snímku.

Míra M spektrální podobnosti se pak v komparátoru 115 porovnává s prahovou hodnotou a na výstupu 116 se vytváří signál indikující přítomnost nebo nepřítomnost řeči ve vstupním signálu. Prahová hodnota může být přizpůsobitelné nastavena (117) podle aktuální úrovně šumu.

Aktualizace modelu šumu uloženého v paměti 113 není ovládána výstupem 116 právě popsaného detektoru, nebot chyba v rozpoznání řeči by měla za následek aktualizaci paměti informací o řeči a následné další chyby v rozpoznávání. Z tohoto důvodu je aktualizace řízena pomocným detektorem 200. Aby bylo možno odlišit šum a nehlasový zvuk je vytvářen (201) součet (nezprůměrovaných) autokorelačních koeficientů Bi LPC koeficientů. Odčítač 202 porovnává tento součet s odpovídajícím součtem u předcházejícího zvukového snímku uloženého v paměti 203. Tento rozdíl, představující spektrální podobnost mezi po sobě následujícími snímky vstupního signálu, je pro vytvoření rozhodovacího signálu porovnán s prahovou hodnotou (204).

Pro rozpoznání hlasového zvuku se jednotkou 205 analýzy výšek měří zpoždění d. Výstup této jednotky je v součtovém hradlu 206 sloučen s výstupem prahujícího stupně 204. Pomocný detektor 200 indikuje přítomnost hlasu ve vstupním signálu, jestliže každá z jednotek 204 a 205 vytváří výstupní signál indikující přítomnost hlasu. Jak bylo diskutováno již v úvodu, má-li systém propouštět signální tóny, musí tyto rozpoznávat spíše jako řeč než jako šum. Právě popsaný pomocný detektor však není pro dosažení tohoto cíle příliš efektivní. Ačkoliv rozpoznává určité signální tóny, jiné (obecně ty, které mají relativně chudý spektrální obsah) nejsou rozpoznány. Když dojde k chybě pomocného detektoru 200, dojde rovněž k chybě hlavního detektoru, nebot model šumu v paměti 113 je pak adaptován podle signálního tónu.

Pro zjištování signálních tónů ve vstupním signálu je proto vytvořen další pomocný detektor. Výhodně je využíváno zjištění, že signální tóny, které jsou uměle generovány, obsahují malý počet' kmitočtových složek (které mohou být modulovány). Pro takové signály je použitím rozlišení mezi tónově založenými signály (včetně vícetónových signálů) a pozadím nebo šumovými signály okolí výkon LPC předurčovače zvláště vysoký.

. LPC předurčený zisk Gp je definován jako poměr výkonu vstupního signálu a výkonu výstupního signálu u hlasového snímku ^x2(i) í^a0

Gp = , n·1

Vj y² (i) i«o kde Xj_ je vstup filtru a y-j_ je výstup inverzního filtru:

m y(t) = x(t) + ^y(t - i) i-i kde m je počet koeficientů filtru, který bývá obvykle 3 nebo

10. Signály x(i) a y (i) se získávají z LPC kodéru 100, na výstupech převodníku 102 resp. filtru 106 . Tyto hodnoty jsou umocněny (301. 302) a předurčený zisk se stanoví v aritmetické jednotce 303, která vypočítává Gp podle shora uvedené rovnice. Výstup této jednotky 303 jev komparátóru 304 porovnán s pevnou prahovou hodnotou T. Jestliže předurčený zisk přesahuje tuto prahovou hodnotu (obvykle T =63 dB nebo T = 18 dB) , je tón pokládán za rozpoznaný. Existuje několik možných reakcí na rozpoznání tónu:

a) nahradit výstup hlavního detektoru prostředky součtového hradla 303;

b) nahradit pomocný detektor prostředky třetího vstupu do součtového hradla 206;

c) obě předešlé možnosti.

Samozřejmě místo výpočtu podílu může být výraz TS x² porovnáván s výrazem Σ y²' vynásobeným prahovou hodnotou. Na Obr.3 jsou zobrazeny histogramy předurčených zisků v dB, které byly získány ze šumu pozadí, z řeči, ze šumu pozadí v signálních tónech a ze samotných signálních tónů. Na Obr.4 jsou pak zobrazeny diagramy předurčeného zisku v závislosti na čase u různých signálních tónů používaných ve Velké Británii, konkrétné u:

obsazovacího tónu, oznamovacího tónu, vyzváněcího tónu, tónu volané číslo neexistuje, a tónu zařízení obsazeno.

V praxi jsou obsazovací tón, oznamovací tón a tón volané číslo neexistuje úspěšné rozpoznávány dalším detektorem, stejně jako multifrekvenční tóny. Vyzváněcí tón a tón zařízení obsazeno jsou rozpoznávány jednotkou 205 analýzy výšek.

Další detektor 300 lze považovat za detektor určitých druhů tónů, alternativně (u provedení z Obr.2) může být považován za detektor situace, kdy zbytkový signál yj_ je tak malý, že funkce jednotky 107 dlouhodobého předurčení (a tím jednotky 205 analýzy výšek) není silná.

Alternativní možností zjištování hlasového zvuku je nahradit detektor výšek 205 jednotkami analogickými k jednotkám 301, 302, 303 a 304 a založit vytváření předurčeného zisku na analýze dlouhodobého předurčení 107.

Dále budou s odkazem na Obr.5 popsány dvě modifikace zařízení z Obr.2. Vypočítávaný zisk je u provedení z Obr . 2 ziskem LPC analýzy zvukového kodéru 100, která by mohla obvykle používat předurčovač osmého nebo desátého řádu. Při vědomí toho, že základem této části analýzy je, že informační tóny rezultují ve větších předurčených ziscích než šum prostředí a že čím vyšší je řád analýzy, tím vyšší je schopnost předurčovače modelovat šum prostředí, bylo zjištěno, že omezením výpočtu zisku na analýzu čtvrtého řádu dávají informační signály, sestávající z jednoho nebo dvou tónu, vysoký předurčený zisk, zatímco předurčený zisk u šumu prostředí může být snížen.

Principiálně by toto bylo možno dosáhnout použitím analýzy čtvrtého řádu a použitím filtru vedle jednotek 105, 106 pro zásobování pomocného detektoru signálem, avšak snazší je vypočítat předurčený zisk z reflexních koeficientů (někdy uváděných jako Parcor koeficienty). Na Obr.5 jsou tyto reflexní koeficienty vypočítávány známým způsobem z autokorelačních koeficientů Rj_ jednotkou 400 (ačkoliv v závislosti na provedení zvukového kodéru by mohlo být možno snímat je z mezilehlého bodu jednotky 105 LPC analýzy). Míru předurčeného zisku, chybu předurčeni Pe, lze získat výpočtem z prvních čtyř reflexních koeficientů Rc-[ podle vzorce:

Pe = ^-nci²)

1-1

Tento výpočet se provádí v jednotce 401. Velká chyba předurčení Pe odpovídá nízkému předurčenému zisku a naopak. Signální tón se proto považuje za přítomný ve vstupním signálu, jestliže hodnota Pe je menší než prahová hodnota Pth. Toto srovnání 403 nahradilo srovnávání 304 z Obr.2.

Šum okolního prostředí mobilního telefonu obsahuje velmi silné rezonance na nízkých frekvencích. Pro zjištění, zda je tón pod prahovou frekvencí se provádí další test. Volba prahové hodnoty v sobě zahrnuje určitý stupeň kompromisu, avšak doporučována je hodnota 385 Hz, nebot většina signálních tónů leží pod 400Hz.

Tento další test pracuje tak, že jsou stanoveny pólové frekvence LPC filtru. Pro zmenšení komplexnosti analýzy je výhodný filtr nízkého řádu. Následně by mohla být provedena další LPC analýza, ale jednodušší je pokračovat, jako u provedení na Obr.5, výpočtem LPC koeficientů z reflexních koeficientů. 'Za předpokladu, že se použijí pouze první dva reflexní koeficienty z jednotky 400. jsou LPC koeficienty a_x vypočítány běžným způsobem jednotkou 404, která je definována tak, aby citlivost syntézního filtru byla:

H(z) = 1/ (a₀ + a_x z’¹ + a₂ z’²)

Pak jsou polohy kvadratické rovnice pólů v rovině z dány řešením a₀ z² + a_x z + a₂ = 0 a₀ - 1

4a^ai²

Jestliže výraz pod druhou odmocninou je záporný, pak póly leží na reálné ose a vstupní signál není signálním tónem. Jestliže je tento výraz kladný, ale reálná část polohy pólu je záporná (tj. a_x < 0), pak je pól v levé polovině roviny z. To nezbytně znamená, že frekvence je více než 25% hodnoty vzorkovací frekvence, tj . více než 2000 Hz pro vzorkovací frekvenci f_s = 8 kHz. V takovém případě je výpočet zbytečný a signál > 385 může být ihned generován.

Pólová frekvence je dána rovnicí:

f = arctan '\^4az V

2rr x

j ednotky

Podmínku, že f < 385 Hz lze zapsat (vyloučením druhých odmocnin jako:

f 2rr x 385 (4a₂ - a^) / a_x ² < tan² Xi ^fs J nebo jako:

(4a₂ - aj.²) / ax²) < 0,0973 při fs = 8kHz

Tento výpočet se provádí v jednotce 405. Její výstup je sloučen v AND hradle 406 s výstupem komparátoru 403, takže rozhodnutí o tom, že se jedná o signální tón vznikne pouze, když předurčený zisk je velký a zároveň když je pólová frekvence větší než 385 Hz.

Jestliže je to požadováno, může být pólová frekvence vyšší než 2000 Hz (nebo vyšší než nějaký jiný horní limit) také odloučena, aby vysoké frekvence nad předpokládaným, rozsahem signálních tónů nemohly být rozpoznány jako signální tóny.

Jestliže se při řešení kvadratické rovnice použije zvláštního výpočtu, je možné použít také třetí a čtvrtý reflexní koeficient. V tomto případě by mohly být zjištěny dva sdružené komplexní páry pólů s dvěma frekvencemi. Je zřejmé, že v takovém případě by signální tón nebyl pokládán za přítomný ve vstupním signálu, kdyby obě frekvence byly pod prahovou hodnotou.

Bylo již uvedeno, že provedení vynálezu z Obr.2 a Obr.5 používají před autokorelačním výpočtem 103 rozdělení zvukových vzorků do snímků (jak je běžné u LPC analýzy založené na autokoreiaci). Jestliže se u hlasového kodéru nepožaduje provádět tuto činnost, je možnou alternativou případu z Obr.5 vypustit jednotku 103 a nahradit výpočet reflexního koeficientu 400 konverzí autokorelačních hodnot na kovariantní hodnoty, 401, 404 modifikovat pro využití těchto kovariančních hodnot oproti využití reflexních koeficientů. Alternativně, jak ukazuje Obr.6 (kde jsou zobrazeny pouze ty části, které byly oproti Obr.5 změněny), může být počáteční zpracování provedeno prostředky kovariantní analýzy 109. jejichž výstup je přiváděn do kalkulátoru 400' reflexního koeficientu a do jednotky 104' modifikace autokorelačního koeficientu. Jednotka 105 LPC analýzy může být spojena, jako předtím s autokorelační jednotkou 104^z, nebo, jak je zobrazeno, přímo s jednotkou 109 kovariantní analýzy.

Výše popsaná provedení pro detekci signálních tónů mají dobré výsledky, avšak mohou selhat u mechanicky generovaných tónů, které se používají v určitých teritoriích. Tyto mechanicky generované tóny mají vyšší harmonickou složku rezultující v malém předurčeném zisku. Prosté odfiltrování vyšších harmonických není řešením, nebot vložení filtru vede ke zvýšení autokorelace všech signálů a tím k větším předurčeným ziskům rovněž u ostatních signálů. Bylo zjištěno, že předurčovač má snahu spíše upravovat póly filtru než charakteristiky vstupního signálu. Nicméně bylo také zjištěno, že dobré výsledky je možno získat filtrací, jestliže analýza předurčeného zisku je omezena na stanovení předurčení signálu pouze ve frekvenčním rozsahu odpovídajícím pásmu propustnosti harmonického filtru. Toho se dosáhne vzorkováním signálu frekvencí dvojnásobnou oproti šířce pásma filtru před analýzou předurčeného zisku.

Provedení vynálezu zobrazené na Obr.7, které je v jiných ohledech podobné provedení z Obr.5, proto používá filtr 450 , kterým je nízkopropustný FIR filtr, mající pásmo propustnosti do 600 (3 dB) a mající zeslabení potlačovaného pásma 20 dB při 1200 Hz. Výhodné je,, když zeslabení potlačovaného pásma není příliš velké. V/étup filtru 450 je vzorkován při 1200 Hz ve vzorkovací jednotce 451.

U tohoto filtrování jsou velmi redukovány možnosti tónové detekce sdílet komponenty s hlasovým kodérem 1.00; do filtru 450 je tudíž digitalizovaný vstupní signál přiváděn přímo z analogově - digi tálního převodníku 102 a jeho výstup směřuje do jednotky 400^{z z} analýzy reflexních koeficientů nebo do jednotky kovariantní nebo autokorelační analýzy tak, jak bylo popsáno dříve.

Další provedení vynálezu zmírňuje problém harmonických složek bez nadměrného omezování frekvenčního pásma analýzy předurčovaného zisku. Toho je dosaženo použitím filtrů rozdělujících vstupní signál na dvě nebo více frekvenčních pásem, kde každé' toto pásmo je dostatečně úzké na to, aby nemohlo obsahovat základní a třetí harmonickou signálního tónu. Každý kanál je pak vzorkován a podroben oddělené analýze předurčeného zisku.

U provedení podle Obr.8 je signál filtry 450a a 450b rozdělen na dvě frekvenční pásma 400 až 1200 Hz a 1200 až 2000 Hz a vzorkován při 1,6 kHz (45ia, 451b) . Výpočet reflexního koeficientu 4 0 0 ^z a a 400 ^zb, analýza chyby předurčení , 401a, 40lb a pracování 403a, 403b jsou prováděny odděleně pro obě pásma. Dva výstupy z komparátoru 403a a 403b jsou vedeny na oddělené vstupy součtového hradla 206 tak, aby vysoký předurčený zisk v obou kanálech byl pokládán za indikaci přítomnosti signálního tónu. Ostatní prvky 100 až 303 z Obr.7 nejsou u na Obr.3 zobrazeny, nebot jsou u obou provedení stej né.

JAít NIS VIA 0H3AG S.VAi ydd avy o

Claims (8)

1. Detektor hlasu pro zjišťování přítoi vstupním signálu zahrnující:

a) prostředky pro uchování modelu šumové složky vstupního signálu;

b) prostředky zjišťující spektrální podobnost vstupního signálu s uloženým modelem šumu pro vytváření výstupního rozhodovacího signálu;

c) prostředky pro aktualizaci uloženého modelu šumu

d) pomocný detektor uspořádaný pro řízení aktualizačních prostředků tak, aby k aktualizaci došlo pouze v době, kdy pomocný detektor udává, že vstupní signál neobsahuje řeč;

vyznačující se tím, že zahrnuje prostředky pro výpočet parametru předurčeného zisku vstupního signálu a modifikační prostředky uspořádané pro znemožnění aktualizace v případě, že předurčený zisk překročí prahovou hodnotu.

2. Detektor hlasu podle nároku l, vyznačující se tím, že pomocný detektor zahrnuje detektor hlasových zvuků reagující na signály odvozené z LPC zbytkového signálu.

3. Detektor hlasu podle nároku 1 nebo 2, vyznačující se tím, že parametr zisku představuje předurčený zisk LPC předurčení šestého nebo nižšího řádu.

4. Detektor hlasu podle nároku 3, vyznačující se tím, že parametr zisku představuje předurčený zisk LPC předurčení čtvrtého nebo nižšího řádu.

0130Q . _v , i ι: Β 9 i * iosti řeči | ve •r-o

5. Detektor hlasu podle kteréhokoliv z předchozích nároků, vyznačující se tím, že dále zahrnuje prostředky pro zjištování jedné nebo více primárních frekvenčních složek vstupního signálu a prostředky schopné porovnat frekvence s předem stanovenou prahovou hodnotou a umožnit potlačení aktualizace pouze v případě, že uvedená primární složka překračuje prahovou hodnotu.

6 . Detektor hlasu podle kteréhokoliv z předchozích nároků, vyznačující se tím, že před prostředky pro výpočet zisku je předřazen filtr pro odstranění horní části frekvenčního rozsahu vstupního signálu, přičemž výpočet zisku je prováděn pouze pro frekvenční složky ležící v pásmu propustnosti filtru.

7. Detektor hlasu podle nároku 6, vyznačující se tím, že má dva filtry s příslušnými pásmy propustnosti a příslušné výpočtové prostředky pro výpočet parametrů zisku u příslušných pásem propustnosti, modifikační prostředky uspořádané pro potlačení aktualizace v případě, že předurčený zisk přesahuje v obou pásmech propustnosti prahovou hodnotu.

8. Detektor hlasu podle nároku 6 nebo 7, vyznačující se tím, že zahrnuje prostředky pro vzorkování filtrovaného signálu (signálů).