DE3243232A1

DE3243232A1 - Verfahren zur erkennung von sprachpausen

Info

Publication number: DE3243232A1
Application number: DE19823243232
Authority: DE
Inventors: Bernd Dipl.-Ing. 8501 Eckental Selbach; Peter Dr.-Ing. 8522 Herzogenaurach-Niederndorf Vary
Original assignee: Philips Kommunikations Industrie AG
Current assignee: Philips Kommunikations Industrie AG
Priority date: 1982-11-23
Filing date: 1982-11-23
Publication date: 1984-05-24
Also published as: US4682361A; AU561287B2; AU2154683A; JPS59105696A; EP0111947A1; CA1206620A

Description

Philips Kommuni Rations l^u.il.l9B2

Industrie AG P 8.^43

Verfahren zur Erkennung von Sprachpausen

Die Erfindung betrifft ein Verfahren zur Erkennung von Sprachpausen aus dem Kurzzeitspektrum eines Sprachsignales, das von Störsignalen überlagert sein kann.

Derartige Verfahren sind z.B. die Voraussetzung für die Unterdrückung von Störsignalen beim Telefonieren aus einer akustisch gestörten Umgebung. Während der Sprachpausen werden charakteristische Parameter-des Störsignales gemessen und dazu verwendet, die Störungen vor der Übertragung möglichst vollständig aus dem zu übertragenden Signal mit adaptiven Filtern heraus zufi1tern.

Aus der DE-AS 24 55 447, Spalte 10 ist eine Anordnung in analoger Technik zur Erkennung von Sprachpausen bekannt, der folgendes Verfahren zugrunde liegt: Das Sprachsignal wird in gleich lange Abschnitte zerlegt und für jeden Abschnitt wird durch Gleichrichtung und Mittelwertbildung ein Spannungswert gewonnen, der zur mittleren Lautstärke des Abschnittes proportional ist. Schließlich wird durch Mittelwertbildung über mehrere Sprachabschnitte ein weiterer Spannungswert bestimmt, der zur mittleren Gesprächslautstärke proportional ist. Durch einen Vergleich der beiden Mittelwerte wird entschieden, ob ein Abschnitt einer Sprachpause angehört oder nicht.

Bei dieser Sprachpausenerkennung ist unter anderem nicht berücksichtigt, daß z.B. stimmlose Laute zu einem Leistungseinbruch im Sprachsignal führen und die betreffenden Sprachabschnitte deshalb fälschlicherweise als Sprachpausen angesehen werden. Derartige Fehlentscheidungen treten bei dem bekannten Verfahren

BAD ORIGINAL

um so häufiger auf, je stärker das Sprachsignal von £torsignal en überlagert ist.

Es ist deshalb Aufgabe der Erfindung, ein Verfahren der eingangs genannten Art anzugeben, bei dem Fehlentscheidüngen im oben erläuterten Sinne vermieden werden. Das Verfahren soll darüberhinaus mit digitalen Kitteln realisiert werden können und eine Sprachpausenerkennung auch dann ermöglichen, wenn sich die mittlere Geräuschleistung nur langsam verändert.

Diese Aufgabe wird durch die im Kennzeichen des Anspruches 1 angegebenen Verfahrensschritte gelöst. Das erfindungsgemäße Verfahren ist dann besonders vorteilhaft anzuwenden, wenn - vgl. das eingangs erwähnte Anwendungsbeispiel - zur Geräuschunterdrückung eine Anordnung ein- gesetzt wird, die auf einer Kurzzeit-Fourier-Analyse des gestörten Sprachsignales basiert. Die im erfindungsgemäßen Verfahren erwähnten Fourier-Koeffizienten brauchen dann nicht gesondert ermittelt zu werden.

Vorteilhafte Ausgestaltungen der Erfindung geben die Unteransprüche an.

Anhand der Figuren soll die Erfindung näher erläutert werden.

Es zeigt:

Fig.1 ein Blockschaltbild zur Verdeutlichung des erfindungsgemäßen Verfahrens,

Fig.2 Diagramme zur Erläuterung des erfindungsgemäßen Verfahrens.

Im Blockschaltbild nach Fig.1 wird das gestörte Sprachsignal an einer Eingangsklemme E angelegt. Ein Analog-Digital-Umsetzer a/d erzeugt aus dem analogen Eingangssignal eine Folge von digitalisierten Abtastwerten. Die

BAD ORIGINAL

Abtastwerte, werden einer Filterbank FR -ure führt, durch die zu Zeitpunkten ι (n) eines - im folgenden Zentraltakt genannten - Taktes ein Satz W(n) von M Fourier-Koeffizienten Y1(n), Y2(n)...YM(n) des Kurzzeitspektrums bestimmt wird.

Beim erfindungsgemäßen Verfahren werden nur Fourier-Koef fizienten verwendet, deren zugehörige Frequenzen im Frequenzbereich zwischen 0 Hz und etwa 3000 Hz liegen, da dieser Bereich der Bereich größter Spektraler Energiedichte der Sprache ist. Dadurch wird die Sprachpausenerkennung verbessert, wenn das Spektrum des Störsignales einen größeren Frequenzbereich überdeckt .

Aus dem Satz W(n) der Fourier-Koeffizienten Yi(n), Y2(n)... YM(n) und aus den vorangegangenen Sätzen von Fourier-Koeffizienten bestimmt ein Mittelwertbildner MB einen Kurzzeitmittelwert G(n), der näherungsweise ein Maß für die mittlere Leistung des gestörten Sprachsignales darstellt, wobei die Mittelungszeit in der Größenordnung von 100ms liegt. Auf den genauen Mittelungsvorgang wird weiter unten eingegangen. Eine Einheit GL glättet die Folge der Kurzzeitmittelwerte G(n), damit bei der endgültigen Entscheidung auf Sprachpause kurzzeitige, durch stimmlose Laute verursachte Leistungseinbrüche im Sprachsignal nicht als Pausen mißdeutet werden. Eine Einheit PA in Fig.1 bestimmt einen Schätzwert P(n) der Geräuschleistung, d.h., der Leistung des Störsignales, sowie eine davon abhängige erste Schwelle S, auf deren Bestimmung ebenfalls weiter unten eingegangen wird. Liegt die Folge GG(n) der geglätteten Kurzzeitmittelwerte unter der Schwelle S, so gibt ein Vergleicher V ein Signal an eine Einheit EN ab.

Hat die Einheit EN z.B. 2 5 Mal nacheinander ein Signal

BAD

vom Vergleicher V erhalten, so wird durch ihr Ausgangssignal an einer Klemme A das Vorliegen einer Sprachpause angezeigt.

Die Filterbank FB bestimmt z.B. alle 4 ms einen Satz W(n) von M = 30 Fourier-Koeffizienten des Kurzzeitspektrums, d.h. unter anderem, die Periodendauer des Zentraltaktes beträgt 4 ms. Die Bestimmung des Kurzzei tmi tt el wertes G(n) zu den Taktzeitpunkten ι (n) stellt sowohl eine Mittelung über alle Fourier-Koeffizienten Yi(n) ... YM (n) zu einem festen Zeitpunkt τ(η) als auch eine Mittelung über die Koeffizienten zu verschiedenen Taktzeitpunkten dar. Zur formelhaften Beschreibung des Mittelungsvorganges werde eine Hilfsgröße H(n) eingeführt, die sich durch Mittelung nur derjenigen Fourier-Koeffizienten ergibt, die zum Zeitpunkt τ(η) bestimmt werden, d.h.,

H(n) - ±

oder

\YiM

je nachdem, ob man das arithmetische Mittel der Beträge oder der Betragsquadrate verwenden will. Da der Bauteileaufwand bei der Verwendung der Beträge geringer ist, wird man im allgemeinen die erste Möglichkeit für die Hilfsgröße H(n) vorziehen.

Der Kurzzeitmittelwert G(n) ergibt sich erfindungsgemäß nun durch Mittelung über die Größe H zu verschiedenen Zei tpunkten:

G(n)

Die Zahl N der berücksichtigten Zeitpunkte liegt bei 25.

BAD ORIGjNAL

- y-8.

Günstiger, da zur Realisierung der Bauteileaufwand geringer wird, ist die rekursive Ki ttfluru·,

G(n) = (i_£)G(n-1)+ fiH(n)

nach der sich der Kurzzeitmittelwert G(n) zum Takt-Zeitpunkt τ(η) als Linearkombination des Kurzzeitmittelwertes G(n-1) zum Taktzeitpunkt _T (n-1) und der Hilfsgröße H(n) ergibt. Ein typischer Wert der Konstante δ ist 0,1.

Aus der Folge der Kurzzeitmittelwerte G(n) werden erfindungsgemäß nun zu jedem Taktzeitpunkt τ(η) zwei weitere Größen ermittelt, nämlich ein geglätteter Kurzzeitmittelwert GG(n) und ein Schätzwert P(n) für die mittlere Geräuschleistung. Der geglättete Wert GG(n) läßt sich z.B. mit Hilfe eines linearen Digitalfilters gewinnen, bei dem sich als Ausgangsgröße GG(n) das gewichtete Mittel von drei aufeinanderfolgenden Kurzzeitmittelwerten G(n), G(n-1) und G(n-2) ergibt. Die Gewichte (Filter-Koeffizienten) I/4, i/2 und I/4 haben sich dabei als günstig erwiesen.

Eine andere Möglichkeit ist die Medianfilterung. Bei ihr werden z.B. fünf aufeinanderfolgende Werte G(n)... G(n-4) der Größe nach angeordnet und dann der dritte Wert als Ausgangswert GG(n) des Filters ausgelesen.

Die fortlaufende Bestimmung des Schätzwertes P(n) kann ebenfalls auf zwei Arten erfolgen. Entweder wird zunächst eine längere Sprachpause ermittelt und dann mit einem Kurzzeitmittelwert G(n), der in diese Sprachpause fällt, der Wert von P(n) aktualisiert. Durch die ständige Aktualisierung des Schätzwertes P(n) ist beim erfindungsgemäßen Verfahren die Sprachpausenerkennung auch dann noch möglich, wenn sich der Geräuschpegel langsam verändert.

BAtD ORIGINAL

Eine längere Pause wird dadurch erkannt, daß die Un gleichung

<D

K Mal nacheinander erfüllt ist. Die Differenz zweier aufeinanderfolgender Kurzzeitmittelwerte G(n) und G(n-1) muß also K Mal unter eine Schranke D fallen. Die Schranke D wird proportional zum Kurzzeitmittelwert G(n) gewählt, um zu gleichen Aussagen zu gelangen, wenn z.B. die Pegel aller Signale verdoppelt würden.

Als günstig haben sich die Werte K = 30 und γ= 1,1 erwiesen. Ist also G(n) z.B. der dreißigste Wert, für den die oben angegebene Ungleichung erfüllt ist, so wird der Schätzwert P(n) erneuert und zwar nach der Gleichung

P(n) = (i-a)p(n-i) + ocG(n),

d.h., der neue Schätzwert P(n) ist eine Linearkombination aus dem alten Schätzwert P(n-1) und dem zuletzt bestimmten, in eine längere Pause fallenden Kurzzeitmittelwert G(n). Für die Konstante α ist 0,5 ein günstiger Wert. Liegt keine längere Pause vor, so wird der alte Schätzwert beibehalten, d.h., es wird P(n) = P(n-1) gesetzt.

Ein anderer Weg, einen möglichst guten Schätzwert P(n) für eine langsam veränderliche Geräuschleistung zu 5 erhalten, besteht darin, zu jedem Taktzeitpunkt τ(η) eine Vergrößerung des schon vorhandenen Schätzwertes P(n-1) um einen festen Betrag c vorzunehmen, wenn der Schätzwert P(n-1) kleiner als der Kurzzeitmittelwert G(n) ist. Jedes Mal also, wenn die Ungleichung P(n-1)<G(n) erfüllt 1st, wird

P(n) - P(n-1) +c

BADORiGINAL

gesetzt.

Die Konstante c ist so zu wählen, daß der Schätzwert bei ungehinderter Vergrößerung in ein bis zwei Sekunden die Aussteuerungsgrenze erreicht hat. Liegt andererseits der schon vorhandene Schätzwert P(n-1) über dem augenblicklichen Kurzzeitmittelwert G(n), so wird der neue Schätzwert P(n) gegenüber dem vorhandenen erniedrigt, und zwar gemäß der Gleichung

P(n) - (1-ß)P(n-1) + β G(n),

die den neuen Schätzwert als Linearkombination des vorangegangenen Schätzwertes und des augenblicklichen Kurzzeitmittelwertes G(n) darstellt. Die Erniedrigung des Schätzwertes läßt sich am deutlichsten erkennen, wenn die Konstante β zu eins gewählt wird. Dann ergibt sich nämlich P(n) = G(n)<P(n-i). Werte um 0,5 haben sich jedoch für die Konstante ß als günstiger erwiesen.

Die Schwelle S, die zur Pausenentscheidung herangezogen wird, ist größer als der Schätzwert P(n).

Typisch für den Zusammenhang zwischen der Schwelle S und dem Schätzwert P(n) ist die Gleichung S « 1,15P(n), wenn für die Bestimmung der Kurzzeitmittelwerte die Beträge der Fourier-Koeffizienten verwendet werden. Bei Verwendung der Betragsquadrate ist der Zusammen-5 hang S - 1,3P(n) typisch.

Diagramm a) der Fig.2 zeigt ein Beispiel für die Folge der geglätteten (und auf Eins normierten) Kurzzeitini ttelwerte GG(1), GG(2) ... eines ungestörten Sprachsignales. Die Folge der GG(n) ist gegen die Zeit aufgetragen. Das betrachtete Zeitintervall hat eine Länge von etwa 5 Sekunden. Die Lage der Sprachpausen ist daran zu erkennen, daß dort die Größen GG(n) den Wert 0 annehmen.

BAD ORIGINAL

Im Diagramm b) ist diejenige Folge der GG(n) aufgetragen, die aus einem gestörten Sprachsignal gewonnen wurde. Die den Diagrammen a) und b) zugrunde liegenden Sprachsignale sind identisch. Die punktiert eingezeichnete Kurve im Diagramm b) ist die Folge der Schätzwerte P(n), die nach der zweiten der oben aufgezeigten Möglichkeiten ermittelt wurde. Das Ergebnis der Sprachpausenbestimmung ist im Diagramm c) dargestellt. Das Vorliegen einer Sprachpause ist in diesem Diagramm dadurch erkennbar gemacht, daß die Ordinate während der Sprachpause den Wert 1 und außerhalb der Sprachpause den Wert 0 annimmt.

Claims

Philips Rommunikations 19.11.1982

Industrie AG P 82343

Patentansprüche

(1·! Verfahren zur Erkennung von Sprachpausen aus dem Kurzzeitspektrum eines Sprachsignales, das von Störsignalen überlagert sein kann, dadurch gekennzeichnet , daß zu jedem Taktzeitpunkt τ(η) eines Zentraltaktes

a) aus Abtastproben des gestörten Sprachsignales ein Satz W(n) bestehend aus M Fourier-Koeffizienten Yi(n), Y2(n) ... YM(n) des Kurzzeitspektrums bestimmt wird,

b) aus allen M Fourier-Koeffizienten des Satzes W(n) wie aus den NM Fourier—Koeffizienten der Sätze W(n-1), W(n-2) ... W(n-N) ein Kurzzeitmittelwert G(n) bestimmt wird, der ein Mittel der Beträge oder der Betragsquadrate aller berücksichtigten Fourier-Koeffizienten darstellt,

c) ein Schätzwert P(n) der Geräuschleistung ermittelt wird, der sich als Funktion des Schätzwertes P(n—1) zum vorangegangenen Taktzeitpunkt und des Kurzzeitmittelwertes G(n) ergibt,

d) ein geglätteter Kurzzeitmittelwert GG(n) bestimmt wird, der sich als Funktion aus dem Kurzzeitmittelwert G(n) sowie aus weiteren Kurzzeitmittelwerten zu vorangegangenen Taktzeitpunkten ergibt,

e) geprüft wird, ob der geglättete Kurzzeitmittelwert GG(n) unter eine vom Schätzwert P(n) abhängige erste Schwelle (S) fällt und - wenn

diese Bedingung mehrmals lückenlos nacheinander erfüllt wurde - ein Signal für das Vorliegen einer Sprachpause abgegeben wird.
2. Verfahren nach Anspruch 1, dadurch gekennzeichnet, daß als Kurzzeitmittelwert G(n) das arithmetische Mittel aus den Beträgen der Fourier-Koeffizienten verwendet wird.
3. Verfahren nach Anspruch 1, dadurch gekennzeichnet, daß der Kurzzeitmittelwert G(n) rekursiv nach der Gleichung G(n) = (1-6)G(n-1)+δH(n) bestimmt wird, wobei H(n) ein Mittel aller zum Zeitpunkt τ (η) erhaltenen Fourier-Koeffizienten darstellt und δ eine erste Konstante bedeutet.
4. Verfahren nach Anspruch 1, dadurch gekennzeichnet, daß der Schätzwert P(n) nur dann nach der Gleichung

P(n) - (1-oc)P(n-1) + <XG(n)

mit α als einer zweiten Konstanten bestimmt wird, wenn die Differenz der Kurzzeitmittelwerte G(n)-G(n-1) betragsmäßig unter einer zweiten Schwelle (D) liegt und dieser Fall lückenlos für eine Anzahl K vorangegangener TaktZeitpunkte eingetreten ist, und daß anderenfalls der Schätzwert P(n) gleich dem vorangegangenen Schätzwert P(n-1) gesetzt wird.
5. Verfahren nach Anspruch 1, dadurch gekennzeichnet, daß der Schätzwert P(n) nur dann nach der Gleichung

P(n) - P(n-1) + c

mit c als einer dritten Konstanten bestimmt wird, wenn die Ungleichung

P(xi-1) <G(n)

erfüllt ist und daß anderenfalls der Schätzwert P(n) mit einer vierten Konstanten P zu

P(n) = (1-ß)P(n-1) + ßG(n)
gewählt wird.
6. Verfahren nach Anspruch 1, dadurch gekennzeichnet, daß die erste Schwelle (S) proportional zum Schätzwert P(n) gewählt wird.
7. Verfahren nach Anspruch 1, dadurch gekennzeichnet, daß der geglättete Kurzzeitmittelwert GG(n) aus den drei Kurzzeitmittelwerten G(n), G(n-1) und G(n-2) nach der Formel

(n) » ^ C^G(n-i)

gewonnen wird, wobei die Konstanten c_Q, c-i, C£ alle größer oder gleich 0 sind und ihre Summe den Wert 1 hat.
8. Verfahren nach Anspruch 1, dadurch gekennzeichnet, daß der geglättete Kurzzeitmittelwert GG(n) durch Glättung mit einem Median-Filter gewonnen wird.
9. Verfahren nach Anspruch 3, dadurch gekennzeichnet, daß die zweite Schwelle (D) proportional zum Kurzzeitmittelwert G(n) gewählt wird.