DE3600056A1 - Sprachgrundfrequenzanalysator - Google Patents

Description

Die Erfindung betrifft einen Sprachgrundfrequenzanalysator, bestehend aus einer Filterbank, einer Extremwert- und Nulldurchgangs- Detektions-Einheit, einer Unterbrechungseinheit, einer Zeitgebereinheit und einer Auswerteeinheit, zur Ermittlung der Tonhöhe in Sprachsignalen.

Die Sprachgrundfrequenz oder Tonhöhe ist hinsichtlich der Verständlichkeit und Natürlichkeit von Sprache ein äußerst wichtiger Parameter, dessen genaue Kenntnis bei vielen Einrichtungen zur Sprachsignalverarbeitung benötigt wird.

Dies zeigen auch die weltweiten Anstrengungen und Aktivitäten auf diesem Gebiet, die sich in sehr vielen Publikationen äußern (siehe z. B. Hess, W.: Pitch Determination of Speech Signals. Springer 1983, S. 591-686).

Die Analyseverfahren zur Bestimmung der Sprachgrundfrequenz können wie folgt eingeteilt werden:
- Zeitbereichsverfahren
-Frequenzbereichsverfahren
-Mischformen aus den Erstgenannten

Die bekanntesten Zeitbereichsverfahren sind der Gold-Algorithmus (Gold, B.: Computer program for pitch extraction. JASA Nr. 7 (1962), S. 916-921) und der Reddy-Algorithmus (Reddy, D. R.: Pitch determination of speech sounds. Communications of the ACM Nr. 6 (1967), S. 343-348). Bei beiden Verfahren werden signifikante Extrema des Sprachsignals bestimmt aus deren Größe und zeitlichen Abständen die Sprachgrundperioden ermittelt werden. Nachteilig bei diesen Verfahren ist der hohe Rechenaufwand, der eine Implementierung der Algorithmen auf einem Mikrorechner unmöglich macht.

Eines der bekanntesten und zugleich wirkungsvollsten Frequenzbereichsverfahren ist die Cepstrum-Analyse (Noll, A. M.: Cepstrum Pitch Determination. J. Acoust. Soc. Am., Nr. 41 (1967), S. 293-309). Das Cepstrum ist definiert als die Fouriertransfomierte des logarithmierten Amplitudenspektums eines Signals. Bedingt durch die zweimalige Anwendung der Fouriertransformation und dem damit verbundenen großen Rechenaufwand, ist eine Realisierung für Echtzeitanwendung nur mit Einschränkungen und erheblichem Aufwand möglich.

Die Verfahren von Dudley (Dudley, H.: The Vocoder. Bell Lab. Record 17 (1939), S. 122-126) und Erb (Erb, H. J.: Ein Verfahren zur Bestimmung der Sprachgrundfrequenz in Echtzeit. Frequenz Nr. 1 (1974), S. 23-28) sind Mischformen. Zunächst wird die im Sprachsignal enthaltene Sprachgrundschwingung ausgefiltert. Die Abstände der lokalen Maxima der Sprachgrundschwingung sind dann die Sprachgrundperioden. Nachteilig bei diesem Verfahren ist, daß die Sprachgrundschwingung im Signal enthalten sein muß und es während der Einschwingphase zu erheblichen Fehlern kommen kann. Die ermittelte Sprachgrundperiode kann bis zu 20% von der wahren Sprachgrundperiode abweichen.

Der Erfindung liegt die Aufgabe zugrunde, die Bestimmung der Sprachgrundfrequenz bzw. Sprachgrundperiode in Echtzeit unter Vermeidung von Fehlern während der Einschwingphase zu vereinfachen und den Realisierungsaufwand zu verringern.

Diese Aufgabe wird bei einem Sprachgrundfrequenzanalysator erfindungsgemäß durch die kennzeichnenden Merkmale des Anspruches 1 gelöst. Eine zweckmäßige Realisierung der Erfindung ist Gegenstand der Unteransprüche 1 bis 5. Sie werden im Zusammenhang mit der Beschreibung eines Funktionsmusters näher erläutert.

Der durch diese Erfindung erzielbare Vorteil besteht vor allem darin, daß die Bestimmung der Sprachgrundfrequenz bzw. Sprachgrundperiode in Echtzeit mit relativ geringem Schaltungsaufwand unter Verwendung von Standardbausteinen (wie z. B. einem 8-Bit Mikroprozessor) möglich ist. Darüberhinaus werden Fehler während der Einschwingphase weitgehend vermieden.

Ein Funktionsmuster der Erfindung ist in den Bildern 1 bis 7 veranschaulicht und wird im folgenden näher beschrieben.

Es zeigen:

Bild 1 das Blockschaltbild des SGF-Analysators

Bild 2 die Bandpaßcharakteristik

Bild 3 die Blockschaltung der Filterbank

Bild 4 die Blockschaltung der Extremwert- und Nulldurchgangs- Detektions-Einheit

Bild 5 die Struktur des Extremwertdetektors

Bild 6 das Schaltbild des Nulldurchgangsdetektors

Bild 7 den Aufbau des Mikrorechners

Bei dem hier vorgestellten Funktionsmuster sind die Filterbank sowie die Extremwert- und Nulldurchgangs-Detektions- Einheit in Analogtechnik, die Unterbrechungs-, die Zeitgeber- und die Auswerteeinheit in digitaler Technik ausgeführt. Dabei kommt für die Realisierung der in digitaler Technik ausgeführten Einheiten ein Mikrorechner mit einem 8 Bit- Mikroprozessor zum Einsatz.

Eine Sprachgrundfrequenz kann grundsätzlich nur den stimmhaften Lauten im Sprachsignal zugeordnet werden. Im Gegensatz zum unregelmäßigen Zeitverlauf der stimmlosen Laute, ist der Zeitverlauf stimmhafter Laute quasi periodisch. Es handelt sich bei den stimmhaften Signalsegmenten um ein harmonisches Zeitsignal endlicher Dauer, das als Fourierreihe darstellbar ist.

Ziel der Vorfilterung ist es, die in den stimmhaften Segmenten des Sprachsignals s (t) enthaltene Sprachgrundschwingung auszufiltern, deren Periodendauer umgekehrt proportional zur Sprachgrundfrequenz (SGF) ist. Die SGF liegt abhängig vom Sprecher zweischen 50 und 450 Hz. Das Ausfiltern der Grundschwingung mit einem einzigen Tiefpaß ist wegen des großen SGF-Bereichs nicht allgemein möglich, da man keine brauchbare Tiefpaßfrequenz angeben kann.

Man benutzt deshalb einen Filter, dessen Kennlinie im Bereich der SGF über der logarithmischen Frequenzachse um 24 dB/Oktave linear abfällt. Dadurch erreicht man, daß die erste Harmonische gegenüber der Grundschwingung 16fach gedämpft wird. Dies gilt unabhängig davon, wo die SGF liegt. Am Filterausgang erscheint also im wesentlichen die Grundschwingung.

Nachteilig wirken sich die großen Dämpfungsunterschiede (ca. 60 dB) über dem gesamten SGF-Bereich aus. Dieser Nachteil wird dadurch beseitigt, daß drei Filter mit sich überlappenden Arbeitsbereichen eingesetzt werden. Dies setzt jedoch voraus, daß die digitale Auswerteschaltung fähig ist, in Abhängigkeit von der momentan auftretenden SGF, den richtigen bzw. die richtigen Arbeitsbereiche auszuwählen. Im weiteren wird in diesem Zusammenhang auch von der Auswahl des richtigen Kanals gesprochen.

Als Filter werden Bandpässe 4. Ordnung gewählt, dessen obere Dämpfungsflanken je einen Abfall von 24 dB aufweisen. Die Bandpässe haben zudem noch die guten Eigenschaften, daß sie eventuell vorhandene niederfrequente Störkomponenten unterdrücken und kurze Einschwingzeiten (z. B. nach dem Aufschalten einer Sinusspannung mit beliebiger Phase) ermöglichen.

Am Eingang der Bandpässe liegt das Sprachsignal s (t). Nach der Filterung ergeben sich die Bandpaßausgangssignale b ₁ (t), b ₂ (t) und b ₃ (t), die auf die Extremwert- und Nulldurchgangs- Detektoren gelangen.

Die Extremwert- und Nulldurchgangs-Detektions-Einheit dient dazu, signifikante Merkmale der Bandpaßausgangssignale zu markieren. Da das Ausgangssignal eines BP-Filters während der stationären Phase im wesentlichen aus einer Grundschwingung sowie der mehr oder weniger stark gedämpften 1. Harmonischen besteht, sind die signifikanten Merkmale die Extremwerte (Maxima und Minima) sowie die Nulldurchgänge (Vorzeichenwechsel) des Signals. Es werden deshalb drei Extremwertdetektoren E 1, E 2 und E 3 sowie zwei Nulldurchgangs-Detektoren N 1 und N 3 benutzt (siehe Bild 4). Eine mögliche Schaltungsrealisierung eines Extremwertdetektors zeigt Bild 5. Das entsprechende Eingangssignal b _i (t) gelangt über ein RC- Differenzierglied, dessen Zeitkonstante zu gewählt wird (f _ao ist die obere Arbeitsbereichsgrenze des entsprechenden Kanals), auf einem Schmitt-Trigger. Das Schmitt-Trigger-Ausgangssignal wird in das Signal e _i (t) mit TTL-Pegel gewandelt.

Die Schaltung der Nulldurchgangsdetektoren N 1 und N 3 ist in Bild 6 dargestellt. Das Eingangssignal b _i (t) gelangt über den Hochpaß (f _g = 1 Hz), der die Offsetspannung der vorherigen Stufe abkoppelt, auf einen Schmitt-Triffer. Das in das TTL- Signal n _i (t) gewandelte Schmitt-Trigger-Ausgangssignal zeigt dann Vorzeichenwechsel des Eingangssignals b _i (t) an.

Bisher wurde der Analogteil dieses Funktionsmusters beschrieben. Im folgenden wird der Digitalteil bestehend aus der Unterbrechungseinheit (3), der Zeitgebereinheit (4) und der Auswerteeinheit (5) erläutert, der bei dieser speziellen Ausführung mittels eines Mikrorechners (Struktur siehe Bild 7) realisiert ist. Die Unterbrechungseinheit wird zweckmäßigerweise durch einen programmierbaren Unterbrechungs-Steuerbaustein und eine Logikschaltung zur Verknüpfung und Aufbereitung der von dem Analogteil kommenden Signale e _i (t) und n _i (t) realisiert. Zur Verwirklichung der Zeitgebereinheit wird ein programmierbarer Zeitgeberbaustein verwendet. Die Auswerteeinheit besteht aus einem 8-Bit-Mikroprozessor, einen EPROM, einem statistischen RAM und einem programmierbaren peripheren Schnittstellenbaustein.

Am Eingang der Unterbrechungseinheit liegen die nicht gleichzeitig auftretenden Signale e _i (t) und n _i (t) an (Tabelle 2, Spalte 1), die mittels der Logikschaltung in die Signale IR _i , i = 0, . . . , 7 (Tabelle 2, Spalte 2) überführt werden. Die positive Flanke der Signale IR _i zeigt dann jeweils das in Tabelle 2, Spalte 3 angegebene Ereignis an. Jedes Ereignis wird der in Tabelle 2, Spalte 4 aufgetragenen Ereignisklasse zugeordnet, die gleichfalls der jeweiligen Unterbrechungsebene der Unterbrechungseinheit entspricht.

Die Unterbrechungseinheit hat zwei Aufgaben:
- Sie veranlaßt sofort nach dem Auftreten eines Ereignisses die Auswerteeinheit den momentanen Zeitwert der Zeitgebereinheit zu lesen und dem entsprechenden Ereignis zuzuordnen.
- Sie kann auf Veranlassung der Auswerteeinheit bestimmte Unterbrechungseingänge maskieren und damit z. B. einen speziellen Kanal für die Analyse auswählen. Tabelle 2: Eingangssignale der Unterbrechungseinheit und deren Klassifizierung

Von einem externen Gerät kommen die Signale sp und sh. Sie sind mit der Auswerteeinheit verbunden. Das Signal sp bzw. sh zeigt an, daß das Eingangssignal s (t) des SGF-Analysators seit 30 ms nicht stimmhaft bzw. seit 50 ms stimmhaft ist.

Über den PORT-Baustein werden die Periodenschätzwerte in Form eines 8-Bit Binärwortes ausgegeben. In Pausen wird das Binärwort Null ausgegeben.

Im folgenden wird nun der Algorithmus für die Zuweisung des Zeitwertes zu der anstehenden Unterbrechung (IR ₀ bis IR ₇) und für die Berechnung des SGP-Schätzwertes P _s erläutert.

Die SGP-Analyse erfolgt in zwei Phasen:
- Analyse während der "Einschwingphase", d. h. innerhalb der ersten 50 ms seit Beginn eines stimmhaften Lautes (z. B. nach vorangegangener Pause).
-Analyse innerhalb der quasistationären Phase bis zum Pausebeginn. In diesem Zusammenhang bedeutet der Ausdruck "quasistationär", daß sich der Verlauf eines Bandpaßsignals innerhalb eines quasistationären Intervalls in Abhängigkeit von der SGF nur wenig ändert.

Die "Einschwingphase" ist dadurch gekennzeichnet, daß
- sich während dieser Zeit das Eingangssignal selbst stark ändert (einschwingt)
- durch die abrupte Änderung des Eingangssignals die Bandpässe zu Eigenschwingungen angeregt werden
- erst nach Beendigung dieser Phase ein SGP-Schätzwert aus den zurückliegenden SGF-spezifischen Merkmalen ermittelt wird.

Während der "Einschwingphase" werden die Ereignisse von Kanal 1 (Arbeitsbereich: 50-140 Hz) und Kanal 2 (Arbeitsbereich während der "Einschwingphase": 140-450 Hz) ausgewertet. Allerdings ist die Auswertung für beide Kanäle unterschiedlich.

Beim Auftreten eines Ereignisses von Kanal 1 aus den Ereignisklassen 0, 1, 2 oder 3 (siehe Tabelle 3) wird der Zeitwert der Zeitgeberheinheit in den der Ereignisklasse i, i = 0, 1, 2, 3, zugeordneten zyklischen Pufferspeicher T _i abgelegt. In jedem Pufferspeicher T _i werden jeweils drei aufeinanderfolgende Ereigniszeitpunkte einer Ereignisklasse gespeichert. Die Auswertung erfolgt nach der "Einschwingphase".

Treten in Kanal 2 (Ereignisklasse 4 oder 5) Ereignisse auf, dann werden diese sofort auf eine "zulässige Periode" hin untersucht. Eine "zulässige Periode", im folgenden "zul. P." genannt, liegt nach Definition genau dann vor, wenn das Verhältnis des längeren, I _l , zum kürzeren, I _k , zweier aufeinanderfolgender Zeitintervalle einer Ereignisklasse i kleiner oder gleich 1,25 ist, d. h.

ξ = I _l /I _k 1,25 (2)

Liegt ein "zul. P." vor, dann wird die mittlere Periodendauer

_i = (I _l + I _k )/2 (3)

berechnet und in den Zwischenspeicher PVS _i , i = 4,5, geschrieben. Existiert keine "zul. P." wird PVS _i Null gesetzt. Alle 10 ms werden die Werte vom Zwischenspeicher abwechselnd in die Pufferspeicher P0 _i und P 1 _i übertragen. In den Pufferspeichern befinden sich dann jeweils die beiden zuletzt bestimmten mittleren Periodendauern der Ereignisklassen 4 und 5. Dadurch ist sichergestellt, daß auch bei einer hohen SGF die geschätzte SGP eine Mitteilung über die letzten 20 ms der "Einschwingphase" darstellt.

Durch das Signal sh wird die "Einschwingphase" beendet und der 1. SGP-Schätzwert berechnet. Hierzu werden die vier Pufferspeicher T _i , i = 0, 1, 2, 3, sukzessive anhand der drei letzten Ereigniszeitpunkt einer Ereignisklasse auf "zul. P." hin überprüft und gegebenenfalls die mittlere Periodendauer _i , i = 0, 1, 2, 3, berechnet. Anschließend wird der Periodenschätzwert ₁ des 1. Kanals bestimmt:

Wird in keiner der Ereignisklassen i = 0, 1, 2, 3 eine "zul. P." festgestellt, d. h. ε _i = 0 i, wird über die, durch die zwei letzten Ereignisse einer Ereignisklasse i, festgelegten Zeitintervalle I _i gemittelt, d. h.

Auf die gleiche Weise wird der Schätzwert ₂ für den 2. Kanal bestimmt. Hierzu dienen die in den Pufferspeichern P0 _i und P 1 _i abgelegten mittleren Periodendauern _i . Der Schätzwert P ₂ ergibt sich nach Gl. (4) für i = 4 und 5. Wird keine "zul. P." festgestellt bedeutet dies, daß die SGF unter 100 Hz liegt. Der 1. SGP-Schätzwert wird dann zu _s = ₁ gesetzt. Falls ₂ existiert wird überprüft, ob Kanal 1 gestört ist (tieffrequente Störung z. B. Netzbrumm), was bei einer hohen Sprachgrundfrequenz möglich sein kann.

Zur Überprüfung eines Störfalls wird das Verhältnis gebildet. Liegt sowohl in Kanal 1 als auch in Kanal 2 ein Schätzwert vor wird der SGP-Schätzwert in Abhängigkeit von η, 1/P ₁ und 1/P ₂ entsprechend Tabelle 3 gesetzt. Eine "*" in Tabelle 3 bedeutet, daß die Werte beliebig sein können.

Tabelle 3: Bestimmung des 1. SGP-Schätzwertes nach der "Einschwingphase"

Nach der Aufgabe des 1. SGP-Schätzwertes P _s beginnt die quasistationäre Phase. Sie ist dadurch gekennzeichnet, daß
- sich die Periodendauer aufeinanderfolgender Perioden nur wenig ändert,
- anhand des 1. Schätzwertes maximal zwei Kanäle (nur in Übergangsgebieten) ausgewählt werden, in dessen Arbeitsbereichen die SGF liegt (siehe Tabelle 4), so daß ein Primärkanal und in Übergangsgebieten auch ein Sekundärkanal existiert,
- im ungestörten Fall im zeitlichen Abstand von drei SGP ein neuer Schätzwert ausgegeben wird.

Anhand des 1. SGP-Schätzwertes werden zunächst die für die Bestimmung des nächsten Schätzwertes zuständigen Kanäle gemäß Tabelle 4 durch Setzen einer Unterbrechungsmaske ausgewählt und die zugelassenen Ereignisklammern den Modulen PRMIN und PRMAX sowie in Übergangsgebieten den Modulen SEKMIN und SEKMAX zugeordnet.

Tabelle 4: Auswahl der Kanäle und Zuordnung der Systemmodule zu den Ereignisklassen 2 bis 7 während der quasistationären Phase

Sobald ein Ereignis aus der einem Modul zugeordneten Ereignisklasse auftritt, wird der Zustandzähler inkrementiert und der entsprechende Zeitwert in einem Zwischenspeicher abgelegt. Beim dritten Aufruf eines Moduls, d. h. nach dem dritten Ereignis einer Ereignisklasse, werden die im Zwischenspeicher abgelegten Zeitwerte auf "zul. P." hin untersucht und gegebenenfalls zunächst die mittlere Periodendauer _A bzw. _B berechnet. Existiert keine "zul. P." wird _A = 0 bzw. _B = 0 gesetzt. Andernfalls ergibt sich der SGP-Schätzwert zu:

_s = _A für _A ≠ _B = 0,
_s = _B für für _A = 0, _B ≠ 0 und
_s = ( _A + _B )/2 für _A ≠ 0, _B ≠ 0

Falls im Primärkreis keine "zul. P." ermittelt werden, d. h. _A = 0 und _B = 0, wird der SGP-Schätzwert gleich dem im Sekundärkanal berechneten Wert gesetzt. Werden werder im Primär- noch im Sekundärkanal "zul. P." festgestellt, wird kein neuer Schätzwert ausgegeben. Die Sekundärmodule arbeiten in gleicher Weise wie die Primärmodule. Sobald drei Ereignisse einer Ereignisklasse stattfinden, erfolgt eine Überprüfung auf "zul. P." in der oben beschriebenen Weise.

Löst das Signal sp (s (t) ist nicht stimmhaft seit 30 ms) eine Unterbrechungsanforderung aus, führt dies zur Beendigung der quasistationären Phase mit anschließender Verzweigung zum Pausemodul.

Claims (6)

1. Sprachgrundfrequenzanalysator zur Bestimmung der Tonhöhe von Sprachsignalen im Bereich von 50 bis 450 Hz, bestehend aus einer Filterbank (1), einer Extremwert- und Nulldurchgangs-Detektions-Einheit (2) einer Unterbrechungseinheit (3) einer Zeitgebereinheit (4) und einer Auswerteeinheit (5), dadurch gekennzeichnet, daß mittels der Filterbank sowie der Extremwert- und Nulldurchgangs- Detektions-Einheit eine Vorfilterung des Sprachsignals s (t) und eine Datenreduktion auf sprachgrundfrequenzspezifische Merkmale (Kennwerte) durchgeführt wird, aus welchen dann mittels der Unterbrechungseinheit, der Zeitgebereinheit und der Auswerteeinheit die Sprachgrundfrequenzbestimmung erfolgt.

2. Sprachgrundfrequenzanalysator nach Anspruch 1, dadurch gekennzeichnet, daß die Filterbank aus drei Bandpässen (BP 1 bis BP 3) besteht, deren jeweilige Flankensteilheiten etwa 24 dB/Oktave betragen und deren untere und obere 3 dB-Bandgrenzen sowie die Arbeitsbereiche Werte nach Tabelle 1 besitzen. Tabelle 1: Untere f _gu und obere f _go 3dB-Grenzfrequenzen und Arbeitsbereiche der Bandpässe

3. Sprachgrundfrequenzanalysator nach Anspruch 1, dadurch gekennzeichnet, daß die Extremwert- und Nulldurchgangs- Detektions-Einheit, bestehend aus drei Extremwertdetektoren E 1, E 2 und E 3 sowie zwei Nulldurchgangsdetektoren N 1 und N 3 (siehe Bild 4), die Extremwerte (Maxima und Minima) aller Bandpaßausgangssignale sowie die Nulldurchgänge sowohl mit positiver als auch negativer Steigung der Ausgangssignale von BP 1 und BP 3 feststellt und dort entsprechende Markierimpulse erzeugt.

4. Sprachgrundfrequenzanalysator nach Anspruch 1, dadurch gekennzeichnet, daß die Unterbrechungseinheit beim Auftreten eines Markierimpulses die Auswerteeinheit veranlaßt, dem Markierimpuls den momentanen Zeitwert der Zeitgebereinheit zuzuordnen.

5. Sprachgrundfrequenzanalysator nach Anspruch 1, dadurch gekennzeichnet, daß die Auswerteeinheit mittels der den Markierimpulsen zugewiesenen Zeitwerten einen Schätzwert für die im Eingangssignal enthaltene Sprachgrundfrequenz bzw. Sprachgrundperiode bestimmt.

6. Einrichtungen nach Anspruch 1 bis 5, dadurch gekennzeichnet, daß sie mit analogen, hybriden oder digitalen Systemen realisiert werden.