EP1005016A2 - Method and circuit arrangement for measuring speech level in a speech processing system - Google Patents

Method and circuit arrangement for measuring speech level in a speech processing system Download PDF

Info

Publication number
EP1005016A2
EP1005016A2 EP99440312A EP99440312A EP1005016A2 EP 1005016 A2 EP1005016 A2 EP 1005016A2 EP 99440312 A EP99440312 A EP 99440312A EP 99440312 A EP99440312 A EP 99440312A EP 1005016 A2 EP1005016 A2 EP 1005016A2
Authority
EP
European Patent Office
Prior art keywords
speech
detector
speech signal
signal
pause
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Withdrawn
Application number
EP99440312A
Other languages
German (de)
French (fr)
Other versions
EP1005016A3 (en
Inventor
Michael Walker
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Alcatel CIT SA
Alcatel Lucent SAS
Original Assignee
Alcatel CIT SA
Alcatel SA
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Alcatel CIT SA, Alcatel SA filed Critical Alcatel CIT SA
Publication of EP1005016A2 publication Critical patent/EP1005016A2/en
Publication of EP1005016A3 publication Critical patent/EP1005016A3/en
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/78—Detection of presence or absence of voice signals
    • G10L2025/783—Detection of presence or absence of voice signals based on threshold decision

Definitions

  • the current speech level for example for scaling signals, for threshold value decisions, for speech pause detection and / or for automatic Gain setting used.
  • The has particular importance Speech level measurement for successful echo cancellation in Telecommunications systems, for noise cancellation in noisy environment, for example in military vehicles, or in the Speech recognition and in speech coding and Speech decoding devices.
  • the mean value SL takes on one of the number N of Samples determine the value of the quiet noise for a certain time.
  • an averager needs one of the number N certain time to determine the speech level.
  • the averaging in one Time interval of 125 ms requires a data storage of 1000 data words at a sampling rate of 8 kHz. Except for the there is considerable computing and storage effort for the simple one Averaging the risk that with a short averaging time Interference influences Errors occur when determining the speech level.
  • join Speech level changes Incorrect measurements of the speech level.
  • the method is linear Prediction (linear predictive coding, LPC) known with the principle distinguishing features of speech and noise can also be determined are.
  • LPC linear predictive coding
  • the LPC analysis is very accurate and can be done very quickly and is a powerful process with which, among other things, the Fundamental frequency, the spectrum and the formats of a speech signal can be determined, cf. Eppinger, Herter: language processing, Kunststoff, Vienna: Hanser 1983, pages 73-77. Such an elaborate However, the process is for commercial reasons for mass products, such as Telecommunication terminals, not suitable.
  • the essence of the invention is that a measured Speech level value only then for further processing in one Voice signal processing system is allowed when characteristic Characteristics of speech recognized and interference signals and speech pauses at the Measurement were hidden.
  • the circuit arrangement consists essentially of a Speech pause detector 1, a speech detector 2, an averager 3, a memory 4 and a circuit 5 for forming a Absolute value.
  • the sampling function x (k) is at the circuit input Speech signal, at the circuit output the value of a speech level SL spent. If a speech pause, output signal P of Speech pause detector 1, and no speech, output signal F des Speech detector 2, recognized, there are a first according to FIG. 1 Switch S1, a second switch S2 and a third switch S3 in the drawn position. There is a voice signal in the form of the sampling function x (k) before, i.e.
  • a speech pause P is not recognized, the Voice detector 2 activated via the closed first switch S1 and the averaging over the circuit 5 and the closed second Switch S2 initiated with the averager 3.
  • the output signal F of the speech detector 2 detects the third switch S3 closed and the output signal SAM (x) of Averager 3 is transferred to memory 4 via third switch S3 accepted.
  • the last one measured during the pauses in speech Speech level SL from the memory 4 via the second switch S2 Transfer mean value generator 3.
  • the short-term average SAM (x) (short Average Magnitude) so that the time behavior of the Short - term mean SAM (x) of the subjective perception function of the human ear is largely adapted.
  • a dynamic leap from soft to loud tones is done with a small time constant ⁇ s, for example less than 6.5 ms.
  • a dynamic leap from loud to soft tones is according to the after masking effect of the human ear with a large time constant ⁇ l, for example 65 ms to 300 ms. Briefly spoken vowels are added to this Way well grasped. Nasal sounds or consonants compared to Lower level vowels are measured by the large time constant ⁇ l largely suppressed with falling levels.
  • the signal curve becomes a fast adaptation of the short-term mean value SAM (x) reached the current peak value of the short-term level of the speech signal. This peak value of the short-term level of the speech signal thus determines the relative speech level regardless of the speech content.
  • FIG. 2 shows the time behavior of the samples for three functions.
  • the Input function x (k) of the speech level measuring circuit according to FIG. 1 is as Functional curve 6 of a speech sample is shown.
  • the course of functions 7 shows the course of the short-term mean SAM (x (k)), short SAM (x), below Taking into account the mode of action of the different time constants ⁇ s, ⁇ l as previously described.
  • a third is for comparison Functional curve 8 shown, the effect of a simple low pass reproduces. It follows that a low pass for a quick and precise Determining the current language level is unsuitable.
  • the mean value generator 3 shows details of the mean value generator 3, which contains a recursive filter, a IIR filter 9 (Infinite Impulse Response Filter) known per se, and a circuit arrangement 10 for switching over the time constants ⁇ s, ⁇ l.
  • the circuit 5 for forming the absolute value corresponds to the circuit shown in FIG. 1.
  • the time constants ⁇ s, ⁇ l must be switched according to the following equation G2:
  • a method is used with which the temporal behavior of the sampling function x (k) of the speech signal is evaluated.
  • the short-term mean value SAM (x) of the sampling function x (k) is compared with a long-term minimum value determined in a time interval from a number of short-term mean values SAM (x).
  • time constants ⁇ s, ⁇ l of the averager 3 vary by one adapted to the respective application Obtain speech level SL.
  • the one described in the embodiment Formation of a short-term mean value SAM (x) advantageously becomes strong noisy environment, used for example in a tank. If the speakers are indistinct, it is cheaper to use an average (medium Average Magnitude) MAM (x) by the small time constant ⁇ s enlarged and the large time constant ⁇ l of the averager 3 is reduced.

Landscapes

  • Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Human Computer Interaction (AREA)
  • Physics & Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • Multimedia (AREA)
  • Cable Transmission Systems, Equalization Of Radio And Reduction Of Echo (AREA)
  • Noise Elimination (AREA)
  • Telephone Function (AREA)

Abstract

The method involves feeding a speech signal to a speech pause detector and a speech detector; if the pause detector detects a pause and the speech detector detects speech, a mean value of the speech signal is measured with a mean value detector whose transmission function is matched to that of the human ear; if speech is detected the mean value is placed in a memory for further processing as the measured speech level. An Independent claim is also included for a circuit for speech level measurement in a speech signal processing system.

Description

In Sprachsignalverarbeitungssystemen wird der aktuelle Sprachpegel beispielsweise zur Skalierung von Signalen, zur Schwellwertentscheidung, zur Sprachpausendetektion und/oder zur automatischen Verstärkungseinstellung verwendet. Besondere Bedeutung hat die Sprachpegelmessung für eine erfolgreiche Echokompensation in Telekommunikationssystemen, für eine Geräuschunterdrückung in lärmerfüllter Umgebung, beispielsweise in Militärfahrzeugen, oder bei der Spracherkennung und in Sprachkodierungs- und Sprachdekodierungseinrichtungen.In speech signal processing systems, the current speech level for example for scaling signals, for threshold value decisions, for speech pause detection and / or for automatic Gain setting used. The has particular importance Speech level measurement for successful echo cancellation in Telecommunications systems, for noise cancellation in noisy environment, for example in military vehicles, or in the Speech recognition and in speech coding and Speech decoding devices.

Es ist allgemein bekannt, einen Mittelwert SL (speech level) aus den Abtastwerten x(k) eines Sprachsignals x(t) innerhalb eines Zeitintervalls gemäß Gleichung G1 zu bilden.

Figure 00010001
It is generally known to form an average value SL (speech level) from the sample values x (k) of a speech signal x (t) within a time interval according to equation G1.
Figure 00010001

Bei Sprachpausen nimmt der Mittelwert SL in einer von der Anzahl N der Abtastwerte bestimmten Zeit den Wert des Ruhegeräuschs an. Zu Beginn der Sprachaktivität benötigt ein Mittelwertbildner eine von der Anzahl N bestimmte Zeit, um den Sprachpegel zu bestimmen. Die Mittelung in einem Zeitintervall von 125 ms erfordert einen Datenspeicher von 1000 Datenworten bei einer Abtastrate von 8 kHz. Abgesehen von dem beträchtlichen Rechen- und Speicheraufwand besteht bei der einfachen Mittelwertbildung die Gefahr, daß bei kurzer Mittelungszeit durch Störeinflüsse Fehler bei der Bestimmung des Sprachpegels auftreten. Bei langer Mittelungszeit ist einerseits die Information über die Größe des Sprachpegels sehr spät verfügbar, andererseits treten bei Sprachpegeländerungen Fehlmessungen des Sprachpegels auf.During pauses in speech, the mean value SL takes on one of the number N of Samples determine the value of the quiet noise for a certain time. At the start of the speech activity, an averager needs one of the number N certain time to determine the speech level. The averaging in one Time interval of 125 ms requires a data storage of 1000 data words at a sampling rate of 8 kHz. Except for the there is considerable computing and storage effort for the simple one Averaging the risk that with a short averaging time Interference influences Errors occur when determining the speech level. At long averaging time is on the one hand the information about the size of the Language levels available very late, on the other hand, join Speech level changes Incorrect measurements of the speech level.

Weiterhin ist bekannt, rekursive Filter zur Mittelwertbildung zu verwenden, vgl. Hentschke: Grundzüge der Digitaltechnik, Stuttgart: Teubner 1988, Seiten 52-54. Der Rechen- und Speicheraufwand für diese digitalen Filter ist relativ gering, jedoch werden alle Signalwerte gemittelt, so daß eine Unterscheidung zwischen Sprache und Störgeräusch ausgeschlossen ist.It is also known to use recursive filters for averaging, see. Hentschke: Fundamentals of digital technology, Stuttgart: Teubner 1988, Pages 52-54. The computing and storage effort for these digital filters is relatively low, but all signal values are averaged, so that a Differentiation between speech and noise is excluded.

Aus dem Gebiet der Sprachverarbeitung ist das Verfahren der linearen Prädiktion (linear predictive coding, LPC) bekannt, mit dem grundsätzlich auch Unterscheidungsmerkmale von Sprache und Störgeräusch ermittelbar sind. Die LPC-Analyse ist sehr genau und kann sehr schnell durchgeführt werden und ist ein leistungsfähiges Verfahren, mit dem unter anderem die Grundfrequenz, das Spektrum und die Formate eines Sprachsignals bestimmt werden können, vgl. Eppinger, Herter: Sprachverarbeitung, München, Wien: Hanser 1983, Seiten 73-77. Ein solches aufwendiges Verfahren ist jedoch aus kommerziellen Gründen für Massenprodukte, wie Telekommunikationsendgeräte, nicht geeignet.From the field of speech processing, the method is linear Prediction (linear predictive coding, LPC) known with the principle distinguishing features of speech and noise can also be determined are. The LPC analysis is very accurate and can be done very quickly and is a powerful process with which, among other things, the Fundamental frequency, the spectrum and the formats of a speech signal can be determined, cf. Eppinger, Herter: language processing, Munich, Vienna: Hanser 1983, pages 73-77. Such an elaborate However, the process is for commercial reasons for mass products, such as Telecommunication terminals, not suitable.

Mit der Erfindung wird nun die Aufgabe gelöst, ein kostengünstig realisierbares Verfahren zur Sprachpegelmessung und eine Schaltungsanordnung zur Realisierung des Verfahrens anzugeben, die folgende Eigenschaften haben:

  • Aus einem Zeitsignal soll der aktuelle Sprachpegel möglichst rasch und präzise ermittelt werden,
  • Die Adaptionszeit der Sprachpegelmeßschaltung soll kurz sein, um hörbare Fehler, wie Lautstärkeschwankungen zu vermeiden,
  • Der gemessene Sprachpegel soll unabhängig von Pegelschwankungen der Sprache, hervorgerufen beispielsweise durch nasale Laute oder offene Vokale, sein,
  • Der gemessene Sprachpegel soll unabhängig von kurzzeitigen Störeinflüssen, wie beispielsweise Räuspern, Husten, Klatschen, Türenschlagen, sein, obwohl gerade diese Störer eine großen Energieinhalt haben,
  • In Sprachpausen soll der gemessene Wert des Sprachpegels erhalten bleiben, um das von der automatischen Verstärkungsregelung (Automatic Gain Control, AGC) bekannte Atmen der Lautstärke zu unterdrücken.
The object of the invention is now to provide a cost-effective method for speech level measurement and a circuit arrangement for implementing the method, which have the following properties:
  • The current speech level should be determined as quickly and precisely as possible from a time signal,
  • The adaptation time of the speech level measuring circuit should be short in order to avoid audible errors such as volume fluctuations.
  • The measured speech level should be independent of fluctuations in the level of speech caused, for example, by nasal sounds or open vowels.
  • The measured speech level should be independent of short-term interferences, such as clearing the throat, coughing, clapping, knocking on the door, even though these interferers have a large energy content,
  • During speech pauses, the measured value of the speech level should be retained in order to suppress the breathing of the volume known from the automatic gain control (AGC).

Diese Aufgabe wird durch das im ersten Patentanspruch beschriebene Verfahren und durch die im siebenten Patentanspruch beschriebene Schaltungsanordnung gelöst.This object is achieved by that described in the first claim Method and by that described in the seventh claim Circuit arrangement solved.

Das Wesen der Erfindung besteht darin, daß ein gemessener Sprachpegelwert nur dann zur Weiterverarbeitung in einem Sprachsignalverarbeitungssystem zugelassen wird, wenn charakteristische Merkmale der Sprache erkannt und Störsignale und Sprachpausen bei der Messung ausgeblendet wurden.The essence of the invention is that a measured Speech level value only then for further processing in one Voice signal processing system is allowed when characteristic Characteristics of speech recognized and interference signals and speech pauses at the Measurement were hidden.

Die Erfindung wird nachstehend an einem Ausführungsbeispiel beschrieben. In der dazugehörigen Zeichnung zeigen

Fig. 1
ein Blockschaltbild der erfindungsgemäßen Schaltungsanordnung,
Fig. 2
eine Darstellung der Zeitfunktionen der Abtastwerte eines Sprachsignals, eines Kurzzeitmittelwertes und eines tiefpaßgefilterten Sprachsignals und
Fig. 3
ein Blockschaltbild einer Anordnung zur Ermittlung des Kurzzeitmittelwertes.
The invention is described below using an exemplary embodiment. Show in the accompanying drawing
Fig. 1
2 shows a block diagram of the circuit arrangement according to the invention,
Fig. 2
a representation of the time functions of the samples of a speech signal, a short-term average and a low-pass filtered speech signal and
Fig. 3
a block diagram of an arrangement for determining the short-term average.

Gemäß Fig. 1 besteht die Schaltungsanordnung im wesentlichen aus einem Sprachpausendetektor 1, einem Sprachdetektor 2, einem Mittelwertbildner 3, einem Speicher 4 sowie einer Schaltung 5 zur Bildung eines Absolutwertes. Am Schaltungseingang liegt die Abtastfunktion x(k) eines Sprachsignals, am Schaltungsausgang wird der Wert eines Sprachpegels SL ausgegeben. Wird eine Sprachpause, Ausgangssignal P des Sprachpausendetektors 1, und wird keine Sprache, Ausgangssignal F des Sprachdetektors 2, erkannt, so befinden sich gemäß Fig. 1 ein erster Schalter S1, ein zweiter Schalter S2 und ein dritter Schalter S3 in der gezeichneten Stellung. Liegt ein Sprachsignal in Form der Abtastfunktion x(k) vor, d.h. eine Sprachpause P wird nicht erkannt, wird der Sprachdetektor 2 über den geschlossenen ersten Schalter S1 aktiviert und die Mittelwertbildung über die Schaltung 5 und den geschlossenen zweiten Schalter S2 mit dem Mittelwertbildner 3 eingeleitet. Wurde ein Sprachsignal erkannt, so wird über das Ausgangssignal F des Sprachdetektors 2 der dritte Schalter S3 geschlossen und das Ausgangssignal SAM(x) des Mittelwertbildners 3 wird über den dritten Schalter S3 in den Speicher 4 übernommen. Während der Sprachpausen wird der zuletzt gemessene Sprachpegel SL aus dem Speicher 4 über den zweiten Schalter S2 dem Mittelwertbildner 3 übergeben.1, the circuit arrangement consists essentially of a Speech pause detector 1, a speech detector 2, an averager 3, a memory 4 and a circuit 5 for forming a Absolute value. The sampling function x (k) is at the circuit input Speech signal, at the circuit output the value of a speech level SL spent. If a speech pause, output signal P of Speech pause detector 1, and no speech, output signal F des Speech detector 2, recognized, there are a first according to FIG. 1 Switch S1, a second switch S2 and a third switch S3 in the drawn position. There is a voice signal in the form of the sampling function x (k) before, i.e. a speech pause P is not recognized, the Voice detector 2 activated via the closed first switch S1 and the averaging over the circuit 5 and the closed second Switch S2 initiated with the averager 3. Has been a voice signal is recognized, the output signal F of the speech detector 2 detects the third switch S3 closed and the output signal SAM (x) of Averager 3 is transferred to memory 4 via third switch S3 accepted. The last one measured during the pauses in speech Speech level SL from the memory 4 via the second switch S2 Transfer mean value generator 3.

Mit dem Mittelwertbildner 3 wird ein Kurzzeitmittelwert SAM(x) (Short Average Magnitude) so gebildet, daß das Zeitverhalten des Kurzzeitmittelwertes SAM(x) der subjektiven Wahrnehmungsfunktion des menschlichen Ohres weitgehend angepaßt ist. Ein Dynamiksprung von leisen zu lauten Tönen wird dazu mit einer kleinen Zeitkonstanten τs, beispielsweise kleiner als 6,5 ms, berechnet. Ein Dynamiksprung von lauten zu leisen Tönen wird entsprechend dem Nachverdeckungseffekt des menschlichen Ohres mit einer großen Zeitkonstanten τl, beispielsweise 65 ms bis 300 ms, berechnet. Kurz gesprochene Vokale werden auf diese Weise gut erfaßt. Nasale Laute oder Konsonanten mit im Vergleich zu Vokalen geringerem Pegel werden bei der Sprachpegelmessung durch die große Zeitkonstante τl bei fallenden Pegeln weitgehend unterdrückt. Durch die unterschiedlichen Zeitkonstanten τs, τl für steigenden und fallenden Signalverlauf wird eine schnelle Adaption des Kurzzeitmittelwertes SAM(x) an den aktuellen Spitzenwert des Kurzzeitpegels des Sprachsignals erreicht. Dieser Spitzenwert des Kurzzeitpegels des Sprachsignals bestimmt somit unabhängig vom Sprachinhalt den relativen Sprachpegel.The short-term average SAM (x) (short Average Magnitude) so that the time behavior of the Short - term mean SAM (x) of the subjective perception function of the human ear is largely adapted. A dynamic leap from soft to loud tones is done with a small time constant τs, for example less than 6.5 ms. A dynamic leap from loud to soft tones is according to the after masking effect of the human ear with a large time constant τl, for example 65 ms to 300 ms. Briefly spoken vowels are added to this Way well grasped. Nasal sounds or consonants compared to Lower level vowels are measured by the large time constant τl largely suppressed with falling levels. By the different time constants τs, τl for rising and falling The signal curve becomes a fast adaptation of the short-term mean value SAM (x) reached the current peak value of the short-term level of the speech signal. This peak value of the short-term level of the speech signal thus determines the relative speech level regardless of the speech content.

Figur 2 zeigt das Zeitverhalten der Abtastwerte für drei Funktionen. Die Eingangsfunktion x(k) der Sprachpegelmeßschaltung gemäß Fig. 1 ist als Funktionsverlauf 6 einer Sprachprobe dargestellt. Der Funktionsverlauf 7 zeigt den Verlauf des Kurzzeitmittelwertes SAM (x(k)), kurz SAM (x), unter Berücksichtigung der Wirkungsweise der unterschiedlichen Zeitkonstanten τs, τl wie zuvor beschrieben. Zum Vergleich ist noch ein dritter Funktionsverlauf 8 dargestellt, der die Wirkung eines einfachen Tiefpasses wiedergibt. Daraus geht hervor, daß ein Tiefpaß für eine rasche und präzise Ermittlung des aktuellen Sprachpegels ungeeignet ist.FIG. 2 shows the time behavior of the samples for three functions. The Input function x (k) of the speech level measuring circuit according to FIG. 1 is as Functional curve 6 of a speech sample is shown. The course of functions 7 shows the course of the short-term mean SAM (x (k)), short SAM (x), below Taking into account the mode of action of the different time constants τs, τl as previously described. A third is for comparison Functional curve 8 shown, the effect of a simple low pass reproduces. It follows that a low pass for a quick and precise Determining the current language level is unsuitable.

In Fig. 3 sind Einzelheiten des Mittelwertbildners 3 dargestellt, der ein rekursives Filter, ein an sich bekanntes IIR-Filter 9 (Infinite Impulse Response Filter), und eine Schaltungsanordnung 10 zur Umschaltung der Zeitkonstanten τs, τl enthält. Die Schaltung 5 zur Bildung des Absolutwertes entspricht der in Fig. 1 dargestellten Schaltung. Um den zuvor beschriebenen Verlauf des Kurzzeitmittelwertes SAM (x) zu erzielen, ist eine Umschaltung der Zeitkonstanten τs, τl nach folgender Gleichung G2 erforderlich:

Figure 00050001
3 shows details of the mean value generator 3, which contains a recursive filter, a IIR filter 9 (Infinite Impulse Response Filter) known per se, and a circuit arrangement 10 for switching over the time constants τs, τl. The circuit 5 for forming the absolute value corresponds to the circuit shown in FIG. 1. In order to achieve the curve of the short-term mean value SAM (x) described above, the time constants τs, τl must be switched according to the following equation G2:
Figure 00050001

Das bedeutet, wenn der Abtastwert x(k) des Sprachsignals x(t) größer ist als der Kurzzeitmittelwert SAM (x), beispielsweise in Fig. 2 Funktionsverlauf 6, Abtastzeitpunkte 0 bis 12, wird für die Zeitkonstanten α, β der Wert der kurzen Zeitkonstanten τs zur Berechnung des Kurzzeitmittelwertes SAM (x) verwendet.This means if the sample value x (k) of the speech signal x (t) is greater than the short-term mean value SAM (x), for example in FIG. 2, function curve 6, Sampling times 0 to 12, the value of the time constant α, β short time constants τs for the calculation of the short-term mean SAM (x) used.

Zur Realisierung des Sprachpausendetektors 1 in Fig. 1 wird ein Verfahren verwendet, mit dem das zeitliche Verhalten der Abtastfunktion x(k) des Sprachsignals ausgewertet wird. Der Kurzzeitmittelwert SAM (x) der Abtastfunktion x(k) wird mit einem in einem Zeitintervall ermittelten Langzeitminimalwert aus einer Anzahl Kurzzeitmittelwerte SAM (x) verglichen.

Figure 00050002
To implement the speech pause detector 1 in FIG. 1, a method is used with which the temporal behavior of the sampling function x (k) of the speech signal is evaluated. The short-term mean value SAM (x) of the sampling function x (k) is compared with a long-term minimum value determined in a time interval from a number of short-term mean values SAM (x).
Figure 00050002

Der Minimalwert der Kurzzeitmittelwerte SAM (x) wird in einem Zeitintervall von t = 0 ... tlam, beispielsweise tlam = 3s bis 7s gesucht. Ist der aktuelle Kurzzeitmittelwert SAM (x) kleiner als dieser Minimalwert, so wird das Eingangssignal x(k) an der Sprachpegelmeßschaltung als Pause P gewertet. Sprachsignale würden immer größer als der ermittelte Minimalwert sein. Zur sicheren Bestimmung des aktuellen Sprachpegels ist nicht nur die Unterscheidung zwischen Sprache und Sprachpause erforderlich, sondern auch die Unterscheidung zwischen Sprache und Störern. Dazu dient der in Fig. 1 dargestellte Sprachdetektor 2, dessen Ausgangssignal F als Entscheidungskriterium für die Übernahme des Kurzzeitmittelwertes SAM (x) in den Speicher 4 dient. Unterscheidungsmerkmale zwischen Sprache und Störer sind beispielsweise das Zeitverhalten, die Periodizität oder die LPC-Koeffizientendarstellung eines LPC-Filters. Für die vorliegende Aufgabenstellung ist die Auswertung des Zeitverhaltens vorteilhaft. Dazu wird die Tatsache ausgenutzt, daß Störer kurzzeitig wirken, im allgemeinen kürzer als 200 ms, während ein Sprecher eine größere Zeit, mindestens 1 s, aktiv ist, um eine Information abzugeben und die Sprachfunktion keine kurzzeitigen hohen Momentanwerte aufweist. Die Ungleichung G4 beschreibt die Bedingung, die für die Detektion des Eingangssignals x(k) als Sprache erfüllt sein muß.

Figure 00060001
   für i > τ (s) • Fa mit

  • i = Anzahl der Abtastwerte k
  • τ(s) = Sprechzeit
  • Fa = Abtastfrequenz
    • The minimum value of the short-term mean values SAM (x) is sought in a time interval from t = 0 ... tlam, for example tlam = 3s to 7s. If the current short-term mean value SAM (x) is less than this minimum value, the input signal x (k) on the speech level measuring circuit is evaluated as pause P. Speech signals would always be greater than the minimum value determined. To reliably determine the current speech level, not only the distinction between speech and speech pause is necessary, but also the distinction between speech and interferers. The speech detector 2 shown in FIG. 1 serves for this purpose, the output signal F of which serves as a decision criterion for the transfer of the short-term mean value SAM (x) into the memory 4. Distinguishing features between speech and interferers are, for example, the time behavior, the periodicity or the LPC coefficient representation of an LPC filter. The evaluation of the time behavior is advantageous for the present task. For this purpose, the fact that interferers act briefly, generally shorter than 200 ms, is used, while a speaker is active for a longer period of time, at least 1 s, in order to provide information and the speech function has no short-term, high instantaneous values. Inequality G4 describes the condition that must be fulfilled for the detection of the input signal x (k) as speech.
    Figure 00060001
    For i> τ (s) • Fa With
  • i = number of samples k
  • τ (s) = talk time
  • Fa = sampling frequency

    • [SAM (x) ... SAM (x-i)] bedeutet, daß eine Anregung für eine bestimmte Mindestzeit vorhanden sein muß, damit nicht bereits ein Rauschen als Anregung detektiert wird. Die rechte Seite der Ungleichung G4 wurde bei der Beschreibung der Ungleichung G3 erläutert. Die Zeitüberwachung für die Sprechzeit τ(s) wird mit einem hier nicht dargestellten Zähler durchgeführt, der durch den Sprachpausendetektor 1 gestartet und zurückgesetzt wird. Beim Überschreiten der definierten Sprechzeit τ(s) wird der zuvor vom Mittelwertbildner 3 gemessene Kurzzeitmttelwert SAM (x) in den Speicher 4 übernommen. Es ist praktisch vorteilhaft, als Sprechzeit τ(s) eine Dauer von 300 ms zu definieren.[SAM (x) ... SAM (x-i)] means that a suggestion for a particular Minimum time must be available so that no noise is already as Excitation is detected. The right side of inequality G4 was at the description of inequality G3. Time monitoring for the speaking time τ (s) is with a counter, not shown here performed, started by the speech pause detector 1 and is reset. If the defined speaking time τ (s) is exceeded the short-term mean value SAM (x) in previously measured by the averager 3 the memory 4 taken over. It is practically advantageous to use τ (s) define a duration of 300 ms.

    Es ist auch möglich, die Zeitkonstanten τs, τl des Mittelwertbildners 3 zu variieren, um einen für den jeweiligen Anwendungsfall angepaßten Sprachpegel SL zu erhalten. Die in dem Ausführungsbeispiel beschriebene Bildung eines Kurzzeitmittelwertes SAM(x) wird vorteilhafterweise in stark geräuschbehafteter Umgebung, beispielsweise in einem Panzer eingesetzt. Bei undeutlichen Sprechern ist es günstiger, einen Mittelwert (Medium Average Magnitude) MAM(x) zu bilden, indem die kleine Zeitkonstante τs vergrößert und die große Zeitkonstante τl des Mittelwertbildners 3 verkleinert wird.It is also possible to add the time constants τs, τl of the averager 3 vary by one adapted to the respective application Obtain speech level SL. The one described in the embodiment Formation of a short-term mean value SAM (x) advantageously becomes strong noisy environment, used for example in a tank. If the speakers are indistinct, it is cheaper to use an average (medium Average Magnitude) MAM (x) by the small time constant τs enlarged and the large time constant τl of the averager 3 is reduced.

    Mit geringem Rechen- und Speicheraufwand wird wie beschrieben eine kostengünstige und zuverlässige Sprachpegelmessung realisiert.With little computation and storage effort, one is described as Cost-effective and reliable speech level measurement implemented.

    Claims (9)

    Verfahren zur Sprachpegelmessung in einem Sprachsignalverarbeitungssystem mit folgenden Verfahrensschritten: Ein Sprachsignal (x(k)) wird sowohl einem Sprachpausendetektor (1) als auch einem Sprachdetektor (2) zugeführt, Bei von dem Sprachpausendetektor (1) erkannter Pause (P) und, von dem Sprachdetektor (2) erkannter Sprache (F) wird von dem Sprachsignal (x(k)) ein Mittelwert mit einem Mittelwertbildner (3) gemessen, dessen Übertragungsfunktion an die Übertragungsfunktion des menschlichen Ohres angepaßt ist, Bei erkannter Sprache (F) wird der gemessene Mittelwert in einem Speicher (4) zur Weiterverarbeitung als gemessener Sprachpegel (SL) abgelegt. Method for speech level measurement in a speech signal processing system with the following method steps: A speech signal (x (k)) is fed to both a speech pause detector (1) and a speech detector (2), When the pause detector (1) is recognized by the speech pause detector (1) and speech (F) is recognized by the speech detector (2), the speech signal (x (k)) measures an average value with an averager (3) whose transfer function to the transfer function adapted to the human ear, When speech (F) is recognized, the measured mean value is stored in a memory (4) for further processing as a measured speech level (SL). Verfahren nach Anspruch 1,
    dadurch gekennzeichnet, daß
    mit dem Sprachpausendetektor (1) eine Pause (P) im Sprachsignal (x(k)) erkannt wird, wenn der Kurzzeitmittelwert des Sprachsignals (x(k)) kleiner ist als der in einem definierten Zeitintervall ermittelte Langzeitmittelwert des Sprachsignals (x(k)).     Method according to claim 1,
    characterized in that
    the speech pause detector (1) detects a pause (P) in the speech signal (x (k)) when the short-term mean value of the speech signal (x (k)) is smaller than the long-term mean value of the speech signal (x (k) determined in a defined time interval ).         Verfahren nach Anspruch 1, dadurch gekennzeichnet, daß mit dem Sprachdetektor (2) Sprache (F) im Sprachsignal (x(k)) erkannt wird, wenn die Anregung des Sprachdetektors für eine Mindestzeit den in einem definierten Zeitintervall ermittelten Longzeitmittelwert des Sprachsignals (x(k)) überschreitet.A method according to claim 1, characterized in that with the Speech detector (2) speech (F) in the speech signal (x (k)) is detected when the Excitation of the speech detector for a minimum of a defined time Time interval determined long-term mean value of the speech signal (x (k)) exceeds. Verfahren nach Anspruch 1, dadurch gekennzeichnet, daß der Mittelwertbildner (3) einen Kurzzeitmittelwert des Sprachsignals (x(k)) derart bildet, daß die Mittelwertbildung bei ansteigendem Verlauf des Sprachsignals (x(k)) und bei fallendem Verlauf des Sprachsignals (x(k)) durch unterschiedliche Zeitkonstanten (τs, τl) erfolgt.A method according to claim 1, characterized in that the Averaging means (3) such a short-term average of the speech signal (x (k)) forms that the averaging with increasing course of the Speech signal (x (k)) and if the speech signal (x (k)) falls by different time constants (τs, τl). Verfahren nach Anspruch 4, dadurch gekennzeichnet, daß bei ansteigendem Verlauf des Sprachsignals (x(k)), also bei einem Dynamiksprung von leisen zu lauten Tönen, für die Mittelwertbildung eine kleine Zeitkonstante (τs), beispielsweise τs < 6,5 ms, verwendet wird.A method according to claim 4, characterized in that at increasing course of the speech signal (x (k)), that is with a Dynamic leap from quiet to loud tones, one for averaging small time constant (τs), for example τs <6.5 ms, is used. Verfahren nach Anspruch 4, dadurch gekennzeichnet, daß bei fallendem Verlauf des Sprachsignals (x(k)) für die Mittelwertbildung eine große Zeitkonstante (τl), beispielsweise τl = 65 ms ... 300 ms, verwendet wird und damit der Nachverdeckungseffekt des menschlichen Ohres nachgebildet wird.A method according to claim 4, characterized in that when falling A large course of the speech signal (x (k)) for averaging Time constant (τl), for example τl = 65 ms ... 300 ms, is used and so that the masking effect of the human ear is simulated becomes. Schaltungsanordnung zur Sprachpegelmessung in einem Sprachsignalverarbeitungssystem, deren Eingang (x(k)) sowohl mit einem Sprachpausendetektor (1) als auch mit einem Sprachdetektor (2) und einem Mittelwertbildner (3), dessen Ausgang einem Speicher (4) liegt, verbunden ist.Circuit arrangement for speech level measurement in one Speech signal processing system, the input (x (k)) with both Speech pause detector (1) as well as with a speech detector (2) and one Averager (3), the output of which is in a memory (4) is. Schaltungsanordnung nach Anspruch 7, dadurch gekennzeichnet, daß der Eingang des Sprachdetektors (2) über einen ersten Schalter (S1) und der Eingang des Mittelwertbildners (3) über einen zweiten Schalter (S2) an den Eingang (x(k)) der Schaltungsanordnung geschaltet sind, wobei der erste Schalter (S1) und der zweite Schalter (S2) in Abhängigkeit von dem Ausgangssignal (P) des Sprachpausendetektors (1) gesteuert werden. Circuit arrangement according to claim 7, characterized in that the Input of the speech detector (2) via a first switch (S1) and the Input of the averager (3) via a second switch (S2) to the Input (x (k)) of the circuit arrangement are switched, the first Switch (S1) and the second switch (S2) depending on the Output signal (P) of the speech pause detector (1) can be controlled. Schaltungsanordnung nach Anspruch 7, dadurch gekennzeichnet, daß der Ausgang des Mittelwertbildners (3) über einen dritten Schalter (S3), der von dem Ausgangssignal (F) des Sprachdetetors (2) gesteuert wird, mit dem Eingang des Speichers (4) verbunden ist.Circuit arrangement according to claim 7, characterized in that the Output of the averager (3) via a third switch (S3), which of the output signal (F) of the speech detector (2) is controlled with the Input of the memory (4) is connected.
    EP99440312A 1998-11-25 1999-11-12 Method and circuit arrangement for measuring speech level in a speech processing system Withdrawn EP1005016A3 (en)

    Applications Claiming Priority (2)

    Application Number Priority Date Filing Date Title
    DE19854341A DE19854341A1 (en) 1998-11-25 1998-11-25 Method and circuit arrangement for speech level measurement in a speech signal processing system
    DE19854341 1998-11-25

    Publications (2)

    Publication Number Publication Date
    EP1005016A2 true EP1005016A2 (en) 2000-05-31
    EP1005016A3 EP1005016A3 (en) 2000-11-29

    Family

    ID=7888949

    Family Applications (1)

    Application Number Title Priority Date Filing Date
    EP99440312A Withdrawn EP1005016A3 (en) 1998-11-25 1999-11-12 Method and circuit arrangement for measuring speech level in a speech processing system

    Country Status (3)

    Country Link
    US (1) US6539350B1 (en)
    EP (1) EP1005016A3 (en)
    DE (1) DE19854341A1 (en)

    Cited By (1)

    * Cited by examiner, † Cited by third party
    Publication number Priority date Publication date Assignee Title
    EP1278185A2 (en) * 2001-07-13 2003-01-22 Alcatel Method for improving noise reduction in speech transmission

    Families Citing this family (7)

    * Cited by examiner, † Cited by third party
    Publication number Priority date Publication date Assignee Title
    DE19939102C1 (en) * 1999-08-18 2000-10-26 Siemens Ag Speech recognition method for dictating system or automatic telephone exchange
    KR100406307B1 (en) * 2001-08-09 2003-11-19 삼성전자주식회사 Voice recognition method and system based on voice registration method and system
    EP1429314A1 (en) * 2002-12-13 2004-06-16 Sony International (Europe) GmbH Correction of energy as input feature for speech processing
    EP2560410B1 (en) * 2011-08-15 2019-06-19 Oticon A/s Control of output modulation in a hearing instrument
    US8255218B1 (en) * 2011-09-26 2012-08-28 Google Inc. Directing dictation into input fields
    US8543397B1 (en) 2012-10-11 2013-09-24 Google Inc. Mobile device voice activation
    CN107690089A (en) * 2016-08-05 2018-02-13 阿里巴巴集团控股有限公司 Data processing method, live broadcasting method and device

    Citations (2)

    * Cited by examiner, † Cited by third party
    Publication number Priority date Publication date Assignee Title
    US4696039A (en) * 1983-10-13 1987-09-22 Texas Instruments Incorporated Speech analysis/synthesis system with silence suppression
    JPH07326981A (en) * 1994-05-31 1995-12-12 Japan Radio Co Ltd Vox controlled communication equipment

    Family Cites Families (10)

    * Cited by examiner, † Cited by third party
    Publication number Priority date Publication date Assignee Title
    US4032710A (en) * 1975-03-10 1977-06-28 Threshold Technology, Inc. Word boundary detector for speech recognition equipment
    US4481593A (en) * 1981-10-05 1984-11-06 Exxon Corporation Continuous speech recognition
    DE3276732D1 (en) * 1982-04-27 1987-08-13 Philips Nv Speech analysis system
    DE3276731D1 (en) * 1982-04-27 1987-08-13 Philips Nv Speech analysis system
    DE3230391A1 (en) * 1982-08-14 1984-02-16 Philips Kommunikations Industrie AG, 8500 Nürnberg Method for improving speech signals affected by interference
    US4625083A (en) * 1985-04-02 1986-11-25 Poikela Timo J Voice operated switch
    FR2631147B1 (en) * 1988-05-04 1991-02-08 Thomson Csf METHOD AND DEVICE FOR DETECTING VOICE SIGNALS
    US5204906A (en) * 1990-02-13 1993-04-20 Matsushita Electric Industrial Co., Ltd. Voice signal processing device
    US5216702A (en) * 1992-02-27 1993-06-01 At&T Bell Laboratories Nonintrusive speech level and dynamic noise measurements
    US5305422A (en) * 1992-02-28 1994-04-19 Panasonic Technologies, Inc. Method for determining boundaries of isolated words within a speech signal

    Patent Citations (2)

    * Cited by examiner, † Cited by third party
    Publication number Priority date Publication date Assignee Title
    US4696039A (en) * 1983-10-13 1987-09-22 Texas Instruments Incorporated Speech analysis/synthesis system with silence suppression
    JPH07326981A (en) * 1994-05-31 1995-12-12 Japan Radio Co Ltd Vox controlled communication equipment

    Non-Patent Citations (1)

    * Cited by examiner, † Cited by third party
    Title
    BAUER B B ET AL: "THE MEASUREMENT OF LOUDNESS LEVEL" JOURNAL OF THE ACOUSTICAL SOCIETY OF AMERICA,US,AMERICAN INSTITUTE OF PHYSICS. NEW YORK, Bd. 50, Nr. 2, PART 01, August 1971 (1971-08), Seiten 405-414, XP000795762 ISSN: 0001-4966 *

    Cited By (2)

    * Cited by examiner, † Cited by third party
    Publication number Priority date Publication date Assignee Title
    EP1278185A2 (en) * 2001-07-13 2003-01-22 Alcatel Method for improving noise reduction in speech transmission
    EP1278185A3 (en) * 2001-07-13 2005-02-09 Alcatel Method for improving noise reduction in speech transmission

    Also Published As

    Publication number Publication date
    DE19854341A1 (en) 2000-06-08
    US6539350B1 (en) 2003-03-25
    EP1005016A3 (en) 2000-11-29

    Similar Documents

    Publication Publication Date Title
    DE3856280T2 (en) Noise reduction system
    DE69535709T2 (en) Method and apparatus for selecting the coding rate in a variable rate vocoder
    DE69926851T2 (en) Method and apparatus for voice activity detection
    DE60009206T2 (en) Noise suppression by means of spectral subtraction
    DE69816610T2 (en) METHOD AND DEVICE FOR NOISE REDUCTION, ESPECIALLY WITH HEARING AIDS
    DE69614989T2 (en) Method and device for determining speech activity in a speech signal and a communication device
    DE3752288T2 (en) Speech processor
    DE69913262T2 (en) DEVICE AND METHOD FOR ADJUSTING THE NOISE THRESHOLD FOR DETECTING VOICE ACTIVITY IN A NON-STATIONARY NOISE ENVIRONMENT
    DE112009000805B4 (en) noise reduction
    EP0690436B1 (en) Detection of the start/end of words for word recognition
    DE3233637C2 (en) Device for determining the duration of speech signals
    EP1088300B1 (en) Method for executing automatic evaluation of transmission quality of audio signals
    EP0698986A2 (en) Method for adaptive echo compensation
    EP0747880B1 (en) System for speech recognition
    DE69918635T2 (en) Apparatus and method for speech processing
    DE69616724T2 (en) Method and system for speech recognition
    WO1998023130A1 (en) Hearing-adapted quality assessment of audio signals
    DE19957221A1 (en) Exponential echo and noise reduction during pauses in speech
    EP1005016A2 (en) Method and circuit arrangement for measuring speech level in a speech processing system
    DE69922769T2 (en) Apparatus and method for speech processing
    DE2021126A1 (en) Speech recognition device
    EP1382034B1 (en) Method for determining intensity parameters of background noise in speech pauses of voice signals
    EP1202253B1 (en) Adaptive noise level estimator
    EP1453355A1 (en) Signal processing in a hearing aid
    EP0902416B1 (en) Method and device for recognizing a speech input during an announcement

    Legal Events

    Date Code Title Description
    PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

    Free format text: ORIGINAL CODE: 0009012

    AK Designated contracting states

    Kind code of ref document: A2

    Designated state(s): AT BE CH CY DE DK ES FI FR GB GR IE IT LI LU MC NL PT SE

    AX Request for extension of the european patent

    Free format text: AL;LT;LV;MK;RO;SI

    PUAL Search report despatched

    Free format text: ORIGINAL CODE: 0009013

    AK Designated contracting states

    Kind code of ref document: A3

    Designated state(s): AT BE CH CY DE DK ES FI FR GB GR IE IT LI LU MC NL PT SE

    AX Request for extension of the european patent

    Free format text: AL;LT;LV;MK;RO;SI

    RIC1 Information provided on ipc code assigned before grant

    Free format text: 7G 10L 11/00 A, 7G 01H 3/12 B

    17P Request for examination filed

    Effective date: 20001129

    AKX Designation fees paid

    Free format text: AT BE CH CY DE DK ES FI FR GB GR IE IT LI LU MC NL PT SE

    STAA Information on the status of an ep patent application or granted ep patent

    Free format text: STATUS: THE APPLICATION HAS BEEN WITHDRAWN

    18W Application withdrawn

    Effective date: 20031218