ES2211057T3

ES2211057T3 - Sistema y metodo para el ajuste del umbral de ruido usado para detectar actividad vocal en ambientes ruidosos no estacionario.

Info

Publication number: ES2211057T3
Application number: ES99911001T
Authority: ES
Inventors: David Malah
Original assignee: AT&T Corp
Current assignee: AT&T Corp
Priority date: 1998-02-27
Filing date: 1999-02-26
Publication date: 2004-07-01
Anticipated expiration: 2019-02-26
Also published as: CA2288115C; US5991718A; EP0979504A1; DE69913262T2; DE69913262D1; CA2288115A1; EP0979504B1; WO1999044191A1

Abstract

El sistema y el procedimiento de la invención se refiere a una tecnología de detección de voz para determinar los instantes de tiempo en los que una instantánea de las características de ruido da como resultado una adaptación mejorada de los niveles bajos de ruido usados en la detección de voz. La aproximación se basa en la "envolvente inferior" de la potencia de señal de entrada suavizada. La incorporación de esta aproximación en un único VAD en el dominio del tiempo (Detector de la Actividad de Voz) da como resultado un sistema efectivo de baja complejidad que, en base a simulaciones, da un buen rendimiento bajando a valores de SNR de aproximadamente 0 dB. En la invención la envolvente inferior también proporciona el valor actualizado del umbral de ruido durante la presencia de voz. La invención también puede ser incluida en otros VAD, más complejos (por ejemplo, en el dominio de la frecuencia) a un bajo coste de cálculo.

Description

Sistema y método para el ajuste del umbral de ruido usado para detectar actividad vocal en ambientes ruidosos no estacionarios.

La invención se refiere a la tecnología de detección de voz, y más en particular a la estimación de niveles mínimos de ruido para ayudar a la discriminación de voz.

Los Detectores de Actividad Vocal (VADs) constituyen un importante componente en los sistemas de codificación del habla que hacen uso de los períodos de silencio naturales que se dan en la señal de habla para incrementar el rendimiento de la transmisión. Dichos Detectores de Actividad Vocal constituyen también una parte esencial de los de la mayoría de los sistemas de mejoramiento de la palabra, puesto que en estos sistemas el nivel y la forma espectral del ruido de entrada son típicamente medidos y actualizados solamente en aquellos segmentos que contienen tan sólo ruido. En la EP-A-0140249 está descrito un ejemplo de un VAD conocido.

La información de los VADs es útil también en otras aplicaciones tales como la de racionalizar los paquetes de habla en Internet compensando los retrasos de la red en las lagunas de actividad vocal, o la de detectar los puntos finales de las expresiones verbales bajo condiciones ruidosas en las tareas de reconocimiento del habla.

En la mayoría de estas aplicaciones, el ruido de fondo no siempre es estacionario. En un sistema de telefonía móvil de manos libres, por ejemplo, puede variar rápidamente el ruido tanto del coche como de la carretera. El VAD debe por consiguiente adaptarse rápidamente a las cambiantes condiciones de ruido para proporcionar una precisa indicación de los segmentos sólo de ruido. Puesto que tampoco es estacionaria la propia señal de habla, esta tarea no es habitualmente una tarea sencilla. Han sido descritos en los últimos años varios métodos de adaptación y algoritmos para VADs, siendo algunos de ellos parte (o estando algunos de ellos en curso de ser normalizados como parte) de sistemas de codificación del habla estándar que son conocidos en la técnica. Sin embargo, estos VADs son complicados y susceptibles de perfeccionamiento tanto en cuanto a las prestaciones como en cuanto a la complejidad, particularmente para aplicaciones distintas de la codificación del habla.

La invención, que supera estos y otros problemas de la técnica, se refiere a un sistema y un método para la adaptación del umbral de ruido para la detección de voz como los reivindicados en las reivindicaciones adjuntas, estando dichos sistema y método basados en parte en la observación de que el nivel de ruido de fondo puede ser actualizado incluso durante cortos intervalos de silencio en la señal de habla, a base de efectuar un seguimiento de un parámetro al que se denomina "envolvente inferior" de la señal de entrada. En aras de la sencillez, se describe la invención como parte de un VAD en el dominio temporal de escasa complejidad que resulta que funciona bien hasta valores de la relación señal/ruido de aproximadamente 0 dB. Se comprenderá sin embargo que la invención puede ser incorporada a VADs más complejos capaces de dar buenas prestaciones incluso con valores más bajos de la relación señal/ruido.

Se describe a continuación la invención haciendo referencia a los dibujos siguientes, en los cuales los elementos iguales están designados por números iguales, y en los cuales:

La Fig. 1 ilustra un diagrama esquemático de bloques de un sistema VAD según la invención;

la Fig. 2 ilustra el uso de la verificación de la estacionariedad de la potencia durante una transición de ruido de helicóptero;

la Fig. 3 ilustra una forma de onda de transición de ruido de helicóptero con decisiones de VAD superpuestas;

la Fig. 4 ilustra el uso de una envolvente inferior para actualizar el umbral de ruido según la invención;

la Fig. 5 ilustra la forma de onda de dos frases habladas en una rampa de ruido blanco con decisiones de VAD superpuestas según la invención;

la Fig. 6 ilustra la combinación de la verificación de la estacionariedad de la potencia con el seguimiento de la envolvente inferior según la invención;

la Fig. 7 ilustra un organigrama de la generación de la envolvente inferior y del umbral de ruido según la invención;

la Fig. 8 ilustra la salida de VAD para transición de silbido de cinta seguida por música y habla según la invención;

la Fig. 9 ilustra una forma de onda de transición de silbido de cinta seguida por el comienzo de música y habla según la invención con decisiones de VAD superpuestas según la invención;

la Fig. 10 ilustra la salida de VAD para frases habladas en ruido de coche según la invención;

la Fig. 11 ilustra una forma de onda de seis frases en ruido de coche con decisiones de VAD superpuestas según la invención;

la Fig. 12 ilustra la salida de VAD para palabras habladas aisladas en ruido de helicóptero según la invención;

la Fig. 13 ilustra la forma de onda de palabras habladas aisladas en ruido de helicóptero con decisiones de VAD superpuestas según la invención;

la Fig. 14 ilustra la salida de VAD para seis frases habladas en ruido blanco según la invención; y

la Fig. 15 ilustra una forma de onda de seis frases habladas en ruido blanco con decisiones de VAD superpuestas según la invención.

Para demostrar el sistema y método de la invención, se describe en primer lugar una implementación de VAD en el dominio temporal de escasa complejidad en conjunción con la cual opera la invención, como se ilustra en la Fig. 1. El VAD 20 incluye un procesador 80 conectado a la memoria electrónica 90 y al almacenamiento de disco duro 100 en el cual está almacenado el programa de control 120 para llevar a cabo los aspectos computacionales y otros aspectos de la invención. El VAD 20 está conectado a una unidad de entrada 70 que puede ser un micrófono u otra fuente de señales de entrada, y a la unidad de salida 110, que puede incluir una unidad de salida audible o una circuitería de procesamiento de señales digitales u otra circuitería. Para cada segmento de señales de entrada de la longitud N_{seg}, el VAD 20 toma una decisión sobre si está presente (V = 1) habla o si no está presente (V = 0) habla. La decisión es tomada comparando el nivel de potencia de la señal en cada segmento con un umbral determinado. Sin embargo, puesto que se preve que varíe la potencia de ruido, el umbral debe ser adaptado al nivel de ruido.

Digamos que \lambda_{m} denota la potencia de ruido en el m^{ésimo} segmento y que Y_{m} denota la potencia de señal ruidosa de entrada en ese segmento, es decir:

Ecuación 1

1

donde y_{m}(n) es la n^{ésima} muestra de señal de entrada en el m^{ésimo} segmento, lo cual puede escribirse bajo un supuesto de ruido aditivo como:

Ecuación 2

2

\vskip1.000000\baselineskip

donde x denota la señal de habla limpia y v es el ruido.

Podría entonces decidirse que está presenta habla en el m^{ésimo} segmento si 3, donde 4 es la potencia de ruido estimada para ese segmento. Sin embargo, puesto que incluso si el ruido es estacionario, una estimación a corto plazo de su potencia (cuando está ausente el habla) fluctuaría de segmento a segmento, debería usarse un valor umbral algo más alto que 5 para evitar las demasiado frecuentes decisiones erróneas de que está presente habla. Por consiguiente, se elige que el valor umbral de ruido Th_{\lambda}(m) con el cual se compara Y_{m} sea

Ecuación 3

6

donde b_{\lambda} es un factor de tendencia que sirve para eliminar este efecto. Un factor de tendencia demasiado grande podría hacer que el VAD decidiese que hay ausencia de habla (V = 0) a bajos niveles de habla (como p. ej. en el habla muda), por lo cual b_{\lambda} es típicamente limitado a valores de menos de 2. Han sido usados valores situados dentro de la gama de valores que va desde 1,1 hasta 1,6, adaptados al nivel de ruido.

Además, puesto que Y_{m} puede también presentar indeseadas fluctuaciones de segmento a segmento, particularmente cuando los segmentos son cortos, se hace un alisamiento de la potencia de entrada a corto plazo mediante la siguiente relación recursiva:

Ecuación 4

7

donde 0 < \alpha_{y} < 1 es un factor de alisamiento, y 8 es la potencia de entrada a corto plazo alisada.

Así, la regla de decisión para el VAD es:

Ecuación 5

V = 1 (presencia de habla) si 9

V = 0 (sólo ruido) si 10

Puesto que la potencia de una típica expresión verbal disminuye lentamente al final de la misma (en comparación con el típicamente rápido comienzo de la expresión verbal), es habitual en la técnica demorar la decisión V = 1 por espacio de unos pocos segmentos más a continuación del final de una expresión verbal (siendo ésta una técnica que es conocida como "persistencia") (en inglés "persistencia" = "hangover", y en abreviatura "hngovr"). Con esto se evita cortar (cuando V es considerada como una función de ganancia) el final de la expresión verbal, lo cual podría suceder como consecuencia de haber decidido demasiado pronto que V = 0. Al diseñar un VAD, debe establecerse en general un valor para el intervalo de persistencia, T_{hngovr}, el cual determina el correspondiente número de segmentos de persistencia, L_{hngovr}, por medio de la relación 11, donde T_{step} es la duración del intervalo de actualización de segmento.

Puesto que la decisión en la Ecuación (5) está basada en la potencia de entrada alisada 12, hay ya una persistencia natural debido al alisamiento. Por consiguiente, T_{hngovr} queda inicialmente limitado a menos de 0,1 seg. T_{hngovr} puede ser también adaptado al nivel de ruido, como es sabido en la técnica (véase E. Paksoy, K. Srinivasan y A. Gersho, "Variable Rate Speech Coding with Phonetic Segmentation", ICASSP-93, Minneapolis, pp. II-155 - II-158, 1993), por ejemplo permitiendo que varíe desde 64 mseg. hasta 192 mseg. Es también común en la técnica (véase ETSI-GSM Technical Specification: Voice Activity Detector, GSM 06.32 Version 3.0.0, European Telecommunications Standards Institute, 1991) evitar una persistencia si el estado V = 1 prevalece tan sólo por espacio de unos pocos segmentos antes de decidir que V = 0, puesto que tal situación es atribuida a una ráfaga de ruido que es demasiado corta como para ser considerada una expresión verbal. Tal mecanismo de detección de ráfaga es también preferiblemente implementado en el VAD 20 usado en la invención con el intervalo de ráfaga T_{burst} ajustado a un máximo de 64 mseg.

Al ser descrita la solución de la invención consistente en el uso de la envolvente inferior, es necesaria una indicación de si la decisión V = 1 es debida a un estado de persistencia. Es usado un indicador HNG para indicar este estado. Así, HNG = 1 cuando el VAD está en un estado de persistencia, y HNG = 0 cuando no lo está.

Una cuestión importante en los entornos no estacionarios es la de estimar el nivel de potencia de ruido al variar el mismo de segmento a segmento. Se supone típicamente en la técnica que los segmentos iniciales contienen solamente ruido, y por consiguiente los mismos pueden ser usados para obtener una estimación inicial de la potencia de ruido. Entonces, siempre que la decisión del VAD es la de que un segmento no contiene habla (V = 0), la estimación del nivel de ruido es actualizada usando alisamiento recursivo de la forma:

Ecuación 6

13

\vskip1.000000\baselineskip

La misma se mantiene invariable si V(m) = 1. \alpha_{\lambda} es un factor de alisamiento, 0 < \alpha_{\lambda} < 1. V(m) es el valor de la decisión del VAD para el segmento m^{ésimo}.

En la invención la recursión puede ser aplicada directamente al umbral de ruido (cuando está ausente el habla), concretamente de la manera siguiente:

Ecuación 7

14

donde el factor de alisamiento 15 deberá ser menor que \alpha_{\lambda} de la Ecuación (6), puesto que en la Ecuación (7) se usa una versión ya alisada, 16, de la potencia de la señal de entrada.

Esta solución para actualizar el nivel de ruido es efectiva cuando está ausente el habla y el nivel de ruido no aumenta rápidamente. Sin embargo, incluso un relativamente pequeño incremento de la potencia de ruido (p. ej. con un factor igual al factor de tendencia b_{\lambda}) durante una expresión verbal hará que al VAD 20 se le escape el final de la expresión verbal. El VAD 20 continuará entonces suponiendo que está presente habla hasta que el nivel de ruido descienda hasta llegar a ser inferior a b_{\lambda} multiplicado por el valor que tenía antes de comenzar la expresión verbal. Una disminución del nivel de ruido, incluso cuando está presente habla, no plantea un problema importante puesto que el VAD 20 puede seguir detectando el final de la expresión verbal correctamente y el umbral de ruido decaerá finalmente hasta el nivel de ruido inferior, mediante la aplicación de la Ecuación (7).

Cuando tiene lugar una transición que tiene la forma de un incremento relativamente empinado del nivel de ruido, puede fallar el seguimiento del umbral de ruido de la Ecuación (7), aunque esté ausente el habla. En este caso, el VAD 20 interpretará el cambio de nivel como un comienzo del habla (a no ser que sean examinados atributos adicionales de la señal, tales como la presencia de un espaciamiento, la velocidad de pasos por cero, etc., como se hace en algunos VADs más complejos conocidos en la técnica, tales como los reflejados en: ETSI-GSM Technical Specification: Voice Activity Detector, GSM 06.32 Version 3.0.0, European Telecommunications Standards Institute, 1991; ITU-T, Annex A to Recommendation G.723.1: Silence Compression Scheme for Dual Rate Speech Coder for Multimedia Communications Transmitting at 5.3 & 6,3 Kbit/s, mayo 1996; ITU-T, G.729A: A Proposal for a Silence Compression Scheme Optimized for the ITU-T G.729 Annex A Speech Coding Algorithm, de France Telecom/CNET, junio 1996; R. Tucker, "Voice Activity Detection using a Periodicity Measure", IEE Proceedings-I, Vol. 139, Nº 4, pp. 377-380, agosto 1992). Tal transición en el nivel de ruido es típica de los entornos de comunicación con móviles (p. ej. al pasar un camión, al tener lugar una aceleración del coche, al ser abierta una ventana, al ser conectado el acondicionador de aire, etc.).

Una manera de aliviar el efecto de una transición de este tipo en el VAD 20 (suponiendo que a continuación de la transición el nivel de ruido devenga estacionario durante un rato) es la de medir la estacionariedad de la potencia a corto plazo de la entrada a lo largo de un intervalo T_{PS} lo suficientemente largo (digamos de 1 seg.). Puesto que no se preve que el habla sea estacionaria durante un intervalo relativamente largo de este tipo, esa medición puede indicar la ausencia de habla. Así, a continuación de la transición a un nivel de ruido más alto, si la potencia medida dentro de ese intervalo de verificación no varía mucho (digamos en menos de 2 ó 3 dB), puede suponerse que la señal de entrada es ruido solamente. El umbral de ruido puede ser entonces actualizado, siendo a continuación efectuado un seguimiento según la Ecuación (7).

Antes de describir esta solución, hay que señalar que los ejemplos que se presentan son para una longitud de segmento de N_{seg} = 256 muestras a una velocidad de muestreo de f_{s} = 8 kHz (es decir, para una duración de segmento T_{seg} = N_{seg}/f_{s} = 32 mseg.) y un paso de actualización, N_{step} = T_{step} f_{s} = N_{seg} (es decir, sin superposición parcial entre segmentos consecutivos).

La Figura 2 demuestra el uso de esta solución para una transición debida a un incremento empinado del ruido de helicóptero. En esta figura, la fina línea continua describe el nivel de potencia de entrada alisada, 17, (a escala logarítmica) al variar de segmento a segmento. La línea de puntos en esta figura denota el umbral de ruido, Th_{\lambda}, y el impulso rectangular superpuesto define el intervalo para el cual el VAD 20 toma la decisión de que está presente habla (es decir, V = 1, la cual es una decisión errónea en este caso). Se ve por la figura que la transición termina aproximadamente en el segmento 110, y tan sólo aproximadamente 32 segmentos después de haber terminado la transición (el intervalo de verificación, T_{PS}, tiene una longitud de 1 seg.), en el segmento 142, es finalmente actualizado el umbral de ruido. A continuación de esta actualización, el VAD 20 toma la correcta decisión de que V = 0. La correspondiente forma de onda está ilustrada en la Fig. 3, con las decisiones del VAD 20
superpuestas.

Claramente, esta solución supone un retraso de la duración de la transición del ruido de un nivel a otro más la duración del intervalo de verificación de la estacionariedad de la potencia (un total de aproximadamente 100 segmentos (aproximadamente 3 segundos) en el ejemplo ilustrado en la Fig. 2).

La verificación de la estacionariedad de la potencia a corto plazo es implementada en el VAD 20 a base de cargar primeramente los valores de 18 en una memoria intermedia cíclica (B_{Y}) 30 de longitud 100 (un entero igual al número de mediciones de la potencia a corto plazo efectuadas en el intervalo de verificación). Entonces, para cada segmento, la relación entre los valores de datos mayor y menor que están presentes en la memoria intermedia 30 es comparada con un determinado umbral Th_{PS}. Si esta relación es menor que o igual a Th_{PS}, es positiva la verificación de la estacionariedad de la potencia (PST = 1), o de lo contrario PST = 0. En el ejemplo que está ilustrado en las Figs. 2 y 3, T_{SP} = 1 seg. (L_{PS} = 31) y Th_{PS} = 1,6 (2 dB). Formalmente, las ecuaciones que describen la verificación de la estacionariedad de la potencia (verificación de la PS) son las siguientes:

\newpage

Ecuación 8

19

Ecuación 9

20

El nivel de ruido es actualizado cuando el resultado de la verificación pasa de PST = 0 a PST = 1 y se supone que está presente habla (V(m-1) = 1), es decir,

Ecuación 10

Si 21

Para evitar problemas numéricos, el mínimo valor permitido en la memoria intermedia 30 es 1 (según la Ecuación (8)). El máximo valor posible en la memoria intermedia 30 viene dado por

Ecuación 11

22

donde N_{B} es el número de bits en la representación de la señal de entrada (16 bits en las simulaciones efectuadas por el Inventor). La memoria intermedia 30 debe ser inicializada con 1's. Es también preferible reinicializar la memoria intermedia 30 cada vez que el VAD 20 cambia su decisión.

Puede señalarse que la verificación de la estacionariedad de la potencia es en realidad una forma simplificada de una verificación más compleja basada en la medición de las variaciones espectrales entre segmentos consecutivos, la cual constituye una parte central de los VADs más complejos del estado de la técnica anteriormente mencionados. Se adopta por consiguiente una solución de compromiso entre la complejidad y el retraso.

La verificación de la estacionariedad de la potencia que es conocida en la técnica y ha sido descrita anteriormente aún no resuelve el problema de efectuar un seguimiento de los incrementos del nivel de ruido que se producen durante y entre expresiones verbales muy cercanas unas a otras, a no ser que haya intervalos relativamente largos entre las expresiones verbales (más largos que el intervalo de verificación) y que el nivel de ruido sea estacionario dentro de esos intervalos.

Como se ha señalado, estos y otros problemas son abordados por el sistema y método de la invención, estando incluida en ello la utilización de un método de la envolvente inferior para actualizar el umbral de ruido. Esta solución puede también ayudar a actualizar el nivel de ruido a continuación de una transición empinada, pero puede suponer un retraso más largo que la verificación de la estacionariedad de la potencia a corto plazo anteriormente descrita. Por otro lado, esta solución no requiere que la potencia de ruido devenga estacionaria a continuación de la transición.

Como se ha explicado anteriormente, un importante problema que es abordado por la invención es el de cómo actualizar el umbral de ruido cuando el nivel de ruido de entrada aumenta durante y entre expresiones verbales muy cercanas unas a otras. En tal situación, si el umbral de ruido, Th_{\lambda}, no es correctamente actualizado, el VAD 20 continuará decidiendo que está presente habla, a pesar de no estar la misma presente, hasta que arroje un resultado positivo la verificación de la estacionariedad de la potencia.

La solución del umbral de ruido de la invención está basada en parte en la observación de que el nivel de potencia de la señal de entrada disminuye incluso durante cortas lagunas en la señal de habla (p. ej. entre palabras y en particular entre frases) hasta el nivel del ruido. Por consiguiente, si se efectúa un correcto seguimiento de la envolvente inferior de la potencia de señal, el umbral de ruido puede ser correctamente actualizado al nuevo nivel al final de una expresión verbal. Se aprovecha el hecho de que a efectos de detectar la ausencia de habla, una correcta actualización del umbral de ruido tan sólo tiene que ser efectuada al final de una expresión verbal y no necesariamente mientras está presente habla. Éste puede no ser el caso en los sistemas de mejoramiento de la palabra, en los que es importante el conocimiento del nivel de ruido (y su forma espectral) en cada segmento durante la expresión verbal, por cuanto que el mismo afecta directamente a la atenuación de ruido que es aplicada en cada segmento. Puesto que ésta es una tarea bastante difícil, y típicamente el ruido no varía tanto durante una expresión verbal (excepto para las transiciones), habitualmente es satisfactoria y se hace por lo común una actualización del ruido en los intervalos entre expresiones verbales. Sin embargo, el VAD 20 debería detectar correctamente el final de las expresiones verbales, lo cual constituye un problema que es abordado por la invención.

En la Fig. 4 se muestra una ilustración de la solución básica que se sirve de la envolvente inferior y es usada en la invención. Esta figura refleja dos frases en ruido blanco cuya potencia aumenta con el paso del tiempo a una velocidad de aproximadamente 1 dB/seg. El valor de la relación señal/ruido inicial es de aproximadamente 15 dB. Como en la Fig. 2, la fina línea continua es la potencia de la señal de entrada alisada, 23, y la línea de puntos es el umbral de ruido (Th_{\lambda}) 50 usado por el VAD 20 según la Ecuación (5). La línea de trazos es la envolvente inferior 40, que es una señal que es usada para indicar los instantes en los cuales deberá ser actualizado el valor de Th_{\lambda}. En el VAD en el dominio temporal 20 ilustrativo el valor de la envolvente inferior 40 en un instante de actualización es usado como el valor al cual es actualizado el umbral de ruido 50, pero éste no tiene que ser el caso en los VADs que usan la forma espectral del ruido.

El enfoque es el de que una actualización del umbral de ruido 50 es llevada a cabo solamente en aquellos segmentos para los cuales la última decisión del VAD era V = 1 (hay presencia de habla) y la envolvente inferior 40 está en un punto de inflexión 60, es decir desviándose hacia arriba (a continuación de un segmento en el cual la envolvente no seguía un trazado ascendente). El punto de inflexión 60 es elegido porque indica potencialmente que la envolvente inferior 40 ha alcanzado el nivel de ruido, como por ejemplo se ilustra en la Fig. 4 hacia el final de la segunda expresión verbal (en torno al segmento 175). La actualización del umbral de ruido 50 en el punto de inflexión 60 de la envolvente inferior 40 antes del final de la expresión verbal no necesariamente refleja el nivel de ruido real dentro de la expresión verbal. Dicha actualización ayuda sin embargo a alcanzar el correcto valor del nivel de ruido al final de la expresión verbal, o poco después del mismo.

Claramente, como se ilustra en la Fig. 4, el VAD 20 decide que está presente habla (V = 1) en todos aquellos segmentos en los que el nivel de potencia de entrada está por encima de la línea de puntos. Esto es indicado por los impulsos rectangulares superpuestos. Además, el valor V = 1 es mantenido por espacio de 3 segmentos más (correspondientes a T_{hngovr} 96 mseg.) más allá del punto de cruce entre la potencia de entrada y el umbral de ruido 50 al final de la expresión verbal, debido al estado de persistencia sobre el que se ha tratado anteriormente. Las decisiones del VAD 20 para este ejemplo están ilustradas como superpuestas a la forma de onda de entrada en la Fig. 5. Se ve que el VAD 20 actúa adecuadamente, a pesar del incremento del nivel de ruido en bastante más allá del factor b\lambda = 1,3 ( 1,2 dB) mientras hay presencia de habla.

El valor de la envolvente inferior 40 en el m^{ésimo} segmento, L_{E}(m), es generado según la expresión siguiente:

Ecuación 12

24

donde r_{E} > 1 es el factor de variación de la envolvente inferior.

El valor de la envolvente inferior 40, L_{E}(m), es usado aquí para actualizar convencionalmente el umbral de ruido según:

Ecuación 13

240

O de lo contrario, es mantenido el valor anterior de Th_{\lambda}.

De nuevo, HNG es el indicador de persistencia. La condición que se estipula en la Ecuación (13) indica que es llevada a cabo una actualización si la envolvente inferior 40 está en un punto de inflexión 60, siempre que la última decisión del VAD 20 sea la de que está presente habla (V = 1, pero no en un estado de "persistencia"). La decisión del VAD 20 para el actual segmento (m) es entonces tomada según la Ecuación (5), exceptuando que si según la Ecuación (13) es llevada a cabo la actualización condicional en el segmento m, V(m) es puesto a 1.

Una cuestión importante en la implementación de la invención es la selección del factor r_{E} de variación de la envolvente inferior (Ecuación (12)). Por un lado, r_{E} deberá ser menor que la velocidad de incremento de la señal de habla al comienzo de cada parte de la expresión verbal cuando el ruido es estacionario. Esta última velocidad es típicamente más baja hacia el final de una expresión verbal en comparación con su comienzo. Adicionalmente, la misma disminuye al aumentar el nivel de ruido en el cual está inmersa la señal. Por consiguiente, para hacer frente a estas exigencias es deseable y se describe a continuación una adaptación al establecer el valor de r_{E}.

Como se ha mencionado anteriormente, la solución que consiste en utilizar la envolvente inferior y es implementada en la invención puede ser eficaz para actualizar el umbral de ruido 50 tras haberse producido un empinado incremento del nivel de ruido debido a una transición tal como la ilustrada en la Fig. 2. Sin embargo, este procesamiento puede suponer un retraso más largo que la convencional verificación de la estacionariedad de la potencia. El motivo de ello es el de que la velocidad de incremento (pendiente) de la envolvente inferior 40 está limitada a coincidir, por término medio, con el previsto incremento de una señal de habla. Puesto que el VAD 20 supone durante una transición empinada que está presente habla, la envolvente inferior 40 satisfará las condiciones para una actualización (según la Ecuación (13)) tan sólo después de un retraso relativamente largo. Por consiguiente, sería ventajoso aplicar esta verificación suplementaria a la invención, al menos bajo determinadas circunstancias. Esto puede hacerse a base de aplicar primeramente la verificación de la estacionariedad de la potencia en cada segmento, y siempre que la misma redunde en una actualización del umbral de ruido 50 (según la Ecuación (10)), llevando la envolvente inferior 40 al valor de la potencia de entrada. Esto significa que lo que hay que añadir a la Ecuación (10) es lo siguiente:

Ecuación 14 poner 25 si se cumple la condición de la Ecuación (10).

La Ecuación (14) precede por consiguiente a las operaciones que son llevadas a cabo según las Ecuaciones (12) y (13), que van entonces seguidas por la operación de la Ecuación (5). Está ilustrado en la Fig. 7 un organigrama esquemático de esa secuencia.

La combinación de estas soluciones está ilustrada en la Fig. 6, que añade la envolvente inferior (línea de trazos) 40 a la Fig. 2, y el efecto de la Ecuación (14). Esta figura indica también que sin la verificación de la estacionariedad de la potencia la actualización del umbral de ruido 40 habría tenido lugar más tarde, puesto que la pendiente de la envolvente inferior 40 es relativamente pequeña en comparación con la velocidad de incremento de la transición. Además, el hecho de obligar a la envolvente inferior 40 a ser actualizada al valor de la potencia de entrada tras la transición asegura que el VAD 20 funcionará como se pretende una vez que aparezca una expresión verbal. De lo contrario, si aparece una expresión verbal antes de que la envolvente inferior 40 alcance el nivel de ruido de entrada, puede que el VAD 20 no alcance ese nivel a tiempo, incluso al final de la expresión verbal. Así, el VAD 20 puede no detectar el final de la expresión verbal si durante la expresión verbal hubo aunque fuese un pequeño incremento (más allá del factor b_{\lambda}) del nivel de ruido.

Además, incluso si fallase la verificación de la estacionariedad de la potencia, debido p. ej. al hecho de ser demasiado grandes las fluctuaciones del nivel de potencia de ruido a continuación de la transición, la envolvente inferior 40 se recuperaría al menos finalmente, y el VAD 20 se recuperará y continuará funcionando correctamente. De otro modo, esto sucedería tan sólo si el nivel de ruido disminuyese hasta aproximadamente el nivel de antes de la transición.

La implementación de la invención supone la selección de varios parámetros, y también una adaptación para algunos de ellos, como el factor de variación de la envolvente inferior, r_{E}.

Antes de pasar a la discusión de la selección de los parámetros, se examinan las cuestiones de la longitud de los segmentos y del paso de actualización de segmento. La selección de estos valores viene habitualmente impuesta por una aplicación determinada. Sin embargo, debido al hecho de que un típico intervalo de "cuasi-estacionariedad" del habla está limitado a aproximadamente 32 mseg., la anterior selección de una longitud de segmento de una duración T_{seg} = 32 mseg. (correspondiente a N_{seg} = 256 muestras a una velocidad de muestreo de fs = 8 kHz) se toma como la longitud de segmento nominal, 101 Habitualmente, el paso de actualización de segmento N_{step} se selecciona para que sea igual a la longitud de segmento N_{seg}. Sin embargo, no hay razón para que un usuario deba limitarse a esta opción. Por consiguiente, pueden usarse otros valores de la longitud de segmento y del paso de actualización por medio de la relación de la longitud de segmento, r_{seg}, y de la relación del paso de actualización, r_{step}, que están definidas como sigue:

Ecuación 15

26

Se toma ahora en consideración el parámetro r_{E}, que es el factor de variación de la envolvente inferior en la Ecuación (12). Según la exposición anterior, una exigencia que debe satisfacer r_{E} es la de que durante la presencia de habla su valor esté situado dentro de una limitada gama de valores 27. El valor inferior, 28, deberá ser seleccionado para lograr un correcto funcionamiento del VAD 20 cuando el ruido es estacionario. El valor superior, 29, deberá ser seleccionado para proporcionar la mayor pendiente posible cuando el ruido aumente durante una expresión verbal. Sin embargo, 30 no deberá ser demasiado grande en comparación con la velocidad de incremento de la potencia de habla a corto plazo al final de baja de potencia de la expresión verbal. Basándose en simulaciones, el inventor ha elegido que las pendientes de la envolvente inferior (a escala logarítmica) estén situadas dentro de la gama de pendientes que va desde aproximadamente 1,3 dB/seg. hasta 13 dB/seg., las cuales para N_{seg} = N_{step} = 256 y fs = 8 kHz corresponden a 1,01 \leq r_{E} \leq 1,1. Para acomodar distintas longitudes de segmento y distintos valores del paso de actualización de segmento, el cálculo es:

Ecuación 16

31

(está presente habla)

El valor real de r_{E} usado durante la presencia de habla es puesto dentro de la gama anteriormente mencionada al comienzo de la expresión verbal (es decir, cuando V(m) = 1 y V(m-1) = 0) según otras dos consideraciones. Esas consideraciones son la velocidad de variación del nivel de potencia de ruido y el propio nivel de potencia de ruido. La Velocidad de variación del nivel de potencia de ruido es supervisada computando en cada comienzo de una expresión verbal la relación entre el valor de potencia de ruido medido justo antes del comienzo y el valor obtenido justo antes del comienzo de la expresión verbal anterior. Esta relación es denotada por R_{\lambda}, y N_{V} representa el número de actualizaciones de segmento entre las dos mediciones. Estos dos parámetros y el valor más bajo permitido para r_{E}, denotado anteriormente por 32, son entonces usados para determinar un valor del factor de variación denotado por 33, mediante

Ecuación 17

34

Para el valor de r_{E} es establecido un límite que depende del valor estimado de la potencia de ruido, 35, justo antes del comienzo de la expresión verbal, en comparación con el nivel de potencia de entrada máximo posible en el sistema, Y_{max}, que viene dado por la Ecuación (11).

Puesto que justo antes del comienzo de la expresión verbal 36 (véase la Ecuación (3)) y b_{\lambda} es cercano a 1, preferiblemente es usado Th_{\lambda} en la siguiente definición de la Relación de Ruido Logarítmico a Señal Máxima Logarítmica (LNPSR):

Ecuación 18

37

P_{N} es entonces usada para obtener otro valor del factor de variación, denotado por 38

Ecuación 19

39

Finalmente, el valor actual elegido para r_{E} que debe ser usado durante la expresión verbal actual viene dado por:

Ecuación 20

40

\vskip1.000000\baselineskip

(Hay presencia de Habla)

Este valor r_{E} está dentro de la deseada gama de valores 41 y toma también en consideración tanto el incremento previsto del nivel de ruido como el propio nivel de ruido, dentro de las anteriormente mencionadas limitaciones de gama.

Como se ha señalado anteriormente, el valor de r_{E} según la Ecuación (20) es usado durante la presencia de la expresión verbal actual. Una vez que el VAD 20 ha detectado el final de la expresión verbal, el valor r_{E} puede ser ajustado de acuerdo con la velocidad real de incremento de la potencia de ruido, es decir a

Ecuación 21

42

(En ausencia de habla)

Otros parámetros que son usados en la implementación de la invención son los siguientes: El intervalo de persistencia, T_{hngovr}, a partir del cual es computado el L_{hngovr}; los factores de alisamiento \alpha_{Y} y 43, que aparecen en la Ecuación (4) y (7), respectivamente; el factor de tendencia del ruido, b_{\lambda}, que aparece en la Ecuación (7); y el intervalo de verificación de la estacionariedad de la potencia, T_{PS} (a partir del cual se determina L_{PS}), y el umbral Th_{PS} que aparece en la verificación de la estacionariedad de la potencia de la Ecuación (9). Como se ha mencionado anteriormente, un valor típico para T_{PS} es el de 1 seg. Los otros parámetros podrían ser también ajustados a valores fijos. Sin embargo, el inventor ha descubierto (y para el intervalo de persistencia se sugiere en E. Paksoy, K. Srinivasan y A. Gersho, "Variable Rate Speech Coding with Phonetic Segmentation" ICASSP 93, Minneapolis, pp. II-155 - II-158, 1993) que es ventajoso adaptar estos parámetros al nivel de potencia de ruido. Esto se hace usando la LNPSR, P_{N}, definida en la Ecuación (18), de acuerdo con:

Ecuación 22

44

donde, sobre la base de las simulaciones, se hace la selección de \delta_{0} = \delta_{1} = 0,2.

La motivación existente para esta adaptación es la de que al aumentar el nivel de ruido es ventajoso tener más alisamiento, lo cual se logra haciendo que el factor de alisamiento sea más próximo a 1. Para los valores nominales de r_{seg} = r_{step} = 1, y puesto que P_{N} está entre 0 (sin ruido) y 1, los valores de los factores de alisamiento están situados dentro de la gama de valores de 0,6 a 0,8. Si se desea un valor fijo, el valor preferido es el de 0,7.

La adaptación del intervalo de persistencia se hace de acuerdo con:

Ecuación 23

45

donde 46 es el número mínimo de segmentos de persistencia (caso de muy poco ruido), que es obtenido a partir del mínimo intervalo de persistencia 47 por medio de 48. El inventor ha usado 49 = 64 mseg. Con T_{step} = 32 mseg., L_{hngovr} puede variar de 2 a 6, en dependencia del nivel de ruido, a través de P_{N}.

Con respecto a los otros dos parámetros, en la práctica han sido usados valores según:

Ecuación 24

\vskip1.000000\baselineskip

b_{\lambda} = 1,6-0,5P_{N} \rightarrow 1,1 < b_{\lambda} \leq 1,6

Th_{PS} = 2-P_{N} \rightarrow 1 < Th_{PS} \leq 2

La necesidad de adaptar estos dos parámetros se deriva del hecho de que al aumentar el nivel de ruido disminuye el margen del nivel de potencia del habla por encima del ruido. Por consiguiente, para evitar "cortar el habla" (o sea, decidir que V = 0) en los segmentos de habla de baja potencia, b_{\lambda} deberá ser reducido. Con respecto a Th_{PS}, el mismo deberá ser reducido asimismo entonces, puesto que de lo contrario la potencia de habla de bajo nivel (por encima del ruido) podría cumplir con la verificación de la estacionariedad de la potencia y ocasionar una no deseada actualización del umbral de ruido 50.

La adaptación anteriormente indicada es llevada a cabo tan sólo cuando está ausente el habla (V = 0), porque solamente entonces es actualizado el valor de P_{N} (véase la Ecuación (18)).

Con el ajuste de parámetros anteriormente indicado el inventor ha obtenido buenas características funcionales hasta una relación señal/ruido de aproximadamente 0 dB, como se demuestra a continuación.

Antes de presentar resultados de simulación se presentan los principales pasos de procesamiento en la ejecución de la invención, en conjunción con la Fig. 7.

1. Inicialización

: (i) Dados la frecuencia de muestreo f y el número de bits, N_{B}, en la representación de la señal de entrada, establecer o computar (los correspondientes números de ecuación aparecen entre paréntesis; y la flecha, \rightarrow, indica "a partir de lo cual, computar") los parámetros siguientes:

50

: (ii) Establecer m-1 (primer segmento; del que se supone que es "sólo ruido").

: Computar Y_{m} (1) y establecer 51

: Poner la decisión del VAD a V(m) = 0

: Computar 52

: Computar el umbral de ruido actualizado para usarlo en el siguiente segmento, Th_{\lambda}(m + 1) (7).

2.: Incrementar en uno el valor de m.

3.: Computar 53, y actualizar la memoria intermedia de la estacionariedad de la potencia B_{Y} (8).

4.: Llevar a cabo la verificación de la estacionariedad de la potencia (9).

: Si es satisfecha la condición que se estipula en (10), establecer 54

5.: Actualizar la envolvente inferior L_{E}(m) (12).

: Si se satisface la condición estipulada en (13), establecer Th_{\lambda}(m) = L_{E}(m).

6.: Obtener la decisión del VAD, V(m), a partir de (5). Sin embargo, si se satisface la condición estipulada en (13), poner V(m) = 1.

: Si V(m) = 0, comprobar si deberá aplicarse persistencia. Si se está en estado de persistencia, poner el indicador HNG(m) = 1 y V(m) = 1; o de lo contrario HNG(m) = 0.

7. Actualizaciones condicionales

(i)

\hskip0,5cm

Si V(m) = 0, computar el umbral de ruido actualizado Th_{\lambda}(m+1) (7).

(ii)

\hskip0,4cm

Si V(m) = 1 y V(m-1) = 0 (comienzo del habla), actualizar r_{E} según (20).

(iii)

\hskip0,3cm

Si V(m) = 0 y V(m-1) = 1 (final de expresión verbal), actualizar r_{E} según (21);

: actualizar 55

8.: Si fue alcanzado el último segmento: FIN. De lo contrario, ir al paso 2.

El correspondiente organigrama esquemático está ilustrado en la Fig. 7, estando los bloques en la figura numerados según los pasos anteriormente indicados.

En los resultados de simulación que se exponen a continuación, el VAD 20 anteriormente indicado supone que el habla de entrada no tiene componentes de deriva de continua o de muy baja frecuencia. Si el habla tiene tales componentes, la señal de entrada deberá ser filtrada con filtro de paso alto (o deberá ser pasada a través de un filtro de respuesta en hendidura con una hendidura para la c.c.) antes de su procesamiento mediante el algoritmo anteriormente indicado, como es práctica común en los sistemas VAD (véase la Especificación Técnica ETSI-GSM: Voice Activity Detector, GSM 06.32 Version 3.0.0, European Telecommunications Standards Institute, 1991, ITU-T, Annex A to Recommendation G.723.1: Silence Compression Scheme for Dual Rate Speech Coder for Multimedia Communications Transmitting at 5.3 & 6,3 Kbit/s, mayo 1996; ITU-T, G.729A: A Proposal for a Silence Compression Scheme Optimized for the ITU-T G.729 Annex A Speech Coding Algorithm, de France Telecom/CNET, junio 1996).

Los principios del sistema y método de la invención fueron programados en MATLAB, y fueron puestos en práctica en archivos de habla ruidosa. Fueron registrados tanto el tiempo de ejecución como el número de flops (operaciones de coma flotante/seg.). Se comprobó que era relativamente pequeña la carga computacional. Para todas las simulaciones ejecutadas fueron necesarias menos de 18000 flops/seg., es decir menos de 600 flops/segmento (para una longitud de segmento de 256 muestras a una velocidad de muestreo de 8 kHz). En una estación de trabajo SGI Indy disponible comercialmente, la invención fue ejecutada más rápidamente que el tiempo real con un factor de al menos 2.

En calidad de otra demostración del funcionamiento de la invención en presencia de una transición de ruido, la Fig. 8 muestra los resultados de procesamiento para una señal obtenida de un magnetófono, donde antes de comenzar la señal grabada (música y habla) el nivel de silbido de cinta aumenta repentinamente (en torno al segmento 60 en la figura). La verificación de la estacionariedad de la potencia ocasiona una actualización del umbral de ruido 50 (línea de puntos) en torno al segmento 100 (junto con una actualización de la envolvente inferior 40 ilustrada mediante la línea de trazos). El comienzo de la señal grabada tiene lugar alrededor de 240. Incluso sin el mecanismo de actualización de la estacionariedad de la potencia, la envolvente inferior 40 habría redundado finalmente en una actualización del umbral de ruido 50 (una vez que la misma se encuentra con la envolvente de la potencia de señal). Sin embargo, debido a su escasa pendiente, esto habría sucedido más tarde, más allá de la parte ilustrada en esta figura. En un caso así, el VAD 20 habría emitido asimismo la decisión V = 1 a lo largo de los segmentos 100 a 240. La Fig. 9 muestra la forma de onda de la señal de entrada con las decisiones del VAD superpuestas a la misma.

El inventor ha examinado asimismo el funcionamiento de la invención a distintos niveles de ruido de entrada. La Fig. 10 muestra los resultados obtenidos para 6 frases en ruido de coche con una relación señal/ruido de 10 dB. Está también ilustrada en la Fig. 10 la correspondiente forma de onda (con las decisiones del VAD 20 superpuestas). A pesar de las fluctuaciones del nivel de ruido, la envolvente inferior 40 usada en la invención facilita una correcta actualización del umbral de ruido 50, y las decisiones del VAD 20 son correctas. En algunos segmentos (como p. ej. en torno a 190 y a 290), la envolvente de la potencia de señal se cruza con el umbral de ruido 50 (llega a situarse por debajo del mismo), pero la decisión del VAD 20 sigue siendo V = 1. Esto es debido a la "persistencia", que es más larga (3 segmentos) que la corta laguna del habla en torno a esos segmentos. La Fig. 11 muestra la correspondiente forma de onda y las decisiones superpuestas del VAD 20.

En la Fig. 12 está demostrado un caso más difícil. Aquí el ruido no tan sólo es más alto que en las Figs. 10 y 11 (habla en ruido de helicóptero con una relación señal/ruido de 5 dB), sino que también fluctúa más. Incluso aquí, usando la invención el VAD 20 no pierde eventos de habla, que son aquí palabras aisladas de un Ensayo de Rima Diagnóstica (véase también la correspondiente forma de onda en la Fig. 13). Sin embargo, el VAD 20 no detecta la corta laguna entre la 3ª y 4ª expresión verbal (en torno al segmento 140). Puede señalarse que si hubiese sido usado un umbral de ruido fijo según el nivel de potencia de ruido en los segmentos iniciales (aproximadamente 10^{6} - correspondiente a 60 dB en la Fig. 12), la 3ª expresión verbal habría sido cortada porque la misma tiene una potencia relativamente baja.

La Fig. 14 presenta los resultados obtenidos para las mismas seis frases de la Fig. 10 en ruido blanco con una relación señal/ruido de 0 dB. También aquí, el VAD 20 que funciona según la invención no pierde evento de habla alguno (véase también la correspondiente forma de onda en la Fig. 15), a pesar de que, debido al más alto nivel de ruido, el VAD 20 detecta cortas lagunas dentro de la 2ª frase (en torno al segmento 175), de la 3ª frase (en torno al segmento 275) y de la 5ª frase (en torno al segmento 500).

En todos los ejemplos anteriores fue producida una señal de salida en la cual fueron anulados los segmentos para los cuales la decisión del VAD 20 era V = 0 (ausencia de habla). Escuchando esta señal de salida, el inventor consideró subjetivamente si estaba cortada la propia habla. En todos los ejemplos el habla no había sido dañada, exceptuando el caso en el que la relación señal/ruido era de 0 dB, en el cual había unos pocos segmentos de habla de bajo nivel que fueron cortados. En el ejemplo de las Figs. 14 y 15, esto sucede tan sólo en la 5ª frase en torno al segmento 500. Por consiguiente, parece que la implementación de la invención en el VAD en el dominio temporal es adecuada para funcionar hasta una relación señal/ruido de aproximadamente 0 dB.

Claims

1. Método para actualizar un umbral de ruido usado para detectar la presencia de una señal en una señal de entrada que tiene ruido; estando dicho método caracterizado por los pasos de:

obtener una señal de detección que indica mediante un valor positivo si la señal está presente en un período de tiempo anterior;

obtener una señal de la envolvente inferior de la señal de entrada para un período de tiempo actual;

obtener una señal del umbral de ruido para el período de tiempo actual; y

actualizar la señal del umbral de ruido para igualar la señal de la envolvente inferior cuando la señal de detección es positiva y la señal de la envolvente inferior está en un punto de inflexión de la potencia de la señal de entrada alisada.

2. El método de la reivindicación 1, en el que la señal está inmersa en una señal de entrada; estando dicho método caracterizado además por los pasos de:

obtener una señal de potencia que indica la potencia de la señal de entrada;

y el paso de obtener una envolvente inferior para un período actual comprende el paso de actualizar la envolvente inferior para el período actual para igualar la señal de potencia para el período actual si la señal de la envolvente inferior para un período anterior es menor que o igual a la señal de potencia para el período actual, y actualizar la envolvente inferior para el período actual para igualarla a la envolvente inferior para un período anterior multiplicada por un factor de variación, de lo contrario.

3. El método de la reivindicación 2, caracterizado por el hecho de que el paso de obtener una señal de potencia comprende el paso de computar una señal de potencia alisada de la señal de entrada dentro de al menos dos
períodos.

4. El método de la reivindicación 2, caracterizado por el hecho de que el factor de variación es establecido para que sea inferior a una velocidad de incremento de la señal al comienzo de la señal cuando el ruido es estacionario, y es ajustado para disminuir cuando aumenta el ruido.

5. El método de la reivindicación 1, caracterizado por el hecho de que el paso de determinar si la señal de la envolvente inferior está en un punto de inflexión comprende el paso de obtener una señal de la envolvente inferior para un período anterior y comparar la señal de la envolvente inferior para un período anterior con la señal de la envolvente inferior para el período actual para determinar si la envolvente inferior está desviándose hacia arriba después de un mínimo local.

6. El método de la reivindicación 1, caracterizado por el hecho de que el paso de obtener una señal de detección comprende el paso de determinar si la señal está presente usando información de retraso en persistencia.

7. El método de la reivindicación 1, caracterizado además por el paso de producir una señal de detección positiva si la señal de entrada sobrepasa la señal del umbral de ruido actualizado.

8. El método de la reivindicación 7, caracterizado además por el paso de aplicar una verificación de la estacionariedad de la potencia además de verificar la señal de entrada contra la señal del umbral de ruido, y producir una señal de detección positiva solamente si la verificación de la estacionariedad de la potencia da también resultado
positivo.

9. El método de la reivindicación 8, caracterizado por el hecho de que el paso de aplicar una verificación de la estacionariedad de la potencia comprende el paso de determinar una relación de los valores mayor y menor de una señal de potencia que indica la potencia de la señal de entrada dentro de un número predeterminado de
períodos.

10. El método de la reivindicación 8, caracterizado por el hecho de que la señal está inmersa en una señal de entrada; estando dicho método caracterizado además por los pasos de:

obtener una señal de potencia que indica la potencia de la señal de entrada; y

el paso de obtener una envolvente inferior para un período actual comprende el paso de actualizar la envolvente inferior para el período actual para igualar la señal de potencia para el período actual si la verificación de la estacionariedad de la potencia para el período anterior no da resultado positivo y se cumple la estacionariedad de la potencia para el período actual y la señal de detección para el período anterior es positiva.

11. El método de la reivindicación 1, caracterizado por el hecho de que la señal es una señal de voz.

12. Sistema para actualizar un umbral de ruido usado para detectar la presencia de una señal en una señal de entrada que tiene ruido, caracterizado por:

una unidad de entrada para recibir la señal de entrada en la cual está inmersa la señal;

una unidad de procesamiento, estando la unidad de procesamiento conectada a la unidad de entrada;

obteniendo la unidad de procesamiento una señal de detección que indica mediante un valor positivo si la señal está presente en un período de tiempo anterior;

obteniendo la unidad de procesamiento una señal de la envolvente inferior de la señal de entrada para un período de tiempo actual;

obteniendo la unidad de procesamiento una señal del umbral de ruido para el período de tiempo actual;

y actualizando la unidad de procesamiento la señal del umbral de ruido para igualar la señal de la envolvente inferior cuando la señal de detección es positiva y la señal de la envolvente inferior está en un punto de inflexión de la potencia de la señal de entrada alisada.

13. El sistema de la reivindicación 12, caracterizado por el hecho de que la unidad de procesamiento obtiene una señal de potencia que indica la potencia de la señal de entrada, y actualiza la envolvente inferior para el período actual para igualar la señal de potencia para el período actual si la señal de la envolvente inferior para un período anterior es menor que o igual a la señal de potencia para el período actual, y actualiza la envolvente inferior para el período actual para igualarla a la envolvente inferior para un período anterior multiplicada por un factor de ajuste, de lo
contrario.

14. El sistema de la reivindicación 13, caracterizado por el hecho de que la unidad de procesamiento obtiene la señal de potencia computando una señal de potencia alisada de la señal de entrada dentro de al menos dos
períodos.

15. El sistema de la reivindicación 13, caracterizado por el hecho de que el factor de variación es establecido para que sea inferior a una velocidad de incremento de la señal al comienzo de la señal cuando el ruido es estacionario, y es ajustado para disminuir cuando aumenta el ruido.

16. El sistema de la reivindicación 12, caracterizado por el hecho de que la unidad de procesamiento determina si la señal de la envolvente inferior está en un punto de inflexión obteniendo una señal de la envolvente inferior de un período anterior y comparando la señal de la envolvente inferior para el período anterior con la señal de la envolvente inferior para el período actual para determinar si la envolvente inferior está desviándose hacia arriba después de un mínimo local.

17. El sistema de la reivindicación 12, caracterizado por el hecho de que la unidad de procesamiento obtiene la señal de detección usando información de retraso en persistencia.

18. El sistema de la reivindicación 12, caracterizado por el hecho de que la unidad de procesamiento detecta la presencia de la señal si la señal de entrada sobrepasa la señal del umbral de ruido actualizado.

19. El sistema de la reivindicación 18, caracterizado por el hecho de que la unidad de procesamiento aplica una verificación de la estacionariedad de la potencia además de verificar la señal de entrada contra la señal del umbral de ruido, y produce una señal de detección positiva solamente si la verificación de la estacionariedad de la potencia da también resultado positivo.

20. El sistema de la reivindicación 19, caracterizado por el hecho de que la unidad de procesamiento aplica la verificación de la estacionariedad de la potencia determinado una relación de los valores mayor y menor de una señal de potencia que indica la potencia de la señal de entrada dentro de un número predeterminado de períodos.

21. El sistema de la reivindicación 18, caracterizado por el hecho de que la señal está inmersa en una señal de entrada; estando la unidad de procesamiento caracterizada además por:

obtener la envolvente inferior para el período actual actualizando la envolvente inferior para el período actual para igualar la señal de potencia para el período actual si la verificación de la estacionariedad de la potencia para el período anterior no da resultado positivo y la verificación de la estacionariedad de la potencia para el período actual da resultado positivo y la señal de detección para el período anterior es positiva.

22. El sistema de la reivindicación 12, caracterizado por el hecho de que la señal es una señal de voz.