NO339834B1 - Flersensorisk taleforbedring ved bruk av sannsynligheten for ren tale - Google Patents

Description

Bakgrunn

Et vanlig problem i talegjenkjenning og taleoverføring er forringelse av talesignalet på grunn av tilleggsstøy. Særlig har forringelse på grunn av tale til en annen taler vist seg å være vanskelig å detektere og/eller korrigere.

Nylig har det blitt utviklet et system som forsøker å fjerne støy ved bruk av en kombinasjon av en alternativ sensor, så som en benledningsmikrofon, og en luftledningsmikrofon. Dette system læres opp ved bruk av tre opplæringskanaler: et støyende alternativ sensor opplæringssignal, et støyende luftledningsmikrofon opplæringssignal og et ren luftledningsmikron opplæringssignal. Hvert av signalene konverteres til en særtrekks domene. Trekkene for det støyende alternative sensorsignal og det støyende luftledningsmikrofonsignal kombineres til en enkelt vektor som representerer et støyende signal. Særtrekkene for ren luftledningsmikrofonsignalet danner en enkelt ren vektor. Disse vektorer brukes deretter til å lære opp en avbildning mellom de støyende vektorer og de rene vektorer. Så snart de er opplært, anvendes avbildningene på en støyende vektor som er dannet av en kombinasjon av et støyende alternativ testsignal og et støyende luftlednings-mikrofontestsignal. Denne avbildningen produserer en ren signalvektor.

Dette system er dårligere enn optimalt når støybetingelsene for testsignalene ikke stemmer overens med støybetingelsene for opplæringssignalene, fordi avbildningene er designet for støybetingelsene for opplæringssignalene.

US 2002/0057810 A1 vedrører en datamaskin- og talekommunikasjonsenhet med en håndfri-innretning.

US 2004/0028154 A1 omhandler en kanalestimator basert på verdiene for mottatte data og på "a priori"-sannsynligheter kun for mottatte symboler.

Sammenfatning

Hovedtrekkene ved oppfinnelsen fremgår av de selvstendige patentkrav. Ytterligere trekk ved oppfinnelsen er angitt i de uselvstendige krav.

En fremgangsmåte og en anordning fastlegger en kanalrespons for en alternativ sensor ved bruk av et alternativ sensorsignal, et luftledningsmikrofonsignal. Kanalresponsen og en forutgående sannsynlighetsfordeling for ren taleverdier brukes deretter til å estimere en ren taleverdi.

Kort beskrivelse av tegningene

Figur 1 er et blokkdiagram for en databehandlingsomgivelse hvor utførelser av den foreliggende oppfinnelse kan praktiseres. Figur 2 er et blokkdiagram for en alternativ databehandlingsomgivelse hvor utførelser av den foreliggende oppfinnelse kan praktiseres. Figur 3 er et blokkdiagram for et system for taleprosessering ifølge en utførelse av den foreliggende oppfinnelse. Figur 4 er et blokkdiagram for et system for forbedret tale under en utførelse av den foreliggende oppfinnelse. Figur 5 er et flytdiagram for forbedring av tale under en utførelse av den foreliggende oppfinnelse. Figur 6 er et flytdiagram for forbedring av tale under en annen utførelse av den foreliggende oppfinnelse.

Detaljert beskrivelse av illustrerte utførelser

Figur 1 illustrerer et eksempel på en passende databehandlingssystemom-givelse 100 hvor utførelser av oppfinnelsen kan implementeres. Databehandlings-systemomgivelsen 100 er kun ett eksempel på en passende databehandlingsomgivelse, og det er ikke meningen å foreslå noen begrensning når det gjelder omfanget av bruk eller funksjonalitet av oppfinnelsen. Heller ikke skal databehandlings-omgivelsen 100 tolkes slik at den har noen avhengighet eller krav som er relatert til noen av eller en kombinasjon av komponenter som er illustrert i den eksemplifiserende operasjonelle omgivelse 100.

Oppfinnelsen er operasjonell med tallrike andre databehandlingsomgivelser eller -konfigurasjoner for generelt formål eller spesielt formål. Eksempler på velkjente databehandlingssystemer, omgivelser og/eller konfigurasjoner som kan være egnet til bruk sammen med oppfinnelsen inkluderer, men er ikke begrenset til, personlige datamaskiner, serverdatamaskiner, håndholdte eller bærbare innretninger, multiprosessorsystemer, mikroprosessorbaserte systemer, digital-til-analog TV-bokser, programmerbar forbrukerelektronikk, nettverks PCer, minidatamaskiner, stordatamaskiner, telefonisystemer, distribuerte databehandlingsomgivelser som inkluderer et hvilket som helst av de ovennevnte systemer eller innretninger, og lignende.

Oppfinnelsen kan beskrives i den generelle kontekst med datamaskinutførbare instruksjoner, så som programmoduler, som utføres av en datamaskin. Generelt inkluderer programmoduler rutiner, programmer, objekter, komponenter, datastrukturer, osv, som gjennomfører bestemte oppgaver eller implementerer bestemte abstrakte datatyper. Oppfinnelsen er designet til å praktiseres i distribuerte databehandlingsomgivelser hvor oppgaver iverksettes ved hjelp av fjerntliggende prosesseringsinnretninger som er forbundet gjennom et kommunikasjonsnettverk. I en distribuert databehandlingsomgivelse er programmoduler lokalisert i både lokale og fjerntliggende datamaskinlagringsmedia, inkludert minnelagringsinnretninger.

Med henvisning til figur 1, et eksemplifiserende system for implementering for utførelser av oppfinnelsen inkluderer en databehandlingsinnretning for generelt formål i form av en datamaskin 110. Komponenter i datamaskinen 110 kan inkludere, men er ikke begrenset til, en prosesseringsenhet 120, et systemminne 130 og en systembuss 121 som kopler forskjellige systemkomponenter inkludert systemminnet til prosesseringsenheten 120. Systembussen 121 kan være en hvilken som helst av flere typer av busstrukturer, inkludert en minnebuss eller minnekontroller, en perifer buss og en lokal buss som bruker en hvilken som helst av et mangfold av bussarkitekturer. Som eksempel, og ikke begrensning, inkluderer slike arkitekturer Industry Standard Architecture (ISA) buss, Micro Channel Architecture (MCA) buss, Enhanced ISA (EISA) buss, Video Electronics Standards Association (VESA) lokal buss og Peripheral Component Interconnect (PCI) buss også kjent som Mezzanine buss.

Datamaskinen 110 inkluderer typisk et mangfold av datamaskinlesbare media. Datamaskinlesbare media kan være hvilke som helst tilgjengelige media som kan aksesseres av datamaskinen 110, og inkluderer både flyktige og ikke-flyktige media, uttakbare og ikke-uttakbare media. Som eksempel, og ikke begrensning, kan datamaskinlesbare media omfatte datamaskinlagringsmedia og kommunikasjonsmedia. Datamaskinlagringsmedia inkluderer både flyktige og ikke-flyktige, uttakbare og ikke-uttakbare media som er implementert i en hvilken som helst metode eller teknologi for lagring av informasjon, så som datamaskinlesbare instruksjoner, datastrukturer, programmoduler eller andre data. Datamaskinlagrings media inkluderer, men er ikke begrenset til, RAM, ROM, EEPROM, flash-minne eller annen minneteknologi, CD-ROM, digitale allsidige disker (digital versatile disks, DVD) eller annen optisk disklagring, magnetiske kassetter, magnetisk bånd, magnetisk disklagring eller andre magnetiske lagringsinnretninger, eller et hvilket som helst annet medium som kan brukes til å lagre den ønskede informasjon og som kan aksesseres av datamaskinen 110. Kommunikasjonsmedia gir typisk konkret form til datamaskinlesbare instruksjoner, datastrukturer, programmoduler eller andre data i et modulert datasignal så som en bærebølge eller en annen transportmekanisme, og inkluderer et hvilket som helst informasjonsleveringsmedia. Uttrykket "modulert datasignal" betyr et signal som har en eller flere av sine karakteristika satt eller forandret på en slik måte at informasjon kodes i signalet. Som eksempel, og ikke begrensning, inkluderer kommunikasjonsmedia ledningsførte media, så som et ledningsført nettverk eller en direkte-ledningsført forbindelse, og trådløse media, så som akustiske, RF, infrarøde og andre trådløse media. Kombinasjoner av hva som helst av det ovenstående skal også inkluderes innenfor omfanget av datamaskinlesbare media.

Systemminnet 130 inkluderer datamaskinlagringsmedia i form av flyktig og/eller ikke-flyktig minne, så som leselager (read only memory, ROM) 131 og direkte minne (random access memory, RAM) 132. Et grunnleggende inngangs/utgangs-system (basic input/output system, BIOS) 133 inneholdende de grunnleggende rutiner som hjelper til med å overføre informasjon mellom elementer inne i datamaskinen 110, så som under igangkjøring, er typisk lagret i ROM 131. RAM 132 inneholder typisk data og/eller programmoduler som er umiddelbart aksesserbare for og/eller som for det inneværende opereres på av prosesseringsenheten 120. Som eksempel, og ikke begrensning, illustrerer figur 1 operativsystem 134, applikasjonsprogrammer 135, andre programmoduler 136 og programdata 137.

Datamaskinen 110 kan også inkludere andre uttakbare, ikke/uttakbare, flyktige/ikke-flyktige datamaskinlagringsmedia. Kun som eksempel illustrerer figur 1 en harddiskstasjon 141 som leser fra eller skriver til ikke-uttakbare, ikke-flyktige magnetiske media, en magnetisk diskstasjon 151 som leser fra eller skriver til en uttakbar, ikke-flyktig magnetisk disk 152, og en optisk diskstasjon 155 som leser fra eller skriver til en uttakbar, ikke-flyktig optisk disk 156, så som en CD-ROM eller annet optisk media. Andre uttakbare/ikke-uttakbare, flyktige/ikke-flyktige datamaskinlagringsmedia som kan brukes i den eksemplifiserende operasjonelle omgivelse inkluderer, men er ikke begrenset til, magnetbåndkassetter, flash-minne kort, digitale allsidige disker, digitale videobånd, faststoff RAM, faststoff ROM og lignende. Harddiskstasjonen 141 er typisk forbundet til systembussen 121 gjennom et ikke-uttakbart minnegrensesnitt, så som grensesnitt 140, og den magnetiske diskstasjon 151 og den optiske diskstasjon 155 er typisk forbundet til systembussen 121 ved hjelp av et uttakbart minnegrensesnitt, så som grensesnitt 150.

Stasjonene og deres tilknyttede datamaskinlagringsmedia som er omtalt ovenfor og illustrert på figur 1, tilveiebringer lagring av datamaskinlesbare instruksjoner, datastrukturer, programmoduler og andre data for datamaskinen 110. For eksempel er harddiskstasjonen 141 på figur 1 illustrert idet den lagrer operativsystem 144, applikasjonsprogrammer 145, andre programmoduler 146 og programdata 147. Merk at disse komponenter enten kan være de samme som eller forskjellige fra operativsystem 134, applikasjonsprogrammer 135, andre programmoduler 136 og programdata 137. Operativsystem 144, applikasjonsprogrammer 145, andre programmoduler 146 og programdata 147 er her gitt forskjellige nummer for å illustrere at, som et minimum, de er forskjellige kopier.

En bruker kan legge inn kommandoer og informasjon i datamaskinen 110 gjennom innmatingsinnretninger, så som et tastatur 162, en mikrofon 163 og en pekeinnretning 161, så som en mus, en styrekule eller en styrematte. Andre innmatingsinnretninger (ikke vist) kan inkludere en styrespak, spillkontroll, parabol-antenne, skanner eller lignende. Disse og andre innmatingsinnretninger er ofte forbundet til prosesseringsenheten 120 gjennom et brukerinnmatingsgrensesnitt 160 som er koplet til systembussen, men kan være forbundet ved hjelp av andre grensesnitt og busstrukturer, så som en parallellport, spillport eller en universell seriell buss (universal serial bus, USB). En monitor 191 eller en annen type av visningsinnretning er også forbundet til systembussen 121 via et grensesnitt, så som et videogrensesnitt 190. I tillegg til monitoren kan datamaskiner også inkludere andre periferiutgangsinnretninger, så som høyttalere 197 og skriver 196, som kan være forbundet gjennom et utgangsperiferigrensesnitt 195.

Datamaskinen 110 opereres i en nettverksomgivelse ved bruk av logiske forbindelser til en eller flere fjerntliggende datamaskiner, så som en fjerntliggende datamaskin 180. Den fjerntliggende datamaskin 180 kan være en personlig data maskin, en håndholdt innretning, en server, en ruter, en nettverks PC, en peer-innretning eller annen vanlig nettverksnode, og inkluderer typisk mange av eller alle de elementer som er beskrevet ovenfor i forhold til datamaskinen 110. De logiske forbindelser som er vist på figur 1 inkluderer et lokalnett (local area network, LAN) 171 og et regionnett (wide area network, WAN) 173, men kan også inkludere andre nettverk. Slike nettverksomgivelser er alminnelig i kontorer, datamaskinnettverk for hele virksomheter, intranett og Internett.

Når den brukes i en LAN nettverksomgivelse er datamaskinen 110 forbundet til LANet 171 gjennom et nettverksgrensesnitt eller en adapter 170. Når den brukes i en LAN nettverksomgivelse, inkluderer datamaskinen 110 typisk et modem 172 eller andre midler for etablering av kommunikasjoner over WANet 173, så som Internett. Modemet 172, som kan være internt eller eksternt, kan være forbundet til systembussen 121 via brukerinnmatingsgrensesnittet 160, eller annen passende mekanisme. I en nettverksomgivelse kan programmoduler som er vist i forhold til datamaskinen 110, eller deler av denne, være lagret i den fjerntliggende minnelagringsinnretning. Som et eksempel, og ikke begrensning, illustrerer figur 1 fjerntliggende applikasjonsprogrammer 185 som befinner seg på den fjerntliggende datamaskin 180. Det vil forstås at de nettverksomgivelser som er vist er eksemplifiserende og at andre midler til etablering av en kommunikasjonslink mellom datamaskinene kan brukes.

Figur 2 er et blokkdiagram over en mobil innretning 200, som er en eksemplifiserende databehandlingsomgivelse. Den mobile innretning 200 inkluderer en mikroprosessor 202, minne 204, inngangs/utgangs (input/output, l/O) komponenter 206 og et kommunikasjonsgrensesnitt 208 for kommunisering med fjerntliggende datamaskiner eller andre mobile innretninger. I en utførelse er de ovenfor nevnte komponenter koplet til kommunikasjon med hverandre over en passende buss 210.

Minnet 204 er implementert som et ikke-flyktig elektronisk minne, så som direkte adgang minne (random access memory, RAM) med en batterireservemodul (ikke vist), slik at informasjon som er lagret i minne 204 ikke forsvinner når den vanlige elektriske kraft til den mobile innretning er avstengt. En del av minnet 204 er fortrinnsvis allokert som adresserbart minne for programutførelse, mens en annen del av minnet 204 fortrinnsvis brukes til lagring, så som for å simulere lagring på en diskstasjon.

Minnet 204 inkluderer et operativsystem 212, applikasjonsprogrammer 214 så vel som et objektlager 216. Under operasjon blir operativsystemet 212 fortrinnsvis utført av prosessor 202 fra minne 204. Operativsystemet 212 er i en foretrukket

utførelse et WINDOWS<®>CE varemerke operativsystem som er kommersielt tilgjenge-lig fra Microsoft Corporation. Operativsystemet 212 er fortrinnsvis designet for mobile innretninger, og implementerer databasetrekk som kan benyttes av applikasjoner 214 gjennom et sett av åpne applikasjonsprogrammeringsgrensesnitt og -metoder.

Objektene i objektlageret 216 forvaltes av applikasjonene 214 og operativsystemet 212, i det minste delvis som respons på kall til de åpne

applikasjonsprogrammeringsgrensesnitt og -metoder.

Kommunikasjonsgrensesnittet 208 representerer tallrike innretninger og teknologier som tillater den mobile innretning 200 å sende og motta informasjon. Innretningene inkluderer ledningsførte og trådløse modemer, satellitt mottakere og kringkastingstunere, for å nevne noen få. Den mobile innretning 200 kan også være direkte forbundet til en datamaskin for å utveksle data med denne. I slike tilfeller kan kommunikasjonsgrensesnittet 208 være en infrarød transceiver eller en seriell eller parallell kommunikasjonsforbindelse, som alle er i stand til sanntidsoverføring av informasjon.

Inngangs/utgangskomponenter206 inkluderer et mangfold av innmatingsinnretninger, så som en berøringssensitiv skjerm, knapper, ruller og en mikrofon, så vel som et mangfold av utgangsinnretninger, inkludert en lydgenerator, en vibrerende innretning og et display. De innretninger som er opplistet ovenfor er gitt som eksempel, og behøver ikke alle å være tilstede på den mobile innretning 200. I tillegg kan andre inngangs/utgangsinnretninger være tilknyttet eller de kan finnes sammen med den mobile innretning 200 innenfor omfanget av den foreliggende oppfinnelse.

Figur 3 tilveiebringer et grunnleggende blokkdiagram for utførelser av den foreliggende oppfinnelse. På figur 3 genererer en høyttaler 300 et talesignal 302 (X) som detekteres av en luftledningsmikrofon 304 og en alternativ sensor 306. Eksempler på alternative sensorer inkluderer en strupemikrofon som måler brukerens strupevibrasjoner, en benledningssensor som er lokalisert på eller i umiddelbart nærhet av et ansikts- eller hodeskalleben til brukeren (så som kjevebenet) eller i øret til brukeren, og som sanser vibrasjoner i hodeskallen og kjeven som korresponderer til tale som genereres av brukeren. Luftledningsmikrofonen 304 er den type av mikrofon som er i alminnelig bruk for å konvertere audioluftbølger til elektriske signaler.

Luftledningsmikrofonen 304 mottar også omgivelsesstøy 308 (Z) som genereres av en eller flere støykilder 310. Avhengig av typen av omgivelsesstøy og nivået av omgivelsesstøyen, kan omgivelsesstøyen 308 også detekteres av den alternative sensor 306. Imidlertid, under utførelser av den foreliggende oppfinnelse, er den alternative sensor 306 typisk mindre sensitiv for omgivelsesstøy enn luftledningsmikrofonen 304. Alternativ sensorsignalet 316 (B), som genereres av den alternative sensor 306, inkluderer således generelt mindre støy enn luftledningsmikrofonsignalet 318 (Y) som genereres av luftledningsmikrofonen 304. Selv om den alternative sensor 306 er mindre sensitiv for omgivelsesstøy, genererer den noe sensorstøy 320 (W).

Stien fra høyttaler 300 til alternativ sensorsignalet 316 kan modelleres som en kanal som har en kanalrespons H. Stien fra omgivelsesstøy 308 til alternativ sensorsignalet 316 kan modelleres som en kanal som har en kanalrespons G.

Alternativ sensorsignalet 316 (B) og luftledningsmikrofonsignalet 318 (Y) tilveiebringes til en ren signalestimator 322, som estimerer et rent signal 324. Ren signalestimatet 324 tilveiebringes til en taleprosess 328. Ren signalestimatet 324 kan enten være et filtrert tidsdomenesignal eller en Fourier-transformasjonsvektor. Hvis ren signalestimatet 324 er et tidsdomenesignal, kan taleprosessen 328 ta form av en lytter, et talekodingssystem eller et talegjenkjenningssystem. Hvis ren signalestimatet 324 er en Fourier-transformasjonsvektor, vil taleprosessen 328 typisk være et talegjenkjenningssystem, eller inneholde en invers Fourier-transformasjon for å konvertere Fourier-transformasjonsvektoren til bølgeformer.

Innenfor direkte filtreringsforbedring 322, blir alternativ sensorsignalet 316 og mikrofonsignalet 318 konvertert til den frekvensdomene som brukes til å estimere den rene tale. Som vist på figur 4 blir alternativ sensorsignalet 316 og luftledningsmikrofonsignalet 318 levert til analog-til-digital konverterer 404 henholdsvis 414, for å generere en sekvens av digitale verdier, hvilke grupperes i rammer av verdier ved hjelp av rammekonstruktører 406 henholdsvis 416. I en utførelse sampler A-til-D konverterne 404 og 416 de analoge signaler ved 16 kHz og 16 bits per sampel, hvilket frembringer 32 kilobyte taledata per sekund, og rammekonstruktørene 406 og 416 frembringer en ny respektiv ramme for hver 10 millisekunder som inkluderer 20 millisekunder verdi med data.

Hver respektive ramme eller data som tilveiebringes av rammekonstruktørene 406 og 416 konverteres til frekvensdomenen ved bruk av hurtige Fourier-transformasjoner (Fast Fourier Transforms, FFT) 408 henholdsvis 418.

Frekvensdomeneverdiene for alternativ sensorsignalet og luftledningsmikrofonsignalet tilveiebringes til ren signalestimatoren 420, som bruker frekvensdomeneverdiene til å estimere ren talesignalet 324.

Under enkelte utførelser blir ren talesignalet 324 konvertert tilbake til tids-domenen ved bruk av inverse hurtige Fourier-transformasjoner 422. Dette frembringer en tidsdomeneversjon av ren talesignalet 324.

Utførelser av den foreliggende oppfinnelse tilveiebringer direkte filtrerings-teknikkerfor estimering av ren talesignalet 324. Under direkte filtrering blir et maksimum trolighetsestimat for kanalresponsen(e) for alternativ sensoren 306 fastlagt ved minimering av en funksjon i forhold til kanalresponsen(e). Disse estimater brukes deretter til å fastlegge et maksimum trolighetsestimat for ren talesignalet ved minimering av en funksjon i forhold til ren talesignalet.

Under en utførelse av den foreliggende oppfinnelse blir kanalresponsen G, som korresponderer til bakgrunnstale som blir detektert av alternativ sensoren, ansett for å være null. Dette resulterer i en modell mellom ren talesignalet og luftledningsmikrofonsignalet og alternativ sensorsignalet på:

hvory(t) er luftledningsmikrofonsignalet, b(t) er alternativ sensorsignalet, x(t) er ren talesignalet, z(t) er omgivelsesstøyen, w(t) er alternativ sensorstøyen og h(t) er kanalresponsen for ren talesignalet som er tilknyttet alternativ sensoren. I ligning 2 er alternativ sensorsignalet således modellert som en filtrert versjon av den rene tale, hvor filteret har en impulsrespons på h(t).

I frekvensdomenen kan ligningene 1 og 2 uttrykkes som:

hvor notasjonen i Yt(k) representerer den k-te frekvenskomponent av en ramme for et signal som er sentrert rundt tiden t. Denne notasjon gjelder for Kt(k), Zt(k), Ht(k), Wt(k) og Bt(k). I drøftelsen nedenfor er referansen til frekvenskomponent k for klarhets skyld utelatt. De som har fagkunnskap innen teknikken vil imidlertid medgi at de beregninger som gjennomføres nedenfor gjennomføres på en per frekvens komponentbasis.

Under denne utførelse blir de reelle og imaginære deler av støyen Ztog Wtmodellert som uavhengige null-midlere gaussiske, slik at:

tr1 re2

hvor * er variansen for støy Ztog °* er variansen for støy Wt.

Htmodelleres også som en gaussisk, slik at

hvor H0er det midlere av kanalresponsen og - H 2 er variansen av kanalresponsen.

Gitt disse modellparametere beskrives sannsynligheten for en ren taleverdi Xtog en kanalresponsverdi Htved hjelp av den betingede sannsynlighet:

som er proporsjonal til: som er lik:

I en utførelse blir den forutgående sannsynlighet for kanalresponsen,

' a» h) jgnorert0g nver av ,je gjenværende sannsynligheter behandles som en

gaussisk fordeling, idet den forutgående sannsynlighet for ren tale, p(Xt), blir behandlet som en null-midlere gaussisk med en varians °** , slik at

Ved bruk av denne forenkling og ligning 10, bestemmes maksimum trolighetsestimatet for Xtfor rammen ved t ved minimering: Siden ligning 12 minimeres i forhold til Xt, kan den partiellderiverte med hensyn på Xttas for å bestemme den verdi av Xtsom minimerer funksjonen. Spesifikt gir ^

hvor* f3 f' * representerer den komplekskonjugerte av Htog |Ht| representerer størrelsen av den komplekse verdi Ht.

Kanalresponsen Htestimeres fra hele ytringen ved minimering av:

Innsetting av uttrykket for Xtsom beregnes i ligning 13 i ligning 14, setting av -<2.>-0. den partiellderiverte<dH>* og deretter antagelse av at H er konstant over alle tidsrammer T, gir en løsning for H på:

I ligning 15 krever estimeringen av H beregning av flere summasjoner over de siste T rammer i form av:

hvorster ^'^^-^l^l^eller ^

Med denne formulering er den første ramme (t = 1) like viktig som den siste ramme (t = T). I andre utførelser er det imidlertid foretrukket at de seneste rammer bidrar mer til estimeringen av H enn de eldre rammer. En teknikk for å oppnå dette er "eksponentiell aldring", hvor summasjonene i ligning 16 er erstattet med:

hvor c<1. Hvis c = 1, så er ligning 17 ekvivalent til ligning 16. Hvis c < 1, så er den siste ramme vektet med 1, rammen før den siste ramme er vektet med c (dvs. at den bidrar mindre enn den siste ramme), og den første ramme er vektet med c<1-1>(dvs. at den bidrar betydelig mindre enn den siste ramme). La oss ta et eksempel. La c = 0,99 og T = 100, da er vekten for den første ramme kun 0,99" = 0,37.

Under en utførelse estimeres ligning 17 rekursivt som

Siden ligning 18 automatisk vekter gamle data mindre, er det ikke nødvendig å bruke en fast vinduslengde, og data for de siste T rammer behøver ikke å lagres i minnet. Isteden er det kun nødvendig å lagre verdien for S(T-1) ved den foregående ramme.

Ved anvendelse av ligning 18, blir ligning 15:

hvor:

Verdien av c i ligningene 20 og 21 tilveiebringer en effektiv lengde for det antall av tidligere rammer som brukes til å beregne den inneværende verdi av J(T) og K(T). Spesifikt er den effektive lengde gitt av:

Den asymptotiske effektive lengde er gitt av: eller ekvivalent:

Ved bruk av ligning 24 kan c således settes til å oppnå forskjellige effektive lengder i ligning 19. For eksempel, for å oppnå en effektiv lengde på 200 rammer, settes ctil:

Så snart H har blitt estimert ved bruk av ligning 15 kan den brukes istedenfor alle Hti ligning 13 for å bestemme en separat verdi for Xtved hver tidsramme t. Alternativt kan ligning 19 brukes til å estimere Htved hver tidsramme t. Verdien av Htved hver ramme brukes da i ligning 13 for å bestemme Xt.

Figur 5 tilveiebringer et flytdiagram over en fremgangsmåte ifølge den foreliggende oppfinnelse som bruker ligninger 13 og 15 til å estimere en ren taleverdi for en ytring.

I trinn 500 blir frekvenskomponenter av rammene for luftledningsmikrofonsignalet og alternativ sensorsignalet fanget opp over hele ytringen.

tr2

I trinn 502 blir variansen for omgivelsesstøy * og alternativ sensorstøyen °» bestemt fra rammer for luftledningsmikrofonsignalet henholdsvis alternativ sensorsignalet som er fanget opp tidlig i ytringen under perioder når taleren ikke snakker.

Fremgangsmåten fastlegger når taleren ikke snakker ved identifisering av lavenergipartier av alternativ sensorsignalet, siden energien i alternativ sensorstøyen er mye mindre enn det talesignal som fanges opp av alternativ sensorsignalet. I andre utførelser kan kjente teknikker for taledeteksjon anvendes på luftledningstalesignalet for å identifisere når taleren snakker. Under perioder når taleren ikke anses å være snakkende, antas Xtå være null og ethvert signal fra luftledningsmikrofonen eller alternativ sensoren anses for å være støy. Sampler av disse støyverdiene samles inn fra rammene for ikke-tale, og brukes til å estimere variansen av støyen i luftledningssignalet og alternativ sensorsignalet.

I trinn 504 blir variansen av sannsynlighetsfordelingen for forutgående ren tale, 2

, bestemt. Under en utførelse beregnes denne variansen som:

hvor |Yd|<2>er energien i luftledningsmikrofonsignalet og summasjonen gjennomføres over et sett av talerammer som inkluderer de k talerammer før den inneværende taleramme og de m talerammer etter den inneværende taleramme. For å unngå en

negativ verdi eller en verdi på null for variansen, , bruker enkelte utførelser av den foreliggende oppfinnelse ' v som den laveste mulige verdi for alf *

I en alternativ utførelse realiseres en sanntids implementering ved bruk av glattingsteknikk som kun er avhengig av variansen til ren talesignalet i den forangående ramme for tale, slik at:

2

hvor er variansen av sannsynlighetsfordelingen for forutgående ren tale fra den siste ramme som inneholdt tale, p er en glattingsfaktor med et verdiområde mellom 0

og 1, a er en liten konstant og maxf ^' -°v»atIrf<I2>). angjr at det største av

\ Y*<I2>-o-» og<«>tirf<I2>ve|ges for å sørge for positive verdier av for alf * Under en spesifikk utførelse har glattingsfaktoren en verdi på 0,08 og a = 0,01.

I trinn 506 brukes verdiene for alternativ sensorsignalet og luftledningsmikrofonsignalet over alle rammene for ytringen til å fastlegge en verdi av H ved bruk av ligning 15 ovenfor. I trinn 508 brukes denne verdien av H sammen med de individuelle verdier av luftledningsmikrofonsignalet og alternativ sensorsignalet ved hver tidsramme for å bestemme en forbedret eller støyredusert taleverdi for hver tidsramme ved bruk av ligning 13 ovenfor.

I andre utførelser, istedenfor å bruke alle rammene i ytringen til å fastlegge en enkelt verdi av H ved bruk av ligning 15, fastlegges Htfor hver ramme ved bruk av ligning 19. Verdien av Htbrukes deretter til å beregne Xtfor rammen ved bruk av ligning 13 ovenfor.

I en annen utførelse av den foreliggende oppfinnelse anses kanalresponsen for alternativ sensoren for omgivelsesstøy å være ikke-null. I denne utførelse modelleres luftledningsmikrofonsignalet og alternativ sensorsignalet som:

hvor alternativ sensorenes kanalrespons for omgivelsesstøy er en ikke-null verdi av Gt(k).

Den maksimale trolighet for den rene tale Xtkan finnes ved minimering av en objektiv funksjon, hvilket resulterer i en ligning for den rene tale på:

For å løse ligning 30 må variansene 2 ' <rw 2 og ff* 2 så vel som kanalrespons-verdiene H og G være kjent. Figur 6 tilveiebringer et flytdiagram for identifisering av disse verdier og for fastleggelse av forbedrede taleverdier for hver ramme.

I trinn 600 blir rammer for ytringen identifisert der hvor brukeren ikke snakker.

<T2fr1

Disse rammer brukes deretter til a fastlegge variansen w og °* for alternativ sensoren henholdsvis omgivelsesstøyen.

For å identifisere rammer hvor brukeren ikke snakker kan alternativ sensorsignalet undersøkes. Siden alternativ sensorsignalet vil produsere mye mindre signalverdier for bakgrunnstale enn for støy, hvis energien til alternativ sensorsignalet er lav, kan det antas at taleren ikke snakker.

Etter at variansene for omgivelsesstøyen og alternativ sensorstøyen har blitt fastlagt, fortsetter fremgangsmåten på figur 6 i trinn 602<2>' hvor den fastlegger variansen av sannsynligheten for forutgående ren tale, ved bruk av ligningene 26 eller 27 ovenfor. Som omtalt ovenfor brukes kun disse rammer som inneholder tale til å fastlegge variansen av den forutgående rene tale.

I trinn 604 brukes de rammer som er identifisert der hvor brukeren ikke snakker til å estimere alternativ sensorens kanalrespons G for omgivelsesstøy. Spesifikt fastlegges G som:

Hvor D er det antall av rammer hvor brukeren ikke snakker. I ligning 31 antas det at G forblir konstant gjennom alle rammer for ytringen, og således ikke lengre er avhengig av tidsrammen t. I ligning 31 kan summasjonen over t erstattes med den eksponentielle svekkingsberegning som er omtalt ovenfor i forbindelse med ligningene 16-25.

I trinn 606 brukes verdien av alternativ sensorens kanalrespons G for bakgrunnstale til å fastlegge alternativ sensorens kanalrespons for ren talesignalet. Spesifikt beregnes H som:

I ligning 32 kan summasjonen over T erstattes med den rekursive eksponentielle svekkingsbergning som er omtalt ovenfor i forbindelse med ligningene 16-25.

Etter at H har blitt fastlagt i trinn 606, kan ligning 30 brukes til å fastlegge en ren taleverdi for alle rammene. Ved bruk av ligning 30 blir uttrykket Bt-GYt, under 1 '1 vanskelig nøyaktig å fastlegge fasedifferansen mellom bakgrunnstalen og dens lekkasje inn i alternativ sensoren.

Hvis den rekursive eksponentielle svekkingsberegning brukes istedenfor summasjonene i ligning 32, kan en separat verdi av Htfastlegges for hver tidsramme, og den kan brukes som H i ligning 30.

Claims (10)

1. Fremgangsmåte for fastleggelse av et estimat for en støyredusert verdi som representerer en del av et støyredusert talesignal, hvilken fremgangsmåte erkarakterisert vedat den omfatter: - generering (500) av et alternativ sensorsignal ved bruk av en annen alternativ sensor enn en luftledningsmikrofon, - generering (500) av et luftledningsmikrofonsignal; - anvendelse (506) av det alternative sensorsignalet og luftledningsmikrofonsignalet til å estimere en verdi for en kanalrespons for det alternative sensorsignal; og - anvendelse (508) av den estimerte verdi for kanalresponsen og en forutgående sannsynlighet for den støyreduserte verdi for å estimere den støy-reduserte verdi.

2. Fremgangsmåte som angitt i krav 1, karakterisert vedat den forutgående sannsynlighet for den støy-reduserte verdi har en fordeling som er definert av en varians.

3. Fremgangsmåte som angitt i krav 2, karakterisert vedat den videre omfatter fastleggelse (502) av variansen for fordelingen basert på luftledningsmikrofonsignalet.

4. Fremgangsmåte som angitt i krav 3, karakterisert vedat fastleggelse (502) av variansen basert på luftledningsmikrofonsignalet omfatter dannelse av en sum av energiverdier for rammer for luftledningsmikrofonsignalet.

5. Fremgangsmåte som angitt i krav 4, karakterisert vedat alle rammene for luftledningsmikrofonsignalet inneholder tale.

6. Fremgangsmåte som angitt i krav 3, karakterisert vedat fastleggelse (502) av variansen av fordelingen videre omfatter fastleggelse av variansen basert på en varians av omgivelsesstøy.

7. Fremgangsmåte som angitt i krav 6, karakterisert vedat fastleggelse (502) av variansen av fordelingen videre omfatter fastleggelse av en varians som er tilknyttet en inneværende ramme for det støyreduserte talesignal basert på en inneværende ramme for luftledningsmikrofonsignalet og en varians av fordelingen som er tilknyttet en forangående ramme for det støyreduserte talesignal.

8. Fremgangsmåte som angitt i krav 7, karakterisert vedat fastleggelse (502) av variansen av fordelingen videre omfatter begrensning av verdiene av variansen slik at variansen alltid overstiger en minimumsverdi.

9. Fremgangsmåte som angitt i krav 8, karakterisert vedat minimumsverdien er en prosentandel av variansen av omgivelsesstøyen.

10. Datamaskinlesbart medium som har datamaskinutførbare instruksjoner til-passet for gjennomføring av fremgangsmåtetrinnene i henhold til ethvert av krav 1-9.