Modelado de la seal de voz Grupo PAS Universidad de Deusto

1
Modelado de la señal de vozGrupo PAS
Universidad de Deusto
2
Indice

• Introducción
• Modelado de la voz
• Resumen de modelos
• LPC
• Cepstrum
• Percepción de la voz.
• Compresión y codificación de la voz.
• Reconocimiento y extracción de características.
• Conclusiones.
• Agracecimientos
• Bibliografía.

3
1. Introducción

• Su objetivo es
• analizar cómo se produce la voz
• reproducir este proceso de forma que puedan
  realizarse transformaciones y operaciones

4
1.1 Modelado de la Señal

• El modelado de señal es un tipo de representación
  que persigue principalmente conseguir una mayor
  eficiencia y flexibilidad al transmitir o
  almacenar señales.
• La naturaleza del modelo depende de su objetivo
• Si es clasificar señales, se concentrara en
  eliminar detalles irrelevantes.
• Si es la codificación y transmisión, se
  concentrará en eliminar las partes de la señal
  que no son perceptibles.
• Si es modificar la señal, se concentrará en
  aislar parámetros de control dentro de ella.
  Auque existen procesos comunes para todos los
  objetivos.

5
1.2 La voz humana (I)

• Qué es la voz?
• Onda de sonido (onda de presión) producida por el
  aparato fonador utilizada para comunicación.
• Desde la Antigua Grecia se han realizado intentos
  por generar voces artificiales.
• Desarrollo de la telefonía a principios del siglo
  XX investigaciones sobre las propiedades de la
  voz -gt mejorar la calidad de la comunicación
  telefónica.

6
1.2 La voz humana (II)

• Sistema de comunicación
• Objetivos representación, análisis,
  modificación, mejora de la relación señal/ruido,
  generación artificial de mensajes vocales
  inteligibles para el ser humano y el
  reconocimiento automático de mensajes vocales
  pronunciados por seres humanos.
• Componentes
• Emisor
• Receptor
• Mensaje
• Código
• Canal medio en el cual se propaga la onda sonora
  
• La combinación del mensaje y el código
  constituyen la señal.

7
1.3 Información relevante de la señal de voz

• Para reconocimiento de voz
• Envolvente espectral (formantes)
• Evolución temporal de los formantes
• Información complementaria
• Tono fundamental y sus variaciones
• Estructura fina del espectro

8
1.4 Estacionariedad de la voz

• La señal de voz es estacionaria a trozos
• Durante la pronunciación de un fonema es
  cuasi-estacionaria
• Velocidad cambios tracto vocal
• Velocidad cambios cuerdas vocales
• Estacionaria durante 20 40 ms
• Velocidad de pronunciación 5-20 fonemas / seg
• Análisis de trozos de voz estacionarios
  ventanas

9
1.5 Análisis de señales de voz

• Conceptos de procesado de señales
• Transformada de Fourier
• Componentes de frecuencia
• Espectro de potencia
• Filtrado
• Ventanas
• Muestreo
• Espectrogramas

10
2. Modelado de la voz

• Las ecuaciones fundamentales que se aplican a la
  acústica son lineales ? se pueden utilizar
  sistemas lineales en el modelado consiguiendo una
  precisión considerable.
• Estos modelos lineales siempre serán
  aproximaciones, pero utilizar modelos no lineales
  es extremadamente complejo.

11
2. Modelado de la Voz

• La tensión de las cuerdas vocales se gobierna por
  la musculatura, que funciona como un control de
  entrada.
• En este caso la tensión de las cuerdas afecta a
  la frecuencia de la señal de voz (el tono de
  voz), por lo que la señal de control será
  parecida a la portadora en una modulación.
• En el habla, el tono de voz no es estrictamente
  necesario para saber la información que se esta
  transmitiendo, pero en ocasiones puede ser muy
  útil, como por ejemplo para distinguir entre una
  afirmación y una pregunta.
• Los modelos suelen formarse utilizando un filtro
  para separar las partes trascendentales de la
  señal de voz en cada momento.

12
2.1 ESQUEMA CONDUCTO TRAQUEO-LARINGEO-VOCAL
13
2.2 MODELO LINEAL INESTACIONARIO

• El tracto vocal es modelado como la concatenación
  de tubos acústicos de distinto diámetro (con o
  sin pérdidas).
• Esto deriva en un modelo lineal inestacionario
  (ya que las secciones de los tubos van cambiando
  de acuerdo al fonema que se está emitiendo).

14
2.3 MODELO DEL TRACTO VOCAL
15
2.4 MODELO PRODUCCIÓN/SÍNTESIS DE VOZ
16
2.5 MODELO DE RADIACIÓN

• El modelo de radiación describe la impedancia de
  radiación vista por la presión de aire cuando
  abandona los labios.

17
2.6 MODELO DE GLOTIS

• Existen diferentes modelos de la respuesta de la
  glotis, cuando es excitada por un tren de pulsos.

18
2.7 MODELO PREDICTIVO LINEAL DEL TRACTO VOCAL

• Para intervalos cortos de tiempo (10 a 30 ms)
  puede pensarse que el tracto vocal es un sistema
  estacionario y que se puede predecir la señal de
  voz en el instante n a partir de los valores de
  la señal en p instantes anteriores.

19
2.7 MODELO PREDICTIVO LINEAL DEL TRACTO VOCAL

• Si se incluye un término de excitación se obtiene
  el Modelo Predictivo Lineal donde ak son los
  denominados Coeficientes de Predicción Lineal
  (LPC Linear Predictive Coefficients).

20
2.8 Modelo digital de producción de voz

• Producción de sonido
• fuente de ondas de presión del aire -gt vibración
  de las cuerdas vocales (caso sonoro), o por una
  fricación o aspiración (caso sordo).
• Este mecanismo acústico sugiere enseguida un
  modelo de entrada-salida (sistema lineal o
  filtro)
• Salida señal de la voz.
• Entrada fuente acústica antes mencionada.

21
Modelo digital de producción de voz
22
Modelo digital de producción de voz

• Basa su sencillez en la separación que realiza
  entre
• el filtro, que simula el funcionamiento del
  tracto vocal, el cual a su vez confiere a cada
  sonido su timbre característico
• la excitación o entrada, que da cuenta del tipo
  de fuente acústica (sorda o sonora)
• En el caso sonoro, de la frecuencia de
• vibración de las cuerdas
  vocales, denominada frecuencia fundamental o tono
  de la voz.

23
3. Resumen de modelos

• Los diferentes modelos se concentran en
  diferentes aspectos representativos
• LPC (Coeficientes de Predicción Lineal) se
  concentra en modelar las resonancias de la
  garganta al generar la voz.
• Los modelos cespectrales y sinusoidal se
  concentran en hacer explícitos aspectos
  particulares de la voz.

24
3.1 LPC

• Siglas Linear Predictive Coding
• Su función es representar la envolvente espectral
  de una señal digital de voz de forma comprimida,
  utilizando la información de un modelo lineal.
• Se trata de una de las técnicas más potentes de
  análisis de voz, y uno de los métodos más útiles
  para codificar voz con buena calidad a una tasa
  de bits relativamente baja.
• Proporciona unas aproximaciones a los parámetros
  de la voz muy precisas.

25
LPC Funcionamiento

• LPC analiza el habla estimando los formantes,
  eliminando sus efectos de la señal, y a
  continuación estimando la intensidad y frecuencia
  de la señal restante.

26
LPC Funcionamiento

• Como las señales de voz varían con el tiempo,
  este proceso se realiza en pequeños segmentos de
  la señal de voz, llamados frames
• En general, 30 a 50 frames por segundo resultan
  en una señal de voz inteligible y con una buena
  compresión

27
Modelo LPC

• La función transferencia
• que se denomina todo polos (all pole).

28
MODELO LPC DEL TRACTO VOCAL RADIACIÓN
29
ESTIMACIÓN DE LOS LPC

• Un predictor de la señal de salida en el instante
  n puede calcularse comopor lo que el error de
  predicción resulta

30
ESTIMACIÓN DE LOS LPC

• Definiendoresulta

31
LPC Aplicaciones

• LPC se utiliza generalmente para el sintetizado
  de voz.
• También se utiliza por las compañías telefónicas
  como método de compresión de voz, como por
  ejemplo en el estándar GSM.
• Otra aplicación es en redes wireless con
  seguridad, donde la voz debe digitalizarse, y
  encriptarse para ser enviada por un canal de
  capacidad limitada.
• En la música para combinar el sonido de
  instrumentos con la voz, en la que una señal
  enviada por un instrumento se combina con un
  filtro estimado a partir de la voz del cantante.

32
3.2 Modelo Cepstrum

• Los sonidos de la voz se pueden representar
  mediante un espectrograma, que indica las
  componentes frecuenciales de la señal de voz.
• El espectro nos proporciona información acerca de
  los parámetros del modelo de producción de voz,
  tanto de la excitación (tono) como del filtro que
  representa el tracto vocal (formantes).

33
3.2.1 Ejemplo de espectrograma
34
3.2.2 Modelo Cepstrum

• El cepstrum es el resultado que tomar la
  transformada de Fourier del espectrograma como si
  fuera una señal.
• Existen dos cepstrums, el real y el complejo.
• El proceso es el siguiente
• señal ? FT ? log ? FT ? cepstrum
• Se define por la ecuación
• Cepstrum de una señal FT(log(FT(la señal)))

35
Modelo Cepstrum

• El cepstrum real utiliza la función logarítmica
  para valores reales, y el complejo utiliza la
  función logarítmica para valores complejos.
• El cepstrum complejo contiene la información de
  la magnitud y fase del espectro inicial, por lo
  que la señal se puede reconstruir.
• El cepstrum real solo utiliza la información de
  la magnitud del espectro.

36
Modelo Cepstrum

• El espectro normalmente es transformado
  utilizando las bandas de frecuencia de la escala
  Mel. Ésta es una escala de tonos de sonido.
• Para convertir de Hz a Mels, se utiliza la
  siguiente ecuación
• m 1127.01048loge(1 f / 700)
• El resultado de aplicar esta escala al espectro
  nos da los MFCCs (Mel Frequency Central
  Coefficients)

37
Aplicaciones

• Esta función se creó inicialmente para
  caracterizar ecos sísmicos provocados por
  terremotos.
• En la actualidad se utiliza principalmente para
  modelar la voz humana y señales musicales.
• Dentro de este campo sus propósitos principales
  son la identificación del hablante analizando su
  voz, el análisis de el tono (frecuencia), así
  como aplicaciones musicales.

38
4. Percepción de la voz

• Las características de la señal estarán en
  función no sólo del aparato productor sino
  también del receptor, el oído.
• Propiedades del aparato auditivo humano
• efecto de enmascaramiento un sonido puede dejar
  de oírse cuando está situado frecuencialmente (o
  temporalmente) cerca de otro sonido de intensidad
  suficientemente alta.
• la cóclea del oído funciona como un analizador
  espectral, trabajando en bandas frecuenciales no
  uniformes que se hacen sucesivamente más anchas a
  medida que crece la frecuencia. La técnica basada
  en sub-bandas imita de algún modo el análisis
  frecuencial realizado por la cóclea.

39
5. Compresión y codificación de la voz

• Si se busca alta calidad ? ADPCM (Adaptive
  Differential Pulse Code Modulation), trabaja a 32
  000 bits por segundo.
• La señal excitación que se usa para reconstruir
  la voz consiste en el error de la predicción
  codificado con un número de bits por muestra
  suficiente para no perder casi información.

40
Compresión y codificación de la voz

• Si el objetivo es reducir al máximo la velocidad
  de transmisión (a menos de un bit por muestra de
  señal ? CELP (Code-Excited Linear Prediction)
• velocidades de 5 o 6 bits por segundo.
• El codificador CELP almacena varias excitaciones
  posibles en una tabla de códigos de excitaciones
  (codebook), de forma que tiene lugar un proceso
  de optimización en lazo cerrado para determinar
  la señal de excitación que se escogerá.
• Empleada en transmisión de voz en telefonía móvil
  GSM.

41
6. Reconocimiento y Extracción de características

• Una vez digitalizada la señal, se produce una
  nueva representación de la voz en forma de
  secuencia de vectores o agrupaciones de unos
  valores ? parámetros.
• Etapas del proceso de parametrización
• En primer lugar, se aísla el tramo bajo análisis
  multiplicando la señal por una secuencia en forma
  de arco (ventana de Hamming) cuya longitud suele
  ser de 25 o 30 milisegundos y que se desplaza
  unos 10 milisegundos entre un tramo y el
  siguiente.

42
6.1 Ejemplo Espectro de las vocales
43
6.2 Ejemplo Espectro de consonantes sonoras
44
6.3 Ejemplo Espectro de consonantes fricativas
45
6.4 Ejemplo Espectrograma (representación
tiempo - frecuencia)
46
7. Bibliografía

• Voice representation in speech recognition -
  Climent Nadeu.
• Procesamiento de señales de voz ATV 2002 Dpto.
  Electrónica y Tecn. Computadores UGR.
• http//www.eie.fceia.unr.edu.ar/acustica/
• APLICACIONES DEL PROCESAMIENTO NO LINEAL DE VOZ -
  M. Faúndez-Zanuy, W. B. Kleijn, G. Kubin, P.
  Maragos, S. McLaughlin - Escuela Universitaria
  Politécnica de Mataró (E), KTH Royal inst. of
  Technology Stockholm (SE), Vienna
  Telecommunications Research (AT), National
  technical university of Athens (GR), University
  of Edinburgh (UK).
• La voz Humana federico Miyara
• Aplicaciones del tratamiento de voz compresión -
  Marcos Faúndez Zanuy - Escola Universitària
  Politècnica de Mataró (EUPMT) adscrita a la UPC.
• http//en.wikipedia.org/wiki/Linear_predictive_cod
  ing
• http//en.wikipedia.org/wiki/Cepstrum
• http//cnx.rice.edu/content/m0049/latest/
• http//www.ee.columbia.edu/dpwe/e6820/lectures/E6
  820-L05-speechmodels.pdf
• Nuestro agradecimiento a los alumnos de Ing. de
  Telecomunicación en la recopilación de
  información