Компьютерные технологии обработки речевых сообщений. Женило В.Р.

Начало - Фонограмма - След - Спектр - Речь - Фоноскопия - Вопросы

  Отражение в речевом сигнале звуков речи и голоса

  Голосовой импульс, форманты, высота голоса, речевой сигнал

Основы акустической теории речеобразования начали закладываться Гельмгольцем Германом Людвигом Фердинандом (1821-1894 гг.) - немецким ученым, автором фундаментальных трудов по физике, биофизике, физиологии и психологии. Он впервые раскрыл природу формирования гласных звуков и вывел основные уравнения взаимосвязи геометрии объемных полых фигур и их резонансных частот. Этот первый теоретический шаг в освоении речевой технологии сразу же породил попытку создать механическую говорящую машину. Для этого предлагалась сложная система акустических резонаторов, которая управлялась специальным механизмом примерно так же, как это делает человек. Однако реализовать эту идею до конца не удалось.

Если взять только лишь один отдельный голосовой импульс, то его форма может иметь вид, близкий к показанному на рис. 24 и 25. Причем если голос спокойный и тихий, то голосовой импульс имеет более гладкий вид. А если голос становится громким или переходит на крик, то форма голосового импульса становится более угловатой. На спектре это отражается в подъеме амплитуд высокочастотных компонент для громкого голоса, и, наоборот, у тихого голоса - амплитудный спектр быстрее убывает с ростом частоты (см. рис. 24). По этому признаку можно определять – в действительности ли человек говорил громко или тихо, независимо от того, усиливался ли тихий голос мощными электроакустическими приборами до оглушительного звука или слабые следы громкого голоса еле слышны на фонограмме.

Рис. 24. Характерные признаки громкого голоса: а) форма голосового импульса (вверху) и б) амплитудный спектр этого импульса (внизу).

Рис. 25. Характерные признаки тихого голоса: а) форма голосового импульса (вверху) и б) амплитудный спектр этого импульса (внизу).

Отклик речевого тракта на одиночный импульс имеет вид некоторого сложного затухающего колебания. Если речевой тракт настроен таким образом, что в нем преобладает одна резонансная частота, то отклик речевого тракта на одиночный голосовой импульс может иметь вид, близкий к тому, что показан на рис. 26. На том же рисунке показан спектр этого отклика. Приведенный на этих рисунках пример близок к реальному звуку “у”, у которого обнаруживается, как правило, только одна форманта на низких частотах.

Рис. 26. Модельный отклик речевого тракта на голос: а) сигнальная форма отклика (вверху) и б) амплитудный спектр отклика (внизу).

Обычно речевой тракт имеет несколько резонансных частот, из-за чего отклик тракта на одиночный голосовой импульс принимает очень сложную форму. На рис. 27 показан реальный отклик речевого тракта на голосовой импульс и, соответственно, его спектр. Локальные максимумы в этом спектре соответствуют резонансным частотам речевого тракта в момент произнесения звука “о” конкретным человеком в конкретном контексте. Спектры звука “о” этого же человека в других места речевого сигнала будут значительно отличаться друг от друга. И отличия эти определяются не только индивидуальными особенностями говорящего, но и его настроением, речевой ситуацией и многими другими факторами. Поэтому однозначно интерпретировать речевой сигнал всегда очень сложно из-за огромного числа определяющих его факторов.

Рис. 27. Реальный отклик речевого тракта на голос: а) сигнальная форма отклика (вверху) и б) амплитудный спектр отклика (внизу).

Если построить сонофильм по принципу и подобию кинофильма, то можно проследить динамику резонансных частот речевого тракта. В сонофильме отдельным кадром является спектр малой части речевого сигнала, которая вырезана из речевого сигнала и рассматривается в отдельности. На рис. 28 показаны два фрагмента разных сонофильмов. На сонофильмах вертикальная ось – это ось частот. Кадры на сонофильмах идут слева направо. Каждый спектр-кадр в этом сонофильме представляется в виде отдельной тончайшей вертикальной полоски. И если в спектре проявляются отдельные мощные гармонические составляющие сигнала в кадре, то эта полоска приобретает серый или черный цвет, а если нет, то - белый.

Рис. 28. След искусственного сигнала со свойствами близкими, к реальному речевому сигналу (вверху): а) осциллографическая форма; б) сонофильм. Сонофильм реального речевого сигнала (внизу).

Первый сонофильм (верхний) отражает след искусственного сигнала (исходный вид этого сигнала приведен на том же рисунке слева). Искусственный сигнал подобран таким образом, чтобы его свойства были близки к свойству фрагмента обычного речевого сигнала на участке отклика речевого тракта на очередной голосовой импульс. На искусственном сигнале можно различить сложное затухающее колебательное движение, но нельзя понять, из скольких отдельных простейших свободно затухающих колебаний оно состоит. На сонофильме, изображенном рядом, хорошо видно, что таких колебаний только два (на частотах w ₁ и w ₂). И на сонофильме хорошо видно, как каждое колебание на резонансной частоте (искусственного речевого тракта) постепенно затухает, становясь менее черным до тех пор, пока полностью не исчезнет, превратившись в белый цвет.

Второй широкополосный сонофильм на рис. 28 показывает реальный речевой сигнал (низкий мужской голос). На этом сонофильме виден ряд четко выраженных вертикальных полос. В данном случае каждая это полоса соответствует 2 - 3 кадрам сонофильма. В эти кадры попадает голосовой импульс, спектр которого (см. рис. 24 и 25) не имеет ярко выраженных локальных минимумов. Поэтому весь кадр оказывается черным почти везде. А вот сразу же за каждым голосовым импульсом (правее, когда черная вертикальная полоса заканчивается) хорошо видны следы формант – свободно затухающих резонансных колебаний речевого тракта. Или, как мы ранее говорили, следы отклика речевого тракта на каждый голосовой импульс в отдельности. Они очень похожи на искусственные следы, показанные на верхнем сонофильме. Прослеживая, как та или иная форманта перемещается от кадра к кадру вверх или вниз (исчезает или появляется), мы видим “след” динамики речевого тракта, в котором содержится вся информация о произносимом звуке речи или созвучии. Траекторию этих следов и можно считать аналогией траекторий линий в рукописном тексте.

Поэтому спектр, который рассчитан или построен на базе большого отрезка речевого сигнала, в который вошло несколько голосовых импульсов, будет иметь вид строго чередующихся локальных максимумов (см. рис. 23). Расстояние между этими максимумами равно частоте работы голосовых связок. Такие спектры обычно называются узкополосными из-за того, что полоски их локальных максимумов получаются более зауженными. Эта череда локальных максимумов спектра обычно называется обертонами голоса. Они следуют друг за другом с шагом по частоте, равным высоте голоса. Поэтому узкополосный спектр имеет редкую череду обертонов для высокого (женского или детского) голоса, а для низкого (мужского) – частую.

Сонофильм, построенный на базе широкополосных спектров, называется широкополосным сонофильмом, а на основе узкополосных спектров – узкополосным. Для примера на рис. 29 показаны широкополосный и узкополосный сонофильмы одного и того же речевого сигнала. Узкополосный сонофильм оказался более коротким по количеству кадров (по горизонтали), поскольку один его кадр содержит в себе несколько кадров широкополосного сонофильма.

Рис. 29. Пример широкополосного (внизу) и узкополосного (вверху) сонофильмов одного и того же речевого сигнала.

Начало - Фонограмма - След - Спектр - Речь - Фоноскопия - Вопросы