Кіріспе
Адам сөйлеуінің болуын немесе болмауын анықтау. Дауыстық белсенділікті анықтау (VAD), сондай-ақ сөйлеу белсенділігін анықтау немесе сөйлеуді анықтау деп те аталады, – бұл сөйлеуді өңдеуде қолданылатын адам сөйлеуінің болуын немесе болмауын анықтау. VAD-тың негізгі қолданыс салалары спикерді анықтау, сөйлеуді кодтау және сөйлеуді тану болып табылады. Ол сөйлеуді өңдеуді жеңілдетеді, сонымен қатар аудио сессияның сөйлеуден басқа бөлігіндегі кейбір процестерді тоқтату үшін де қолданылуы мүмкін: бұл Интернет-протокол арқылы дауыс беру (VoIP) қолданбаларындағы үнсіз пакеттерді қажетсіз кодтаудан/жіберуден сақтайды, есептеу қуатын және желілік өткізу қабілетін үнемдейді. VAD – сөйлеуге негізделген түрлі қолданбалар үшін маңызды технология. Сондықтан, кідіріс, сезімталдық, дәлдік және есептеу шығындары арасындағы әртүрлі мүмкіндіктер мен шарттарды ұсынатын әртүрлі VAD алгоритмдері әзірленді. Кейбір VAD алгоритмдері қосымша талдауды да жүзеге асырады, мысалы, сөйлеу дауысты, дауыссыз немесе созылған. Дауыстық белсенділікті анықтау әдетте тілге тәуелсіз. Ол алғаш рет уақытты бөлу арқылы сөйлеуді интерполяциялау (TASI) жүйелерінде қолдану үшін зерттелді.
Voice activity detection (VAD), also known as speech activity detection or speech detection, is the detection of the presence or absence of human speech, used in speech processing. The main uses of VAD are in speaker diarization, speech coding and speech recognition. It can facilitate speech processing, and can also be used to deactivate some processes during non speech section of an audio session: it can avoid unnecessary coding/transmission of silence packets in Voice over Internet Protocol (VoIP) applications, saving on computation and on network bandwidth. VAD is an important enabling technology for a variety of speech based applications. Therefore, various VAD algorithms have been developed that provide varying features and compromises between latency, sensitivity, accuracy and computational cost. Some VAD algorithms also provide further analysis, for example whether the speech is voiced, unvoiced or sustained. Voice activity detection is usually independent of language. It was first investigated for use on time assignment speech interpolation (TASI) systems.
Қолданбалар
VAD аудиоконференциялар, эхоны жою, сөйлеуді тану, сөйлеуді кодтау, сөйлеушіні тану және қолсыз телефон сияқты әртүрлі сөйлеу байланысы жүйелерінің ажырамас бөлігі болып табылады. Мультимедиалық қолданбалар саласында VAD дауыс пен дерек қолданбаларын бір уақытта пайдалануға мүмкіндік береді. Сол сияқты, Universal Mobile Telecommunications Systems (UMTS) жүйесінде ол орташа бит жылдамдығын бақылайды және азайтады, сондай-ақ сөйлеудің жалпы кодтау сапасын жақсартады. Ұялы радио жүйелерінде (мысалы, GSM және CDMA жүйелерінде) үздіксіз тарату (DTX) режимінде VAD жүйелік сыйымдылықты арттыру үшін маңызды, себебі ол бірнеше арналы кедергілерді және портативті цифрлық құрылғылардағы қуат тұтынуды азайтады. Сөйлеуді өңдеуде дауыс белсенділігін анықтау маңызды рөл атқарады, өйткені сөйлеу емес кадрлар көбінесе жойылады. Цифрлық ұялы радио, бір мезгілдегі дауыс және деректер (DSVD) немесе сөйлеуді сақтау сияқты көптеген қолданбалар үшін сөйлеуді кодтау параметрлерін үздіксіз беруді қамтамасыз ету қажет. Артықшылықтарына ұялы телефондардағы орташа қуат тұтынудың төмендеуі, деректерді беру сияқты бір мезгілдегі қызметтер үшін орташа бит жылдамдығының жоғарылауы немесе жад чиптерінің жоғары сыйымдылығы жатуы мүмкін. Дегенмен, жақсарту негізінен сөйлеу кезіндегі үзілістердің пайыздық көрсеткішіне және осы аралықтарды анықтау үшін қолданылатын VAD-тың сенімділігіне байланысты. Бір жағынан, сөйлеу белсенділігінің төмен пайызы тиімді. Екінші жағынан, кесу, яғни белсенді сөйлеудің миллисекундтарының жоғалуы, сапаны сақтау үшін барынша азайтылуы керек. Бұл қатты шу жағдайында VAD алгоритмі үшін өте маңызды мәселе.
Телемаркетингте қолдану
VAD-тің бір даулы қолданылуы – телемаркетинг фирмалары қолданатын автоматты қоңырау шалу жүйелерімен байланысты. Агенттердің өнімділігін арттыру мақсатында телемаркетинг компаниялары автоматты қоңырау шалушыларды орнатады, олар қолда бар агенттерден көп нөмірге қоңырау шалады, көптеген қоңыраулар «Қоңырау – жауап жоқ» немесе жауап беру машинасына түсетінін біледі. Адам жауап бергенде, әдетте қысқа сөйлейді («Сәлем», «Қайырлы кеш» сияқты) және содан кейін қысқа үнсіздік болады. Жұмыс істемейтін кезде қалдырылатын дауыстық хабарламалар әдетте 3–15 секунд үздіксіз сөйлеуден тұрады. VAD параметрлерін дұрыс реттеу арқылы қоңырау шалу жүйелері қоңырауға адам жауап бергенін немесе жауап беру машинасы жауап бергенін анықтай алады және егер адам болса, қоңырауды бос агентке жібереді. Егер жауап беру машинасының хабарламасын анықтаса, қоңырау шалу жүйесі қоңырауды аяқтайды. Көбінесе, жүйе адамның жауап бергенін дұрыс анықтаған кезде де, бос агент болмауы мүмкін, нәтижесінде «үнсіз қоңырау» пайда болады. «Есімді айтыңыз, сосын телефонды көтеріп аламын» сияқты бірнеше секундтық хабарламамен қоңырауды тексеру мұндай автоматты қоңырауларды тоқтатуға көмектеседі.
Қолданылу
Бірнеше ерте VAD стандарттарының бірі – 1991 жылы Pan European digital cellular mobile telephone қызметінде пайдалану үшін British Telecom компаниясы әзірлеген стандарт. Ол, дауыс емес сегменттерде оқытылған кері сүзгілеуді пайдаланып, фондық шуды сүзгілеп, содан кейін дауыстың бар-жоғын анықтау үшін қарапайым қуат шегін сенімді пайдалана алады. G.729 стандарты VAD үшін келесі ерекшеліктерді есептейді: сызықтық спектрлік жиіліктер, толық жолақты энергия, төмен жолақты энергия (<1 кГц) және нөлдік өту жылдамдығы. Ол осы ерекшеліктермен анықталған кеңістікте тұрақты шешім шекарасын қолдана отырып, қарапайым жіктемені қолданады, содан кейін бағалауды жақсарту үшін тегістеу және бейімделу түзетуін қолданады. GSM стандарты ETSI әзірлеген екі VAD нұсқасын қамтиды. 1-ші нұсқада SNR тоғыз жолаққа бөлінеді және осы мәндерге шекті мән қолданылады. 2-ші нұсқа әртүрлі параметрлерді есептейді: арна қуаты, дауыс көрсеткіштері және шу қуаты. Содан кейін ол дауыс көрсеткіштерін болжамды SNR-ге сәйкес өзгеретін шекті мәнді пайдаланып шектейді. Speex аудио сығымдау кітапханасы Improved Minima Controlled Recursive Averaging деп аталатын процедураны қолданады, ол спектрлік қуаттың тегістелген бейнесін пайдаланып, содан кейін тегістелген периодограмманың ең төменгі нүктелерін қарастырады. 1.2 нұсқасынан бастап ол автор «kludge» деп атаған нәрсемен ауыстырылды. Lingua Libre, Wikimedia құралы және тілдік құжаттама жобасы, VAD-ты пайдаланып, қысқа мерзім ішінде көптеген айтылуларды жазуға мүмкіндік береді. VAD Android кітапханасы GMM және DNN модельдерінің комбинациясын пайдаланады, мысалы WebRTC GMM, Silero DNN және Yamnet DNN. Кітапхана сапасы мен өнімділігі жағынан көптеген өндірістік үлгілерді басып өтеді.