Сөйлеуді талдау және кодтау техникасы

Кіріспе

Сызықтық болжамды кодтау (LPC) – бұл дыбыс сигналдарын өңдеу және сөйлеуді өңдеу салаларында кеңінен қолданылатын, сызықтық болжамды модель ақпаратын пайдаланып, сөйлеудің цифрлық сигналының спектральды қабығын ықшамдалған түрде бейнелеу әдісі. LPC сөйлеуді кодтау және сөйлеу синтезінде ең көп таралған әдіс болып табылады. Бұл – тиімді сөйлеуді талдау техникасы, сондай-ақ төмен біт жылдамдығымен сапалы сөйлеуді кодтауға мүмкіндік беретін пайдалы әдіс.

Шолу

LPC сөйлеу сигналы дауысты дыбыстар үшін түтіктің соңындағы гулдегіш арқылы, ал дауыссыз дыбыстар үшін (мысалы, сілеулі және жарылысты дыбыстар) кейде сызылу және жарылу дыбыстары қосылуымен пайда болады деген болжаммен басталады. Көрінеу қарапайым болғанымен, бұл көз-сүзгі моделі сөйлеудің өндірілуінің шындығын жақын көрсетеді. Дауыс жолдарының арасындағы кеңістік – глота, гулдегіштің қарқындылығын (көлемін) және жиілігін (биіктігін) анықтайды. Жұтқыншақ пен ауыз – бұл түтік, оның резонанстары оның ерекшелігі болып табылады; осы резонанстар дыбыста жиілік жолақтарын күшейтетін форманттарды құрайды. Сілеу және жарылу дыбыстары тіл, ерін және жұтқыншақтың қозғалысы кезінде пайда болады. LPC сөйлеу сигналын форманттарды бағалау, олардың әсерін жою және қалған гулдегіштің қарқындылығы мен жиілігін анықтау арқылы талдайды. Форманттарды жою процесі кері сүзгілеу деп аталады, ал сүзгіленген модельдік сигналды жойғаннан кейін қалған сигнал – қалдық деп аталады. Гулдегіштің қарқындылығы мен жиілігін, форманттарды және қалдық сигналын сипаттайтын мәліметтер басқа жерде сақталуы немесе берілуі мүмкін. LPC сөйлеу сигналын кері процесс арқылы синтездейді: гулдегіш параметрлері мен қалдықты бастапқы сигналды жасау үшін, форманттарды сүзгіні жасау үшін (түтікті бейнелейді) пайдаланады және бастапқы сигналды сүзгі арқылы өткізеді, нәтижесінде сөйлеу пайда болады. Сөйлеу сигналдары уақыт өте келе өзгеретіндіктен, бұл процесс сөйлеу сигналының қысқа бөліктерінде – кадрларда орындалады; әдетте, секундына 30-дан 50 кадр жақсы қысылған, түсінікті сөйлеуді қамтамасыз етеді.

Ерте тарих

Сызықтық болжау (сигналды бағалау) кем дегенде 1940 жылдары Норберт Винер шудың ішінде жасырылған сигналдарды анықтау үшін ең жақсы сүзгілер мен болжаушыларды есептеуге арналған математикалық теорияны жасаған кезде пайда болды. Клод Шеннон кодтаудың жалпы теориясын қалыптастырғаннан кейін көп ұзамай, болжамды кодтау бойынша жұмыстарды С. Чапин Катлер, Бернард М. Оливер және Генри С. Харрисон жүргізді. 1955 жылы Питер Элиас сигналдарды алдын ала кодтау туралы екі мақала жариялады. Сызықтық болжаушыларды сөйлеуді талдау үшін 1966 жылы Нагоя университетінің Фумитада Итакура және Nippon Telegraph and Telephone компаниясының Шузо Сайто, ал 1967 жылы Бишну С. Атал, Манфред Р. Шрёдер және Джон Бург қолданды. Итакура мен Сайто ең жоғары ықтималдық бағалауға негізделген статистикалық тәсілді сипаттады; Атал мен Шредер адаптивті сызықтық болжау тәсілін сипаттады; Бург ең жоғары энтропия принципіне негізделген тәсілді сипаттады. 1969 жылы Итакура мен Сайто ішінара корреляцияға негізделген әдісті (PARCOR) енгізді, Глен Каллер нақты уақыт режимінде сөйлеуді кодтауды ұсынды, ал Бишну С. Атал Америка акустикалық қоғамының жылдық мәжілісінде LPC сөйлеу кодерін таныстырды. 1971 жылы Philco Ford компаниясы 16 биттік LPC аппараттық құралдарын пайдаланатын LPC-ні нақты уақыт режимінде көрсетті; төрт дана сатылды. LPC технологиясын 1970-1980 жылдары Бишну Атал және Манфред Шрёдер жетілдірді. Кейіннен бұл 1993 жылы ұсынылған MP3 аудио қысылу форматында қолданылатын қабылдау кодтау техникасының негізіне айналды. LPC – IP арқылы дауыс беру (VoIP) технологиясының негізі. Ол көбінесе сөйлеуді талдау және қайта синтездеу үшін қолданылады. Ол телефон компанияларымен, мысалы GSM стандартында дауысты қысу түрі ретінде қолданылады. Ол сондай-ақ қауіпсіз сымсыз байланыста да қолданылады, онда дауыс цифрлық форматқа түрлендіріліп, шифрланып, тар дауыс арнасы арқылы жіберілуі керек; мұның алғашқы мысалы – АҚШ үкіметінің Navajo I жүйесі. LPC синтезі музыкалық аспаптарды әншінің сөйлеуінен алынған уақыт бойынша өзгеретін сүзгіге қоздырғыш ретінде пайдаланатын вокодерлерді құру үшін қолданылуы мүмкін. Бұл электрондық музыкада кең таралған. Пол Лански сызықтық болжау кодтауын қолдану арқылы белгілі компьютерлік музыкалық шығармасын жасады – «Бос әңгімеден гөрі». 1980-ші жылдардағы танымал Speak & Spell оқу ойыншығында 10-ретті LPC қолданылған. LPC болжаушылары Shorten, MPEG 4 ALS, FLAC, SILK аудио кодектері және басқа да жоғалтусыз аудио кодектерінде қолданылады. LPC скрипкалар және басқа да ішекті музыкалық аспаптардың тональды талдауында қолданылатын құрал ретінде назар аударды.

Linear prediction (signal estimation) goes back to at least the 1940s when Norbert Wiener developed a mathematical theory for calculating the best filters and predictors for detecting signals hidden in noise. Soon after Claude Shannon established a general theory of coding, work on predictive coding was done by C. Chapin Cutler, Bernard M. Oliver and Henry C. Harrison. Peter Elias in 1955 published two papers on predictive coding of signals. Linear predictors were applied to speech analysis independently by Fumitada Itakura of Nagoya University and Shuzo Saito of Nippon Telegraph and Telephone in 1966 and in 1967 by Bishnu S. Atal, Manfred R. Schroeder and John Burg. Itakura and Saito described a statistical approach based on maximum likelihood estimation; Atal and Schroeder described an adaptive linear predictor approach; Burg outlined an approach based on principle of maximum entropy. In 1969, Itakura and Saito introduced method based on partial correlation (PARCOR), Glen Culler proposed real time speech encoding, and Bishnu S. Atal presented an LPC speech coder at the Annual Meeting of the Acoustical Society of America. In 1971, realtime LPC using 16 bit LPC hardware was demonstrated by Philco Ford; four units were sold. LPC technology was advanced by Bishnu Atal and Manfred Schroeder during the 1970s1980s. This later became the basis for the perceptual coding technique used by the MP3 audio compression format, introduced in 1993. LPC is the basis for voice over IP (VoIP) technology. It is generally used for speech analysis and resynthesis. It is used as a form of voice compression by phone companies, such as in the GSM standard, for example. It is also used for secure wireless, where voice must be digitized, encrypted and sent over a narrow voice channel; an early example of this is the US government's Navajo I.

LPC synthesis can be used to construct vocoders where musical instruments are used as an excitation signal to the time varying filter estimated from a singer's speech. This is somewhat popular in electronic music. Paul Lansky made the well known computer music piece notjustmoreidlechatter using linear predictive coding. More Than Idle Chatter
A 10th order LPC was used in the popular 1980s Speak & Spell educational toy. LPC predictors are used in Shorten, MPEG 4 ALS, FLAC, SILK audio codec, and other lossless audio codecs. LPC has received some attention as a tool for use in the tonal analysis of violins and other stringed musical instruments.