Modelado de la señal en reconocimiento de habla ruidosa

Jl; -..<.' f l ,,,,,,,, ECNI cUSTfCA BARCELONA • 1996 Modelado de la sefi.al en reconocimiento de habla ruidosa P. Ejarque, }. Hernando, }.B. Mario, G. Hernandez* Departamento de Teor{a de Seal y Comunicaciones. Universitat Politcenica de Catalunya. [email protected] ABSTRACT Conventional modelling techniques of speech suffer a very big performance degradation in adverse noisy environments. So, it is necessary to research for more robust representations of speech signal. This paper presents new models that have succeeded in adverse environments. They are hybrid models of the classical parametrizations techniques used so far that have demonstrated being very useful in order to obtain good results in different noisy environments. In order to prove the their performance we have used white and machine noise in our experiments. INTRODUCCION Los sistemas actuales de reconocimiento, que dan buenos resultados en ambientes sin ruido, se degradan nipidamente en presencia de seiiales interferentes ajenas a la seiial de voz como Ios producidos por maquinas o entomos adversos [ 1 ]. Este articulo pretende mostrar diferentes metodos para mejorar Ios rcsultados de reconocimiento empleando tecnicas diversas en la parametrizacion en dos entomos diferentes. ruido blanco y ruido de maquina. La etapa de parametrizacion consiste en estimar la envolvente espectral de la seiial, que es la que aporta la informacion necesaria para el reconocimiento ya que su evolucion temporal parece caracterizar las diferentes realizaciones acusticas. En nuestro caso buscamos representaciones de la seiial robustas al ruido pero que, a la vez, den buenos resultados en condiciones ambientales poco ruidosas. En este trabajo se pretende comparar las tecnicas clasicas de parametrizacion LPC-cepstrum (LPCC) y melcepstrum (MFCC) con metodos hfbridos presentando una vision unificadora del proceso de modelado de la seiial mediante un esquema unico que engloba todas las paramatrizaciones expuestas en este articulo. Para la evaluaci6n de Ios diferentes modelados se han usado seales contaminadas con ruido blanco y con ruido de maquina para diferentes relaciones senal a ruido. El orden de este articulo ser como sigue. El apartado 2 se dedica a Ias parametrizaciones tratando brevemente las parametrizaciones cl<isicas y mas especfficamente !as nuevas parametrizaciones propuestas en [2] . En el apartado 3 se detallan las diversas pruebas realizadas y se presentan Ios diferentes resultados obtenidos con las diferentes parametrizaciones para diferentes relaciones senal a ruido y para cada uno de Ios dos ruidos considerados. El apartado 4 se dedica alas conclusiones que de estos resultados hemos podido extraer. METODOS DE PARAMETRIZACIN. Metodos cbisicos: LPCC y MC. La tecnica LPCC [3] equivale a un modelado autorregresivo de la sefial de voz relacionado con Ios modelos de produccion del habla por el tracto vocal humano. Con else pretende obtener una envolvente espectral de la sefial de voz mediante la respuesta frecuencial de un filtro todo polos. Esta envolvente se representa mediante Ios panimetros cepstrales que se obtienen por recursion de Ios panimetros LPC. Los panimetros LPC se obtienen aplicando el algoritmo de LevinsonDurbin a la autocorrelacion de la seiial de voz. '~'Este trabajo ha si do tlnanciado por Ios proyectos TIC95-0884-C04-02 y TIC 9~-l 022-COS-03 339 El primer proceso necesario para el caJculo de Ios coeficentes mel-cepstrum (MFCC) [ 4] es realizar el m6dulo al cuadrado de la transformada discreta de Fourier de la trama de voz enventanada. Posteriormente, se estima la energia por bandas multiplicando en frecuencia por un banco de filtros triangulares espaciados en una escala perceptual. Para finalizar, se caJcula la transformada discreta inversa para obtener Ios parametros MFCC. Este modelo intenta imitar la respuesta de la c6clea humana a Ios estfmulos que produce la voz, es decir, intenta emular el tratamiento que el ofdo humano da a la seiial de voz. Es ampliamente aceptado el uso de 20 filtros de forma triangular en el banco de filtros. Metodos hibridos: LMC y MLC. Entre Ios posibles modelos hfbridos Ios autores han desarrollado las tecnicas LPC-mel-cepstrum (LMC) y mel-LPC-cepstrum (MLC) [2] y ha estudiado su comportamiento en ambientes que precisan robustez al ruido. Estos modelos se detallan a continuaci6n. La tecnica LMC consiste en aplicar la tecnica mel-cepstrum sobre el espectro LPC de la seiial de voz. A partir del espectro se realiza un caiculo integrador de la potencia de seiial en cada banda de frecuencia. A Ios valores obtenidos se les aplica la tecnica mel-cepstrum para obtener Ios panimetros LMC. Con ello se pretende con esta parametrizaci6n es simular la concatenaci6n de Ios procesos de articulaci6n y audici6n de la voz por parte del tracto vocal y el ofdo humanos. La tecnica MLC realiza el proceso inverso al metodo LMC aplicando predicci6n lineal a la estimaci6n del espectro obtenido a partir de un banco de filtros espaciados en la escala perceptual mel. La OFf inversa de la salida del banco de filtros puede interpretarse como autocorrelaci6n y aplicarse a la entrada del algoritmo de Levinson-Durbin. Esguema unificado de parametrizaci6n. Tal y como se han descrito Ios metodos de parametrizaci6n anteriores, se puede llegar a un esquema general que engloba todas las parametrizaciones de manera que se llega al modelado elegido segun el camino que sigamos a traves del esquema general de parametrizaci6n que se detalla en la Figura I. En este esquema se puede observar como las tecnicas MLC y LMC son hibridaciones de las tecnicas LPCC y MFCC y aprovechan Ios diferentes procesos utilizados por estos dos parametrizaci6n para conseguir modelados de la seiial de voz que superan en robustez a sus predecesoras. PRUEBAS Y RESULTADOS. Base de datos y sistema de reconocimiento. Para la realizaci6n de las pruebas de reconocimiento se ha utilizado la base de datos TI [51 que contiene realizaciones de Ios once dfgitos en ingles (de l a 9, oh y zero) pronunciados por Ill locutores adultos para las seiiales de entrenamiento y 113 para las seiiales de test. Cada locutor ha pronunciado dos realizaciones de cada dfgito. Las pruebas se han realizado con dfgitos aislados y son independientcs de locutor. Se ha utilizado el sistema de reconocimiento HTK v 1.5 [6] basado en modelos ocultos de Markov (HMM) de densidad cotinua. Cada dfgito se ha caracterizado con un modelo de Markov de l 0 estados de izquierda a derecha (5 estados en el caso del silencio) con matriz de covarianza diagonal. Los modelos se han entrenado con las seiiales de entrenamiento de la base de datos limpias mientras que el reconocimiento se ha efectuado a partir de las senates de test de la base de datos ensuciadas con ruido para relaciones sefiul a ruido de 0, 10 y 20 dB y con Ius sefiales lim· 340 Preenfasis I DFT (.)I 2 Banco de Filtros LPCC LMC MFCC I OFT ( 0) I. 2 LPCC Banco de Filtros MLC LPCC MLC LMC Figura I. Esquema gcneml de pammctri:aci£1n. t r· % aciertos % aciertos % aciertos 14 Jl 11 13 15 32 12 'XI '8 65 11 72 SI 10 $ ·g 17 !i) 8 8 10 12 14 16 18 Jl 10 12 14 16 18 3) 'I 12 14 16 18 Jl r. blanco 0 dB p r. blanco 10 dB p r. blanco 20 dB p % aciertos % aciertos % aciertos SI 118 ~ 45 83 !12 «< 78 ID !; 73 a 3) 68 l6 z; 63 31 58 84 15 Sl 82 10 • 11 8 10 12 14 .. 18 31 10 12 14 16 18 3) 10 12 14 16 18 Jl r. maquina OdB p r. maquina 10 dB p r. maquina 20 dB p I· LPCC • MFCC .£ LMC X MLC Figura 2. Porcentajes de reconocimiento para !as diferentes paramerri:::aciones. Arriha, con ruido hlanco. Ahajo con ruido de nu/quina. De i::quierda a derecha, relaciones set/{il a ruido de 0, 10 y 20 dB. pias. Se han utilizado dos ruidos diferentes, ruido blanco generado aleatoriamente y ruido de maquina con Ios cuales se han ensuciado las seiiales de test con las que se han obtenido Ios resultados expuestos ~~ en el siguiente apartado. No se ha realizado preenfasis [2]. La seiial se ha divido en tram as de 30 ms. con I 0 ms. de solapamiento. Solo se han utilizado Ios parametros estaticos, ni parametros dinamicos ni energfa. Se ha realizado un barrido desde Ios 8 hasta Ios 20 parametros para cada parametrizaci6n. cada ruido y cada relaci6n sefial a ruido. Para las parametrizaciones LPCC, MLC y LMC se han hecho coincidir el orden del modelo de predicci6n y el numero de coeficientes cepstrales por haberse demostrado empfricamente que da mejores resultados que la utilizaci6n de valores dispares f5]. Resultados experimentales En este apartado se exponen Ios resultados obtenidos en las pruebas realizadas y que se retlejan en Jas graficas de la figura 2. Para ruido blanco, la parametrizaci6n MLC es la que proporciona mejores re5ultados para relaciones seiial a ruido de 10 y 20 dB y para relaci6n seiial a ruido de 0 dB con 18 y 20 panimetros. Con esta parametrizaci6n se obtienen mejores resultados maximos para las tres relaciones seiial a ruido: 13.72 %de reconocimiento para 0 dB y 20 parametros, 34.69% para 10 dB y 18 parametros y 75.29% para 20 dB y 18 parametros. El modelado MFCC es el que proporciona mejores resultados para relaci6n seiial a ruido de 0 dB y pocos coeficientes y, en general, se situa por encima de Ios LMC y LPCC y por debajo del MLC. La tecnica LMC suele situarse entre las dos parametrizaciones clasicas y la tecnica 341 LPCC es la que obtiene menores tasas de reconocimiento excepto con poco ruido y un elevado m1mero de panimetros. Para ruido de maquina, la parametrizaci6n LMC obtiene Ios mejores resultados para relacion sefial a ruido de 0 dB, 10 dB y 20 dB a partir de 12 coeficientes. Con esta parametrizaci6n se obtienen Ios porcentajes de reconocimiento mas altos: para 0 dB, 46.72 %con 20 parametros; para 10 dB, 85.63 %con 14 parametros y para 20 dB, 93.84% tambien con 14 parametros. El modelado MLC se comporta mejor, en general, que las dos parametrizaciones clasicas para relaciones sefial a ruido bajas y para 20 dB de relaci6n sefial a ruido con 14 o ms parametros. La tecnica MFCC se comporta mejor que la LPCC utilizando un numero suficiente de parametros. Para s~ales limpias la tecnica LPCC obtiene un resultado del 96.26 % con 18 panimetros, la MC del 97.1 %con 8 parametros y la LMC del 96.26% con 14 parametros. El modelado MLC supera a todas las anteriores parametrizaciones con un 97.26 % de reconocimiento con 12 panimetros. CONCLUSIONES De Ios resultados anteriormente expuestos se derivan las siguientes conclusiones: • Dentro de Ios matodos clsicos de parametrizaci6n la tecnica MFCC demuestra una mayor robustez frente al ruido que la tecnica LPCC ya que la supera en la mayora de Ios casos para relaciones sefial a ruido bajas. Esto ocurre siempre en el caso de ruido blanco y para un numero alto de parametros en el caso de ruido de maquina. • Para ruido blanco, la tecnica MLC es la que presenta mejores prestaciones para todas las re1aciones sefial a ruido, aunque para 0 dB de relacion sefial a ruido es necesario utilizar un numero alto de panimetros. La tecnica LMC obtiene unos resultados que la situan entre las dos clasicas. • Para ruido de maquina, el model ado LMC de la sefial ofrece Ios mejores resultados para relaciones 0, 10 y 20 dB de relaci6n sefial a ruido, aunque para 20 dB hay que usar un numero elevado de parametros. La parametrizacion MLC tambien supera alas dos clasicas en estas situaciones cuando se utilza mas de 14 coeficientes. • Para setiales limpias el metodo MLC el que proporciona mejores resultados. REFERENCIAS. [I] B. H. Juang, Speech Recognition in Adverse Em·ironments, Computer Speech and Language, vol. 5, 1991, pp. 275294. [21 J. Mndez, J. Hemando, C. Nadeu, F. Vallverd Esquema Unificado de Parametri:aci6n de la Seal de Vo: en Reconocimiento del Hahla, Proc. URSI95, Valladolid, Septiembre 1995, pp. 97-100. l3] J. Makhoul, Proceedings of the IEEE, vol. 63. n 4, Abril 1975, pp. 561 -580. [ 4] S. B. Davis, P. Mermelstein, IEEE Trans. ASSP, vol. 28, 1980, pp. 357 -366. [5] R. G. Leonard, Proc. ICASSP84, Marzo 1984, pp. 42.11.1 -4. [6] Cambridge University Engineering Departament Speech Group and Entropic Research Laboratories INC. HTK - Hidden Markov Model Toolkit v 1.5 Diciembre 1993. 342 -- -----------