58. Otwarte Seminarium z Akustyki, OSA '11, Gdańsk-Jurata, September 2011

Transkrypt

1 109 ROZPOZNAWANIE MÓWCY W SYSTEMACH Z KODOWANIEM MOWY STEFAN BRACHMAŃSKI Politechnika Wrocławska, Instytut Telekomunikacji, Teleinformatyki i Akustyki Wybrzeże Wyspiańskiego 27, Wrocław Stefan.brachmanski@pwr.wroc.pl W pracy zaprezentowano zagadnienia związane z wpływem techniki kodowania sygnału mowy na skuteczność identyfikacji głosu mówcy. Badania eksperymentalne wykonano dla trzech głosów żeńskich i trzech męskich. Przeanalizowano wpływ różnych technik kodowania na zmianę takich parametrów osobniczych sygnału mowy jak częstotliwość podstawowa tonu krtaniowego, częstotliwość czterech pierwszych formantów oraz na skuteczność rozpoznawania mówcy w oparciu o parametry predykcji liniowej i rozkładu interwałów czasowych. Przedstawiono otrzymane wyniki. WPROWADZENIE Systemy przeznaczone do transmisji głosu wykorzystują różne techniki kodowania i kompresji sygnału mowy. Mogą one mieć wpływ na degradację jakości mowy, a także na zmianę cech osobniczych zawartych w sygnale mowy, które wpływają na skuteczność identyfikacji mówcy na podstawie jego głosu. Współcześnie jednym z najczęściej wykorzystywanym medium transmisyjnym jest Internet. Wiele świadczonych usług np. dostęp do konta, danych osobistych itp wymaga autoryzacji polegającej np na podaniu numeru PIN. Jednakże wraz z rozwojem biometrycznych technik identyfikacji osób zmienia się również sposób autoryzacji wykorzystując w tym celu np. linie papilarne, skanowanie tęczówki lub siatkówki czy identyfikację głosową. Ta ostatnia technika jest bardzo złożona ze względu na wpływ wielu czynników na skuteczność identyfikacji. Jednym z czynników, który może wpływać na skuteczność identyfikacji osoby na podstawie głosu jest zastosowana w systemie transmisyjnym technika kodowania sygnału mowy.

2 TRANSMISJA MOWY W SIECI INTERNET Współcześnie jednym z najczęściej wykorzystywanym medium do transmisji mowy jest Internet. Idea wykorzystania Internetu do przesyłania głosu (Voice over Internet Protocol - VoIP) powstała około 1995 roku. Pierwszą aplikację VoIP umożliwiającą wykonanie połączenia głosowego między dwoma komputerami podłączonymi do sieci Internet stworzyli programiści firmy VocalTec. Z założenia obydwa komputery posiadały to samo oprogramowanie. Intensywny rozwój technologii VoIP nastąpił pod koniec XX i na początku XXI wieku. Jednakże nadal w łączności pojawiały się duże zakłócenia i problemy w połączeniach Internet PTSN. Przełom w technologii VoIP nastąpił, kiedy producenci sprzętu telekomunikacyjnego zaczęli wytwarzać sprzętowe rozwiązania znacznie zmniejszające konieczność stosowania standardowych komputerów z odpowiednim oprogramowaniem. Dzięki temu więcej firm mogło wdrażać technologię VoIP w swoich sieciach opartych na protokole IP. Również połączenia długodystansowe stały się popularniejsze i dużo bardziej dostępne. Pojawiło się wiele różnych, często konkurencyjnych standardów opisujących metody i techniki przesyłania danych oraz zestawiania połączeń. Komunikatory zapewniające połączenia głosowe wykorzystują różne techniki kodowania sygnału mowy, często bardzo skrywane przed użytkownikami oraz firmami konkurencyjnymi. Odpowiedni dobór techniki kodowania ma na celu zmniejszenie objętości informacyjnej przesyłanego sygnału mowy, przy możliwie jak najlepszej jego jakości. Poprawia to wykorzystanie pasma ale jednocześnie może wpływać na degradację jakości mowy, a także na zmianę cech osobniczych zawartych w sygnale mowy. Zmiany te wpływają na skuteczność identyfikacji mówcy na podstawie jego głosu niezależnie od wykorzystywanych parametrów i techniki rozpoznawania mówcy [7]. 2. EKSPERYMENT Celem prezentowanych badań było zbadanie wpływu różnych technik kodowania na: zmianę takich parametrów osobniczych sygnału mowy jak częstotliwość podstawowa tonu krtaniowego oraz częstotliwości czterech pierwszych formantów, skuteczność rozpoznawania mówcy w oparciu o parametry predykcji liniowej (LPC) i rozkładu interwałów czasowych (RiCz). W badaniach wykorzystano bazę głosów opracowaną i nagraną w Pracowni Analizy i Przetwarzania Sygnałów Akustycznych Instytutu Telekomunikacji i Akustyki Politechniki Wrocławskiej [10]. Baza głosów zawiera wypowiedzi 10 mówców (5 kobiet oraz 5 mężczyzn) z przedziału wiekowego lat o wykształceniu niepełnym wyższym (studenci) będącymi rezydentami Wrocławia. Baza zawiera 36 wyrazów powtarzanych 5 razy przez każdego mówcę. Próbki głosów zostały zarejestrowane z częstotliwością próbkowania 16kHz i rozdzielczością 16 bitów. Wypowiedzi zostały zarejestrowane na dwóch cyfrowych rejestratorach, a mianowicie na magnetofonie cyfrowym SONY R-DAT 55ES oraz cyfrowy rejestrator rozmów telefonicznych i radiowych COMPREC v oraz na dwóch dyktafonach analogowych. Cyfrowy rejestrator COMPREC umożliwia nagrywanie i odtwarzanie rozmów telefonicznych i radiowych w formacie skompresowanym oraz w standardowym formacie WAV. Z posiadanej bazy wybrano próbki 5 głosów żeńskich i 5 męskich zarejestrowanych na magnetofonie cyfrowym SONY R-DAT 55ES. W prezentowanych badaniach ograniczono się do wypowiedzi samogłoski a oraz wyrazów halo, tak i nie. Przykładowy spektrogram wypowiedzi

3 111 halo dla jednego losowo wybranego z bazy sygnałów głosu męskiego i żeńskiego pokazano na rys.1 Symulację różnych technik kodowania zrealizowano za pomocą oprogramowania KSM- Lab [9]. Program KSM-Lab umożliwia symulację kilkunastu różnych technik kodowania jak np. MELP 2.4kbps, CELP 4.8kbps, LPC10 2.4kbps, G.711, GSM RPE-LTP 13kbps [1],[2],[3], [4],[5]. Symulacja kompresji programie KSM-Lab wymaga aby sygnał mowy próbkowany był z szybkością 8kHz i rozdzielczością 16 bitów. Wszystkie analizowane sygnały poddano konwersji częstotliwości próbkowania z 16kHz na 8kHz za pomocą programu Adobe Audition. Program KSM-Lab realizuje wybraną technikę kompresji dla wielu plików jednocześnie. Sygnał mowy po kompresji został zapisany w formacie wav i był użyty w dalszej części eksperymentu do zbadania wpływu kompresji na degradację cech osobniczych i skuteczność rozpoznawania mówcy., Fig.1. Spektrogram wypowiedzi wyrazu halo dla głosu męskiego i żeńskiego. Analizę wpływu techniki kodowania i kompresji na zmianę parametrów osobniczych wykonano z użyciem oprogramowania Computerized Speech Lab CSL 4500 firmy KayPENTAX porównując częstotliwości podstawowe tonu krtaniowego F 0 oraz czterech pierwszych częstotliwości formantowych F 1, F 2, F 3, F 4. W tabeli 1 podano przykładowo wartości minimalną i maksymalną tonu krtaniowego dla jednego głosu męskiego i jednego żeńskiego w wyrazie halo. Z kolei na rys 2 przedstawiono wyniki analizy zmian częstotliwości czterech pierwszych formantów w wypowiedzi wyrazu Halo oddzielnie dla głosu żeńskiego i męskiego. Tab. 1. Wartości minimalne i maksymalne częstotliwości podstawowej dla wyrazu halo Głos męski Technika kodowania F0 MIN [Hz] [Hz] Wyraz halo F0 MAX Głos żeński F0 MIN [Hz] F0 MAX [Hz] Sygnał wzorcowy 118,1 150,6 214,4 274,4 G ,0 kbps alaw 116,9 147,5 214,6 274,4 CELP 4.8kbps 117,8 149,6 214,8 279,5 G.722 MELP 2.4 kbps 118,1 150,4 214,5 274,4 G ,7 153,9 214,4 277,5 GSM 13,0 kbps 116,5 152,8 214,2 275,0

4 112 Fig.2. Ilustracja zmian wartości średniej częstotliwości formantów dla wyrazu halo w zależności od zastosowanej techniki kodowania dla głosu męskiego i żeńskiego [8].

5 113 Analizę skuteczności rozpoznawania mówcy wykonano wykorzystując oprogramowanie własne Pracowni AiPSA program ARGo [6]. Aplikacja jest systemem automatycznej identyfikacji głosu, działającym w oparciu o parametry liniowego kodowania predykcyjnego (LPC) i rozkładu interwałów czasowych pomiędzy przejściami przez zero sygnału mowy (RIC). Proces rozpoznawania mówców z wykorzystaniem programu ARGo rozpoczyna się od zdefiniowanie klas (ciąg uczący) czyli dodania sygnałów wzorcowych, następnie należy zdefiniować ciąg testowy czyli wprowadzić sygnały rozpoznawane. Kolejnym etapem jest przypisanie klasy do badanych elementów rozpoznawanych oraz ustalenie parametrów metod rozpoznawania LPC oraz RIC (Rys.3). Po wykonaniu tych procedur można przejść do etapu rozpoznawania. Fig.3. Widok ekranu głównego programu ARGo. W rozpoznawaniu mówcy zastosowano algorytm najbliższy sąsiad. Pozostałe parametry, których nie zmieniano w całym eksperymencie, to metryka Euklidesa, parametry DTW - punkty końcowe stałe, długość okna oraz rząd LPC- 16 i ilość przedziałów czasowych 22. Ustalone

6 114 parametry do rozpoznawania mówcy programem ARGo zaprezentowane są na rys.3. Program ARGo podaje otrzymane wyniki w postaci raportu, który może być zapisany jako plik tekstowy (txt) lub plik danych programu Excel (xls). Raport zawiera wszystkie ustalone parametry rozpoznawania, otrzymane rezultaty w postaci zbiorczej tabeli rozpoznań, uzyskane odległości; przykładowo fragment raportu przedstawiony został na rys. 4. Otrzymane wyniki skuteczności rozpoznawania mówcy dla analizowanych wyrazów wypowiadanych przez kobiety i mężczyzn zamieszczono w tab. 1 Fig.4. Fragment raportu wygenerowanego w programie ARGo. 3. PODSUMOWANIE Analizując wartości częstotliwości tonu krtaniowego dla 6 wypowiedzi (5 głosów męskich i 5 żeńskich) można stwierdzić, że technika kodowanie nieznacznie wpływa na zmiany w częstotliwościach tonu krtaniowego. Analizowane techniki kodowania dobrze radzą sobie z odtwarzaniem częstotliwości podstawowej tonu krtaniowego zwłaszcza mężczyzn. Różnice występujące w przedziale zmienności wartości częstotliwości podstawowej będące efektem zastosowanej techniki kodowania są większe dla głosów kobiecych niż dla głosów męskich. Rodzaj zastosowanej techniki kodowania wpływa na przebieg formantów. Badania wykazały, że jedynie w przypadku kodowania G.711 bez względu na zastosowany algorytm

7 115 wartości częstotliwości formantów nie ulegały zmianie. Dla pozostałych technik kodowania można zaobserwować zmiany zarówno w trajektoriach jak częstotliwościach formantów. Tablica.1.. Skuteczność rozpoznawania mówcy Głos męski Technika kodowania LPC RICz [%] [%] Samogłoska a Głos żeński LPC RICz [%] [%] MELP 2,4 kbps CELP 4,8 kbps GSM 13,0 kbps G ,0 kbps alaw LPC10 2,4 kbps Wyraz halo MELP 2,4 kbps CELP 4,8 kbps GSM 13,0 kbps G ,0 kbps alaw LPC10 2,4 kbps Wyraz tak MELP 2,4 kbps CELP 4,8 kbps GSM 13,0 kbps G ,0 kbps alaw LPC10 2,4 kbps Wyraz nie MELP 2,4 kbps CELP 4,8 kbps GSM 13,0 kbps G ,0 kbps alaw LPC10 2,4 kbps Wyniki badań wpływu techniki kodowania na skuteczność rozpoznawania mówcy wskazały, że dla analizowanych wypowiedzi zastosowanie parametryzacji LPC dla prawie wszystkich wypowiedzi męskich wpływ techniki kodowania jest nieistotny. Jednakże dla głosów kobiecych stwierdzono wpływ techniki kodowania, dla przypadków MELP 2,4 kbps i LPC10 2,4 kbps na pogorszenie skuteczności identyfikacji osoby w oparciu o parametryzację LPC.

8 116 Zastosowanie parametryzacji opartej o rozkład interwałów czasowych do rozpoznawania osób wskazuje na dużą czułość na rodzaj zastosowanej techniki kodowania mowy. Otrzymane wyniki wymagają potwierdzenia dla większej liczby wypowiedzianych wyrazów przez większą liczbę mówców, gdyż na tym etapie trudno jest stwierdzić jednoznacznie, która technika kodowania najbardziej wpływa na zmianę cech osobniczych mówcy. Dalsze prace prowadzone w Pracowni Analizy i Przetwarzania Sygnałów Akustycznych Instytutu Telekomunikacji, Teleinformatyki i Akustyki Politechniki Wrocławskiej będą zmierzać w kierunku dokładniejszego określenia wpływu techniki kodowania na zmianę cech osobniczych oraz na skuteczność identyfikacji mówcy na podstawie głosu dla rozszerzonej bazy sygnałów testowych. BIBLIOGRAFIA [1] ETSI, Rec. GSM 06.10, GSM full-rate transcoding, 1989 [2] ITU-T Rec. G.711, Pulse code modulation (PCM) of voice frequencies, [3] ITU-T Rec. G.722, 7 khz audio-coding within 64 kbit/s, [4] ITU-T Rec. G.723, Dual rate speech coder for multimedia communications transmitting at 5.3 and 6.3 kbit/s, [5] ITU-T Rec. G.729, Coding of speech at 8 kbit/s using conjugate-structure algebraic-codeexcited linear prediction (CS-ACELP),2007. [6] P. Kaczmarek Opracować wiarygodny system weryfikacji mówców na zasadzie losowo (z 20) żądanych przez komputer powtórzeń, Praca dyplomowa, Wrocław, [7] J. Keshet, S. Bengio, Automatic Speech and Speaker Recognition. Large Margin and Kernel Methods. John Wiley & Sons Ltd., 2009 [8] G. Kobus, Analiza wpływu transmisji telefonicznej na przebieg formantów., Praca dyplomowa, Wrocław, [9] M. Maryniak, Stanowisko laboratoryjne do symulacji wybranych metod kodowania sygnału mowy, Praca dyplomowa, Politechnika Wrocławska, 2003 [10] T. Placzyński, Akustyczna baza głosów do identyfikacji mówcy w badaniach fonoskopijnych, Praca dyplomowa, Politechnika Wrocławska, [11] G. Żórański, Wpływ kodowania i kompresji mowy na degradację cech osobniczych mówcy., Praca dyplomowa, Wrocław, 2010.