Везде

ОФНРадиотехника и электроника Journal of Communications Technology and Electronics

  • ISSN (Print) 0033-8494
  • ISSN (Online) 3034-5901

Метод преобразования речевого сигнала для улучшения разборчивости речи

Вы можете
Код статьи
S3034590125080062-1
DOI
10.7868/S3034590125080062
Тип публикации
Статья
Статус публикации
Опубликовано
Авторы
Савченко В. В.
  • Аффилиация:
    Редакция журнала “Радиотехника и электроника”
    Национальный исследовательский университет “Высшая школа экономики”
Савченко Л.В.
  • Аффилиация:
    Редакция журнала “Радиотехника и электроника”
    Национальный исследовательский университет “Высшая школа экономики”
Том/ Выпуск
Том 70 / Номер выпуска 8
Страницы
753-760
Аннотация
Рассмотрена задача улучшения разборчивости речи в системах речевой связи. Указано на острую проблему узнаваемости голоса диктора при применении известных методов ее решения. Для преодоления указанной проблемы предложен новый метод преобразования речевого сигнала, основанный на авторегрессионной модели голосового тракта и на принципе избирательного по частоте усиления основных формант. Рассмотрен пример практической реализации нового метода на базе алгоритмов быстрого преобразования Фурье. Даны оценки вычислительных затрат и быстродействия. Поставлен и проведен натурный эксперимент. По его результатам установлен достигаемый при применении предложенного метода положительный эффект, а именно: повышение разборчивости речи контрольного диктора при сохранении достаточно высокой степени узнаваемости его голоса. Полученные результаты предназначены для использования при разработке новых и модернизации существующих систем речевой связи, включая мобильную связь и VoIP-системы.
Ключевые слова
теория сигналов речевой сигнал цифровая обработка речи голосовой тракт авторегрессионная модель речевая связь мобильная связь
Дата публикации
01.08.2025
Год выхода
2025
Всего подписок
0
Всего просмотров
29

Библиография

  1. 1. Rabiner L.R., Schafer R.W. // Foundations and Trends in Signal Processing. 2007. V. 1. № 1–2. P. 1. https://doi.org/10.1561/2000000001
  2. 2. Mehrish A., Majumder N., Bharadwaj R. et al. // Information Fusion. 2023. V. 99. Article No. 101869. https://doi.org/10.1016/j.inffus.2023.101869
  3. 3. Sankar M.S., Sathidevi P.S. // Circuits Systems Signal Process. 2023. V. 42. P. 3437. https://doi.org/10.1007/s00034-022-02277-z
  4. 4. Anselam A.S., Pillai S.S., Sreeni K.G. Advances Communication Systems and Networks. Selected Proceedings of ComNet2019/Eds. by J. Jayakumari, G. K. Karagiannidis, M. Ma, S. A. Hossain. Singapore: Springer, 2020. P. 625. https://doi.org/10.1007/978-981-15-3992-3_53
  5. 5. Togawa T., Otani T., Suzuki K., Taniguchi T. // APSIPA Trans. on Signal and Information Processing. 2015. V. 4. Article No. e14. https://doi.org/10.1017/ATSIP.2015.3
  6. 6. Narendra N.P., Alku P. // Speech Commun. 2019. V. 110. P. 47. https://doi.org/10.1016/j.specom.2019.04.003
  7. 7. O’Shaughnessy D. // IEEE Trans. 2024. V. HMS-54. № 1. P. 110. https://doi.org/10.1109/THMS.2023.3339663
  8. 8. Ngo Th., Kubo R., Akagi M. // Speech Commun. 2021. V. 135. P. 11. https://doi.org/10.1016/j.specom.2021.09.004
  9. 9. Zheng C., Zhang H., Liu W. et al. // Trends in Hearing. 2023. V. 27. Article No. 23312165231209913 https://doi.org/10.1177/23312165231209913
  10. 10. Jolad B., Khanai R. // Int. J. Speech Technology. 2023. V. 26. P. 287. https://doi.org/10.1007/s10772-023-10019-y
  11. 11. Kolbæk M., Tan Z.H., Jensen S.H., Jensen J. // IEEE/ACM Trans. 2020. V. ASLP-28. P. 825. https://doi.org/10.1109/TASLP.2020.2968738
  12. 12. Deng F., Bao Ch. // Speech Commun. 2016. V. 79. P. 30. https://doi.org/10.1016/j.specom.2016.02.006
  13. 13. Cавченко В.В., Савченко Л.В. // РЭ. 2021. Т. 66. № 11. C. 1100. https://doi.org/10.31857/S0033849421110085
  14. 14. Cавченко В.В., Савченко Л.В. // РЭ. 2024. Т. 69. № 4. С. 339. https://doi.org/10.31857/S0033849424040056
  15. 15. Gibson J. //Information. 2019. V. 10. № 5. P. 179. https://doi.org/10.3390/info10050179
  16. 16. Cавченко В.В., Савченко Л.В. // РЭ. 2023. Т. 68. № 7. С. 660. https://doi.org/10.31857/S0033849423060128
  17. 17. Ternström S. // Appl. Sciences. 2023. V. 13. № 6. P. 3514. https://doi.org/10.3390/app13063514
  18. 18. Cавченко В.В., Савченко Л.В. // Измерительная техника. 2024. № 5. С. 54. https://doi.org/10.32446/0368-1025it.2024-5-54-63
  19. 19. Ito M., Ohara K., Ito A., Yano M. // Proc. 11th Annual Conf. Int. Speech Commun. Association (INTERSPEECH 2010). Makuhari. 26–30 Sept. N.Y.: Curran Associates, Inc., 2011. V.4. P. 2494. https://doi.org/10.21437/Interspeech.2010–669
  20. 20. Cавченко А.В., Савченко В.В. // РЭ. 2022. T. 67. № 3. C. 286. https://doi.org/10.31857/S0033849422030135
  21. 21. Palaparthi A., Titze I.R. // Speech Commun. 2020. V. 123. P. 98. https://doi.org/10.1016/j.specom.2020.07.003
  22. 22. Cавченко В.В., Савченко Л.В. // Измерительная техника. 2024. № 2. C. 55. https://doi.org/10.32446/0368-1025it.2024-2-55-62
  23. 23. Tohyama M. Acoustic Signals and Hearing. A TimeEnvelope and Phase Spectral Approach. L.: Academic Press, 2020. P. 89. https://doi.org/10.1016/B978-0-12-816391-7.00013-9
  24. 24. Alku P., Kadiri S.R., Gowda D. // Computer Speech & Language. 2023. V. 81. Article No. 101515. https://doi.org/10.1016/j.csl.2023.101515
  25. 25. Kathiresan Th., Maurer D., Suter H., Dellwo V. // J. Acoust. Soc. Amer. 2018. V. 143. № 3. P. 1919. https://doi.org/10.1121/1.5036258
  26. 26. Tokuda I.T. Oxford Research Encyclopedia of Linguistics. Oxford: Univ. Press, 2021. P. oxfordre.com/linguistics/view/10.1093/acrefore/9780199384655.001.0001/acrefore-9780199384655-e-894
  27. 27. Kim H.S. Linear Predictive Coding is All-Pole Resonance Modeling. Stanford Univ. Center for Computer Research in Music and Acoustics, 2023. 7 p. ccrma.stanford.edu/~hskim08/lpc/lpc.pdf
  28. 28. Jesus L., Castilho S., Ferreira A., Costa M.C. // J. Phonetics. 2023. V. 97. Article No. 101223. https://doi.org/10.1016/j.wocn.2023.101223
  29. 29. Gustafsson Ph.U., Laukka P., Lindholm T. // Speech Commun. 2023. V. 146. P. 82. https://doi.org/10.1016/j.specom.2022.12.001
  30. 30. Savchenko V.V. // Radioelectronics and Communications Systems. 2021. V. 64. № 11. P. 592. https://doi.org/10.3103/S0735272721110030
  31. 31. Corey R.M., Kozat S.S., Singer A.C. Signal Processing and Machine Learning Theory/Ed. by P.S.R. Diniz. L.: Academic Press. 2024. P. 689. https://doi.org/10.1016/B978-0-32-391772-8.00017-X
  32. 32. Marple S.L.Jr. Digital Spectral Analysis with Applications. Mineola: Dover Publications. 2019.
  33. 33. Kuhn K., Kersken V., Reuter B. et al.// ACM Trans. on Accessible Computing. 2024. V. 16. № 4. Article No. 25 https://doi.org/doi.org/10.1145/3636513
  34. 34. Palani S. Principles of Digital Signal Processing. Cham: Springer 2022. https://doi.org/10.1007/978-3-030-96322-4
  35. 35. Cавченко В.В. // Измерительная техника. 2023. № 10. С. 63. https://doi.org/10.32446/0368-1025it.2023-10-63-69
  36. 36. Cавченко В.В., Савченко А.В. // РЭ. 2020. Т. 65. № 11. С. 1101. https://doi.org/10.31857/S0033849420110157
  37. 37. Omer D.S., Hussein M.A. & Mina L.M. // J. Engineering. 2020. V. 26. № 10. P. 135. https://doi.org/10.31026/j.eng.2020.10.10
  38. 38. Esra A.J.S., Sukhi Y. // Computer Speech & Language. 2024. V. 84. Article No. 101554. https://doi.org/10.1016/j.csl.2023.101554
QR
Перевести

Индексирование

Scopus

Scopus

Scopus

Crossref

Scopus

Высшая аттестационная комиссия

При Министерстве образования и науки Российской Федерации

Scopus

Научная электронная библиотека