Professional Documents
Culture Documents
ĐÁNH GIÁ CÁC THUẬT TOÁN PHÁT HIỆN TIẾNG NÓI DÙNG
NGƯỠNG THÍCH NGHI VÀ MẠNG NEURAL TRONG MIỀN WAVELET
PERFORMANCE ASSESSMENT ON VOICE ACTIVITY DETECTION
ALGORITHMS USING ADAPTIVE THRESHOLD AND NEURAL NETWORK IN
WAVELET DOMAIN
SVTH: Nguyễn Trí Phước, Trần Lê Anh Thư, Nguyễn Ngọc Như Trang
Lớp05DT2 - 05DT3 , Khoa Điện tử Viễn thông , Trường Đại học Bách Khoa
GVHD: TS. Phạm Văn Tuấn
Khoa Điện tử Viễn thông, Trường Đại học Bách Khoa
TÓM TẮT
Mục đích của bài báo là nghiên cứu các thuật toán phát hiện tiếng nói (VAD) dựa trên biến
đổi Wavelet. Các thuộc tính được trích trong miền Wavelet sẽ được đem so sánh với các mức
ngưỡng thích nghi hoặc được nhận dạng bởi mạng neural (NN) để thực hiện việc phân loại.
Những thuật toán VAD này được đánh giá và so sánh với các phương pháp VAD tiêu chuẩn khác
được đề xuất bởi ITU-T và ETSI. Kết quả mô phỏng trên cơ sở dữ liệu TIMIT đã trộn nhiễu cho
thấy các phương pháp dùng biến đổi Wavelet đạt hiệu suất phân loại cao hơn các phương pháp
khác, đồng thời cho khối lượng tính toán thấp hơn.
ABSTRACT
The objective of this paper is to study on voice activity detection (VAD) algorithms based
on Wavelet transform. The feature extracted in Wavelet domain is then compared to adaptive
thresholds or recognized by a neural network (NN) to do classification. These VAD algorithms are
evaluated with the noisy TIMIT corpus and compared to other VAD methods standardized by ITU-T
and ETSI. The experimental results show that Wavelet approaches lead to superior classification
performance and offer a much lower computational complexity than other VAD methods.
1. Giới thiệu
Kỹ thuật phát hiện tiếng nói đóng vai trò quan trọng trong các phương pháp xử lý
tiếng nói và ứng dụng trong thông tin liên lạc như mã hóa, truyền dẫn, nhận dạng [1]. Do
đặc điểm phức tạp của các loại nhiễu trong thực tế nên rất khó xây dựng được các thuật
toán VAD bền vững đối với nhiễu môi trường. Đã có nhiều phương pháp được đề xuất
nhằm nâng cao hiệu suất của bộ VAD như sử dụng kết hợp nhiều đặc tính trong miền thời
gian, miền phổ và miền Wavelet; thiết kế các bộ quyết định thích nghi với mức nhiễu; và
huấn luyện các mô hình thống kê như mạng neural, mô hình Markov ẩn, v.v...
Hình 1. Kết quả VAD với tín hiệu tiếng nói bị nhiễu
Trong bài báo này, chúng tôi tiến hành nghiên cứu các thuật toán VAD dùng biến
đổi Wavelet rời rạc (DWT) và đánh giá hiệu suất của các thuật toán trên cơ sở dữ liệu
TIMIT đã được trộn nhiễu. Trong phần 2 trình bày các thuật toán VAD dùng DWT và các
phương pháp VAD tiêu chuẩn của ITU-T và ETSI. Mô phỏng và phân tích kết quả được
228
Tuyển tập Báo cáo Hội nghị Sinh viên Nghiên cứu Khoa học lần thứ 7 Đại học Đà Nẵng năm 2010
trình bày trong phần 3. Phần cuối trình bày kết luận và đưa ra hướng phát triển.
Với N là số mẫu trong một khung, N a và N N a là chiều dài của tập các hệ số
wavelet X m ,i ( n) tại băng con tần số thấp và cao. X m ,i ( n) được tính bằng cách áp dụng
DWT tại tham số tỷ lệ thứ m và lấy cửa sổ khung thứ i. Một bộ lọc percentile filter (PF)
được thiết kế dựa trên nguyên lý: thông tin tiếng nói không thường xuyên xuất hiện tại tất
cả các kênh tần số và tại cùng một thời điểm dùng để xác định ngưỡng nhiễu thích nghi.
2.1.2. Thuộc tính mức năng lượng của các hệ số chi tiết và ngưỡng quyết định thích nghi
Việc sử dụng thuộc tính mức năng lượng của các hệ số Wavelet chi tiết WDCE
(Wavelet Details Coefficients’ Energy) theo [3] dựa trên đặc điểm: tại các thang tỷ lệ lớn
của DWT, thành phần chi tiết của tín hiệu bị nhiễu phần lớn được quyết định bởi phần
tiếng nói trong khi biên độ của nhiễu rất nhỏ. Do đó, VAD được thực hiện bằng cách so
sánh năng lượng của các thành phần chi tiết lấy từ biến đổi Wavelet trong khung đang xét
với năng lượng của các thành phần chi tiết của 4 khung nhiễu gần nhất trước đó.
2.1.3. Thuộc tính WSDM và mô hình mạng Neuron (NN)
Trong [2], một mô hình mạng NN có 3 lớp được huấn luyện để phân loại
speech/non-speech cho từng frame âm thanh ở ngõ vào. Mạng neural được thiết lập gồm 3
lớp: lớp nhận dữ liệu vào, lớp ẩn (phân tích dữ liệu), lớp ngõ ra. Thông qua thuật toán
Levenberg-Marquardt [2], NN được huấn luyện trên dữ liệu TIMIT Test đã được trộn
nhiễu. Thuộc tính WSDM và các đạo hàm bậc 1 và bậc 2 của WSDM được đưa vào lớp
ngõ vào của NN. Hai tín hiệu tại lớp ngõ ra được so sánh với nhau để thực hiện quyết định.
2.2. Các phương pháp khác
2.2.1. VAD G.729 Annex B ITU-T
Thuật toán VAD G729B trong [4] được phát triển dành cho thông tin đa phương
tiện và điện thoại cố định. Tín hiệu tiếng nói được chia thành các khung có độ dài 10ms.
229
Tuyển tập Báo cáo Hội nghị Sinh viên Nghiên cứu Khoa học lần thứ 7 Đại học Đà Nẵng năm 2010
Bốn đặc trưng sử dụng cho việc quyết định VAD gồm: sai khác năng lượng tại băng thấp
(0-1kHz), sai khác năng lượng toàn băng, sai khác tỷ lệ qua điểm 0, méo phổ.
2.2.2. VAD ETSI ES 202 050
Chuẩn ETSI 202 050 [5] với bộ VAD được tích hợp trong khối tiền xử lí để ước
lượng nhiễu. ETSI-Nest (noise estimation) thực hiện tính năng lượng thời đoạn ngắn (80
mẫu mỗi khung). Năng lượng này được dùng để cập nhật mức năng lượng trung bình rồi
tính chênh lệch giữa hai mức năng lượng và so với mức ngưỡng để quyết định.
2.2.3. Thuộc tính Mel-Frequency Cepstral Coefficients (MFCCs) và mô hình NN
Trong [6], một thuật toán VAD được thiết kế dựa trên việc huấn luyện mạng neural
với thuộc tính phổ MFCC (Mel-Frequency Cepstral Coefficients) tương tự như trong mục
2.1.3. Việc trích các đặc trưng MFCC dựa trên sự cảm thụ tần số âm thanh của tai người.
Các khung tín hiệu tiếng nói sau khi qua bộ biến đổi Fourier (FFT) sẽ được đưa qua dãy bộ
lọc thang Mel dạng hình tam giác xếp chồng nhau. Ngõ ra băng lọc được nén và lấy log.
Cuối cùng biến đổi cosine rời rạc (DCT) được áp dụng để tính 13 hệ số MFCC. Các đạo
hàm bậc 1 và bậc 2 cũng được trích đưa vào lớp ngõ vào của NN.
230
Tuyển tập Báo cáo Hội nghị Sinh viên Nghiên cứu Khoa học lần thứ 7 Đại học Đà Nẵng năm 2010
1 WSDM-NN Factory
WSDM-NN Babble
WSDM-NN White
WSDM-NN Car
0.98 G729B Factory
G729B Babble
G729B White
G729B Car
0.96 MFCC-NN Factory
MFCC-NN Babble
MFCC-NN White
MFCC-NN Car
Recall
Hình 3: Đồ thị biểu diễn RC-PR của các thuật toán VAD khác nhau
Bên cạnh việc phân tích tỷ lệ 1
Factory Noise
1
Babble noise
0.85
Fscore
231
1 Tuyển tập Báo cáo Hội nghị Sinh viên Nghiên cứu Khoa học lần thứ 7 Đại học Đà Nẵng năm 2010
Haar, factory
Haar, babble
Haar, white
1 Haar, car
0.95 Haar, factory Vaidyanathan, factory Haar, factory
Haar, babble Vaidyanathan, babble
Haar, babble
Haar, white Vaidyanathan, white
Coiflet,white
Haar, car Vaidyanathan, car Haar, white
Coiflet, car
0.9 Haar, factory Vaidyanathan, factory Haar, factory Coiflet, factory
Beylkin, factory Haar, car
Haar, babble Vaidyanathan, babble Haar, babble Coiflet, babble
Beylkin, babble
F score
25 10 25 20 5 20 15 0 15 10 -5 Beylkin, babble
10 5babble
Battle, Daubechies,
5 0 babble-5 Battle, babble Daubechies, babble
SNR dB
(dB)
Symmlet, babble
B Beylkin, white Daubechies, white Battle, white
Battle, white Symmlet, white Daubechies, white
4. Kết luận Beylkin, car
Battle, car
Daubechies,
wDaubechies,
Symmlet, car car
factory Battle, factory
Battle, car
Daubechies, car
Symmlet, factory Symmlet, factory
Daubechies, babble Battle, babble Symmlet, babble
15
dB
10
Trong công trình nghiên cứu này, các thuật toán VAD khác nhau đã được nghiên
5 0 Symmlet, babble -5
Daubechies, white
Symmlet, white Battle, white
Battle, factory
Symmlet, white
Daubechies, car Battle, car Battle, babble
Symmlet, car
cứu và đánh giá độ ổn định khi dùng trong các môi trường nhiễu khác nhau. Kết quả đánh
Symmlet, car
Battle, factory Symmlet, factory Battle, white
Battle, babble Symmlet, babble
dB
10 5
giá cho thấy các thuật toán VAD với các thuộc tính được trích trong miền Wavelet choBattle,
0 -5
Battle, white Symmlet, white ra car
Battle, car Symmlet, car
kết quả tốt nhất khi SNR thấp. Thực nghiệm cũng chỉ ra, thuật toán WSDM-PF có độ phức
Symmlet, factory
Symmlet, factory
Symmlet, babble
Symmlet, babble
tạp tính toán thấp hơn các nhóm VAD còn lại do sử dụng một thuộc tính duy nhất. Kết quả
Symmlet, white Symmlet, white
Symmlet, car
đánh giá cũng cho phép chọn được các nhóm họ Wavelet cho ra hiệu suất ổn định nhất Symmlet,
đối car
với các SNR khác nhau. Trong nghiên cứu tiếp theo, chúng tôi sẽ đánh giá tính hiệu quả
của các thuật toán VAD khi tích hợp chúng vào khối tiền xử lí của hệ thống nhận dạng
tiếng nói nhằm nâng cao hiệu suất nhận dạng.
[1] Peter Vary, Rainer Martin (2006), “Digital Speech Transmission”, Wiley.
[2] Tuan V. Pham, et al. (2008), “Voice Activity Detection Algorithms Using Subband
Power Distance Feature For Noisy Environments”, Proc. Interspeech, pp. 2586-2589.
[3] Jiang Shaojun, et al. (2004), “A new algorithm for voice activity detection based on
Wavelet transform”, Proc. IEEE IMVSP, pp 222-225
[4] A. Benyassine et al. (1997), “ITU-T Recommendation G.729 Annex B: A silence
compression scheme for use with G.729 optimized for V.70 digital simultaneous voice
and data applications”, IEEE Communications Magazine, vol. 35, no. 9, pp. 64–73.
[5] ETSI (2003), “Speech Processing, Transmission and Quality Aspects (STQ),
Distributed speech recognition, Advanced frontend feature extraction algorithm,
Compression algorithms”, ETSI ES 202 050 V1.1.3, pp 14-15 and pp 40-41.
[6] Tuan V. Pham et al. (2009), “Using artificial neural network for robust voice activity
detection under adverse conditions”, Proc. IEEE RIVF, pp.1-8.
232