Формирование речевого сигнала и вокодерное преобразование

На рис. 16 показан принцип распределения энергии в частотных диапазонах. Эта картина может изменяться в широких рамках в зависимости от тембра голоса и особенностей произ­ношения. На рисунке видно, что буквы отличаются не только частотным диапазоном, но и структурой. Для каждого звука характерны пики (резонансы) энергии в определенных частотных диапазонах и провалы в других. Частоты, на которых возникают пики, называют­ся «частотами формант» или просто «формантами». Гласные и звонкие согласные звуки ре­чи содержат обычно от трех до четырех формант. Эти свойства и иллюстрируются рис. 1.67. Изображенная «спектрограмма» представляет собой распределение энергии речи в виде функции времени и частоты.

Рис. 16. Пример распределения энергии в частотных спектрах: 1 — гласная; 2 — гласная; 3 — гласная; 4 — звонкая согласная; 5 — глухая согласная

Число фонем в русском языке составляет 32, это 6 гласных звуков и остальные соглас­ные. Чтобы закодировать их номера, достаточно 6 битов. Человек в среднем произносит в секунду 10 звуков. От центральной нервной системы к речевому аппарату сигналы пере­даются со скоростью 60 бит/с.

Эти простые оценки порождают иллюзию, что речь содержит небольшой объем инфор­мации и может быть передана с небольшой скоростью. Однако более детальное рассмотре­ние процесса образования звука позволяет заключить, что для передачи речи необходимы большие объемы информации.

При разговоре грудная клетка сжимается и расширяется, поток воздуха проходит через трахею и гортань в полости глотки, рта и носа. Голосовой тракт простирается от голосовой щели (отверстие между голосовыми складками гортани) до губ, и в процессе речи его фор­ма меняется. Если произносятся звонкие звуки (гласные, носовые, звонкие согласные), на­зываемые также вокализированными (voiced), голосовые складки в гортани смыкаются и размыкаются с той частотой, которая называется частотой основного тона (pitch). Получа­ется последовательность импульсов воздушного потока, которые возбуждают полости голосового тракта. Говоря, человек меняет геометрические размеры этих полостей, соответст­венно меняются и резонаторные частоты — «форманты».

При произнесении глухих (невокализированных, unvoiced) звуков голосовые складки расслаблены. Проходя по суженному голосовому тракту, воздух создает турбулентный по­ток, т.е. в полости рта и носа возбуждаются шумоподобные сигналы.

Взрывные (смычные, stop) звуки получаются путем кратковременного выхлопа — пол­ного перекрытия речевого тракта, нагнетания давления и внезапного открытия тракта. Взрывные звуки бывают звонкие (б, д, г) и глухие (п, т, к), т.е. могут образовываться с уча­стием голосовых складок и без них. Таким образом, в терминах спектра сигналов, когда че­ловек говорит, он производит спектрально-временную модуляцию широкополосного сигна­ла, генерируемого голосовыми складками и представляющего своего рода несущую. Полез­ная информация содержится в интонации (изменении частоты основного тона) и в смене спектра с тонального на шумовой и наоборот.

Линейная модель речеобразования представляет речь как систему, состоящую из гене­ратора возбуждения (генераторная функция) и линейной системы с медленно изменяющи­мися параметрами (фильтровая функция), которая им возбуждается. В такой модели не учи­тывается взаимное влияние голосовой щели и голосового тракта, что сильно упрощает ана­лиз. Для экономичной передачи и хранения речи необходимо определить параметры генера­торной и фильтровой функции. В генераторной функции изменяется частота и амплитуда основного тона (высота и громкость голоса) и происходит смена вида функции (основной тон или шум), а у фильтровой функции происходит постоянное изменение коэффициента передачи, проявляющееся в изменении огибающей спектра.

Такая модель представляет собой речь человека, который «гудит» на одной частоте, пе­риодически изменяя ее на другую и меняя громкость, а основная информация «добавляет­ся» в «подтонах».

Для передачи этих параметров достаточно скорости передачи около 1200 бит/с.

Рассмотренные ранее принципы и реализующая их аппаратура предназначены в первую очередь для максимально точного воспроизведения формы входного сигнала на выходе приемной стороны. Ниже рассмотрены принципы построения устройств, которые модели­руют человеческую речь, используя при этом методы цифрового кодирования. Они называ­ются вокодерами (это слово получено от словосочетания voice coder — кодер речевого сиг­нала) [42, 66].

По принципу определения параметров фильтровой функции различают следующие ти­пы вокодеров:

канальные (полосные, channel);

формантные;

ортогональные;

вокодеры с линейным предсказанием (липредеры — с Линейным Предсказанием Речи);

гомоморфные.