[论文解读] Implementation of an Automatic Syllabic Division Algorithm from Speech Files in Portuguese Language

E. L. F. Da Silva, H. M. de Oliveira|arXiv (Cornell University)|Jan 29, 2015

Speech Recognition and Synthesis参考文献 9被引用 4

一句话总结

本文提出了一种新颖的、计算效率高的算法，用于使用音频信号包络实现葡萄牙语语音的自动音节切分。该算法在 MATLAB 中实现，通过识别振幅包络的峰值和谷值来检测音节边界，在 50 个词的测试集上实现了约 70% 的准确率，具有集成到嵌入式系统或语音病理学工具中的潜力。

ABSTRACT

A new algorithm for voice automatic syllabic splitting in the Portuguese language is proposed, which is based on the envelope of the speech signal of the input audio file. A computational implementation in MatlabTM is presented and made available at the URL http://www2.ee.ufpe.br/codec/divisao_silabica.html. Due to its straightforwardness, the proposed method is very attractive for embedded systems (e.g. i-phones). It can also be used as a screen to assist more sophisticated methods. Voice excerpts containing more than one syllable and identified by the same envelope are named as super-syllables and they are subsequently separated. The results indicate which samples corresponds to the beginning and end of each detected syllable. Preliminary tests were performed to fifty words at an identification rate circa 70% (further improvements may be incorporated to treat particular phonemes). This algorithm is also useful in voice command systems, as a tool in the teaching of Portuguese language or even for patients with speech pathology.

研究动机与目标

• 开发一种低复杂度、实时的葡萄牙语语音信号音节切分算法。
• 仅通过振幅包络分析实现语音文件的自动音节分割。
• 支持语音命令系统、语言教育和语音病理学评估等应用。
• 为更复杂的音节切分或语音识别流程提供快速预处理步骤。
• 使该算法可部署在资源受限设备（如智能手机）上。

提出的方法

• 该算法分析输入语音信号的包络，以检测对应于音节起始和结束的振幅调制。
• 通过检测持续能量区域，识别‘超音节’——即具有单一包络轮廓但包含多个音节的段落。
• 通过振幅阈值化和过零检测，定位包络中的局部极小值和极大值以确定音节边界。
• 该方法采用峰值检测算法定位音节峰值，并应用基于能量的分割方法以分离出单个音节。
• 实现代码使用 MATLAB 编写，并公开发布，以确保可复现性并便于集成到其他系统中。
• 该算法设计为轻量化，适用于嵌入式平台上的实时处理。

实验结果

研究问题

• RQ1 仅使用简单的包络方法，是否能在不依赖语音学或声学建模的情况下实现可靠的葡萄牙语音节分割？
• RQ2 在连续语音中，仅使用振幅包络特征，音节边界能被多准确地检测？
• RQ3 该算法在处理葡萄牙语中的重叠音节或复杂语音环境方面的能力如何？
• RQ4 该方法能否有效用作更先进语音处理系统的预处理滤波器？
• RQ5 此类低复杂度方法在音节切分准确率方面的性能上限是什么？

主要发现

• 该算法仅使用振幅包络，成功识别了葡萄牙语语音文件中的音节边界，在 50 个词的测试集上初步识别率达到约 70%。
• 该方法可检测‘超音节’——即具有单一包络轮廓但包含多个音节的段落——从而实现后续的细分。
• 该方法计算简单，适用于部署在智能手机等嵌入式系统上。
• 该算法可作为稳健的前端滤波器，辅助更复杂的音节切分或语音识别系统。
• 结果表明，基于包络的分析能够捕捉到葡萄牙语音节切分所需的足够时间结构。
• 通过优化特定影响包络形状的音素的处理方式，可进一步提升性能。