Skip to content
بازگشت به نتایج جست‌وجو

تحلیل سِپسترال (Cepstral Analysis)

معرفی‌شده توسط
Bogert, Healy, Tukey
سال
1963
نوع
Spectral decomposition method
خانواده
Signal processing, Spectral analysis

این متن ترجمه ماشینی است و هنوز بازبینی نشده است. متن اصلی را به انگلیسی بخوانید

اندازه قلم

چه کاری انجام می‌دهد؟

تحلیل سِپسترال تکنیکی از تحلیل طیفی است که سیگنال‌ها را با وارون‌سازی طیف لگاریتمی-دامنه به مولفه‌های مستقل تجزیه می‌کند. تحلیل سِپسترال که در سال ۱۹۶۳ توسط بوگِرت (Bogert)، هِلی (Healy) و توکی (Tukey) پیشگام شد، ساختار تناوبی را در طیف‌ها (الگوهای زیر و بمی صدا، پژواک) آشکار می‌سازد و برانگیختگی منبع را از پاسخ فیلتر جدا می‌کند. ضرایب سِپسترال فرکانس مِل (Mel-frequency cepstral coefficients - MFCCs) که از تحلیل سِپسترال مشتق می‌شوند، پرکاربردترین ویژگی‌ها در تشخیص گفتار خودکار، تأیید هویت گوینده و تحلیل صدا هستند.

شهود پشت روش

طیف یک صدای آوایی دارای قله‌هایی در مضارب فرکانس بنیادی (هارمونیک‌ها) است. اگر از طیف لگاریتم بگیرید و سپس یک تبدیل فوریه دیگر (وارون‌سازی تحلیل طیفی) را محاسبه کنید، هارمونیک‌ها به صورت یک قله قوی در تاخیری متناظر با زیر و بمی ظاهر می‌شوند. این همان تحلیل سِپسترال است: شما برای آشکارسازی تناوب‌های پنهان، FFT را دو بار (یا لگاریتم سپس FFT) اعمال می‌کنید. واژه 'سِپستروم' (cepstrum) از معکوس کردن هجاهای 'طیف' (spectrum) ساخته شده است - این روش الگوهایی را آشکار می‌کند که FFT به تنهایی قادر به نمایش آن‌ها نیست.

تاریخ

بوگِرت، هِلی و توکی در سال ۱۹۶۳ سِپستروم را برای پردازش سیگنال ژئوفیزیکی (تشخیص پژواک لرزه‌ای) معرفی کردند. این مفهوم در دهه‌های ۱۹۷۰ تا ۱۹۸۰ به پردازش گفتار و تحلیل صدا تعمیم داده شد. دیویس و مِرمِلشتاین در سال ۱۹۸۰ پیشگام ضرایب سِپسترال فرکانس مِل (MFCCs) برای تشخیص گفتار بودند. MFCCها به ویژگی استاندارد برای سیستم‌های ASR تبدیل شدند و در یادگیری ماشین گفتار و صدا غالب باقی ماندند. سیستم‌های یادگیری عمیق مدرن (CNNs، RNNs) اغلب از طیف‌نگارهای مِل (مرتبط با تحلیل سِپسترال) به عنوان ورودی استفاده می‌کنند.

چه زمانی استفاده شود

استفاده از تحلیل سِپسترال برای تشخیص گفتار خودکار (ASR)، تأیید/شناسایی گوینده، تشخیص زیر و بمی صدا، تشخیص پژواک و استخراج ویژگی صدا. MFCCها استاندارد عملی در پردازش گفتار و یادگیری ماشین بر روی صدا هستند. تحلیل سِپسترال برای تحلیل موسیقی کمتر رایج است (جایی که ممکن است ویژگی‌های کرمگرام یا کیو-ثابت ترجیح داده شوند) اما همچنان کاربرد دارد.

محدودیت‌ها و ملاحظات

  • تحلیل سِپسترال مدل کانولوشنی (منبع-فیلتر ضربی) را فرض می‌کند؛ سیگنال‌های بسیار غیرخطی یا غیر ایستا به خوبی مدل نمی‌شوند.
  • MFCCها اطلاعات را از طریق تغییر مقیاس لگاریتمی-مِل فشرده می‌کنند؛ برخی جزئیات طیفی ظریف از دست می‌رود و بر وظایف سطح پایین (تحلیل موسیقی، جداسازی منبع) تأثیر می‌گذارد.
  • تشخیص زیر و بمی صدا از طریق سِپستروم به گفتار آوایی محدود است؛ صامت‌های ناآوایی و سایشی فاقد قله‌های واضح زیر و بمی هستند.
  • MFCCها نسبت به تبدیل صدا یا مورفینگ گوینده ناوردا نیستند؛ آن‌ها با مشخصات گوینده تغییر می‌کنند و برای وظایف مستقل از گوینده نیاز به نرمال‌سازی دارند.
  • هزینه محاسباتی دو بار FFT (ابتدا طیف سپس سِپستروم)؛ برای سیستم‌های بسیار بلادرنگ یا دستگاه‌های کم‌مصرف، ممکن است ویژگی‌های ساده‌تر ترجیح داده شوند.

شرایط منبع جایگزین بررسی علمی مستقل یا اعتبارسنجی توسط موتور تحلیل نیست.

نقاط قوت

  • تجزیه سیگنال‌های کانولوشنی به مولفه‌های جمعی؛ جداسازی منبع (زیر و بمی، آوایی بودن) از مشخصات فیلتر (مجرای صوتی).
  • MFCCها در برابر نویز پس‌زمینه و تغییرات گوینده مقاوم هستند؛ استخراج ویژگی در فضای لگاریتمی-مِل کاهش ابعاد طبیعی را فراهم می‌کند.
  • کارایی محاسباتی: استخراج ضرایب سِپسترال سریع‌تر از آموزش مدل‌های صوتی از روی شکل موج خام است.
  • استانداردسازی و اثبات شده گسترده؛ MFCCها به عنوان ویژگی‌های پایه در دانشگاه و صنعت برای وظایف گفتاری پذیرفته شده‌اند.
  • انعطاف‌پذیر: تحلیل سِپسترال با مقیاس‌های فرکانسی مختلف (خطی، مِل، بارک) کار می‌کند و می‌تواند با بسیاری از تکنیک‌های دیگر (ویژگی‌های دلتا، لایفتِرینگ، نرمال‌سازی) ترکیب شود.

کاربردها

  • تشخیص گفتار خودکار (ASR): MFCCها ویژگی کانونی برای سیستم‌های ASR مدل مارکوف پنهان (HMM) و یادگیری عمیق هستند.
  • تأیید و شناسایی گوینده: ضرایب سِپسترال مشخصات مجرای صوتی خاص گوینده را آشکار می‌کنند؛ در سیستم‌های بیومتریک گوینده استفاده می‌شوند.
  • تشخیص زیر و بمی صدا و ارزیابی کیفیت صدا: سِپستروم برای گفتار آوایی در تاخیر زیر و بمی قله دارد؛ امکان تخمین فرکانس بنیادی را بدون ردیابی صریح زیر و بمی فراهم می‌کند.
  • بازیابی اطلاعات موسیقی و طبقه‌بندی ژانر: ویژگی‌های سِپسترال بر روی طیف‌نگارهای مقیاس مِل، جستجو و طبقه‌بندی شباهت موسیقی را امکان‌پذیر می‌سازند.
  • فارنزیک صوتی و تحلیل گوینده: ویژگی‌های سِپسترال حالت احساسی گوینده، خستگی و اصالت را برای تحلیل صوتی قانونی مشخص می‌کنند.
  • تشخیص پژواک و طنین: مولفه‌های سِپسترال با تاخیر زیاد، پژواک‌های متعدد (هارمونیک‌های زیر و بمی، بازتاب‌های اتاق) را آشکار می‌کنند؛ برای مشخصه‌سازی محیط صوتی استفاده می‌شوند.

چگونه کار می‌کند

چگونه کار می‌کند

1

ضبط یا دیجیتالی کردن یک سیگنال صوتی (گفتار، موسیقی، صدای محیطی)؛ تقسیم سیگنال به پنجره‌های همپوشان (معمولاً ۲۰ تا ۵۰ میلی‌ثانیه).

2

اعمال پیش‌تأکید (فیلتر بالاگذر) و تابع پنجره (همینگ، هَن). به صورت اختیاری، مقیاس فرکانس را به مقیاس ادراکی (مِل یا بارک) تغییر دهید.

3

محاسبه طیف توان از طریق FFT یا بانک فیلتر مقیاس مِل. لگاریتم دامنه (لگاریتم توان) را بگیرید. برای به دست آوردن سِپستروم، تبدیل فوریه معکوس (IDFT یا IFFT) را بر روی طیف لگاریتمی اعمال کنید.

4

جداسازی مولفه‌های سِپسترال: مولفه‌های با تاخیر کم (کِوفرِنس - quefrency) نمایانگر پوش طیفی (فرکانس‌های تشدید، فیلتر) هستند؛ مولفه‌های با تاخیر زیاد نمایانگر ساختار ظریف (هارمونیک‌ها، زیر و بمی) هستند. برای هموارسازی طیف، مولفه‌های با تاخیر زیاد را قطع کنید (لایفتِرینگ - liftering).

5

استخراج ضرایب سِپسترال (معمولاً ۱۲ تا ۱۳ MFCC از سِپستروم). این ویژگی‌ها مشخصات مجرای صوتی (هویت گوینده، واج) را ثبت می‌کنند و در عین حال تغییرات نامربوط (زیر و بمی، دامنه، نویز پس‌زمینه) را سرکوب می‌کنند.

دام‌های رایج

  • فرض اینکه MFCCها تمام اطلاعات گفتاری مرتبط را ثبت می‌کنند؛ آن‌ها برای ASR بهینه شده‌اند اما ممکن است جزئیات واجی را برای وظایف دیگر (احساسات گوینده، گفتار پاتولوژیک) از دست بدهند.
  • استفاده از لایفتِرینگ نامناسب (برش)؛ لایفتِرینگ بیش از حد تهاجمی جزئیات فرکانس تشدید را از بین می‌برد؛ لایفتِرینگ ناکافی مصنوعات زیر و بمی را حفظ می‌کند.
  • اشتباه گرفتن سِپستروم با طیف؛ سِپستروم یک کمیت مشتق شده است (طیف لگاریتمی تبدیل شده)، نه طیف اصلی. تفسیر متفاوت است.
  • نادیده گرفتن نرمال‌سازی برای هر گوینده؛ MFCCها در هر دو مقیاس و محدوده بین گویندگان متفاوت هستند؛ CMN (نرمال‌سازی میانگین سِپسترال) برای سیستم‌های مستقل از گوینده حیاتی است.
  • اتکای بیش از حد به MFCCها بدون ویژگی‌های متنی (دلتا، شتاب)؛ MFCCهای ایستا فقط وضعیت لحظه‌ای طیفی را ثبت می‌کنند؛ پویایی زمانی اغلب مهم است.

پرسش‌های متداول

تفاوت بین طیف و سِپستروم چیست؟

طیف نمایش حوزه فرکانس یک سیگنال است (خروجی FFT). سِپستروم، طیفِ طیفِ لگاریتمی است (FFTِ لگاریتمِ دامنه FFT). طیف نشان می‌دهد کدام فرکانس‌ها وجود دارند؛ سِپستروم نشان می‌دهد چه تناوب‌هایی در طیف وجود دارد. برای تشخیص زیر و بمی صدا، سِپستروم در تاخیر فرکانس بنیادی (کِوفرِنس) قله دارد.

چرا MFCCها در ASR بسیار موفق هستند؟

MFCCها، تغییر مقیاس فرکانس مِل (مطابق با ادراک شنوایی) را با تحلیل سِپسترال (جداسازی منبع و فیلتر) ترکیب می‌کنند. نتیجه یک ویژگی کم‌بعد (۱۲ تا ۱۳ اسکالر در هر فریم) است که اطلاعات مرتبط با واج را ثبت می‌کند و در عین حال در برابر نویز و تغییرات گوینده مقاوم است. دهه‌ها تنظیم سیستم ASR، استفاده از MFCCها را بهینه کرده است.

نرمال‌سازی میانگین سِپسترال (CMN) چیست؟

CMN، بردار میانگین MFCC (میانگین‌گیری شده در طول یک گفتار یا جلسه) را از هر فریم کم می‌کند. این کار افست خاص گوینده را نرمال می‌کند و استقلال از گوینده را بهبود می‌بخشد. CMN هنگام آموزش بر روی یک گوینده و تست بر روی گوینده دیگر حیاتی است؛ واریانس ویژگی ناشی از هویت گوینده را کاهش می‌دهد و محتوای واجی را باقی می‌گذارد.

چگونه با استفاده از تحلیل سِپسترال زیر و بمی صدا را تشخیص دهم؟

سِپستروم یک فریم گفتار را محاسبه کنید. برای گفتار آوایی، یک قله برجسته در کِوفرِنس (تاخیر) برابر با دوره فرکانس بنیادی ظاهر می‌شود. فرکانس متناظر با این تاخیر، زیر و بمی صدا است. فریم‌های ناآوایی فاقد قله‌های واضح هستند. پس‌پردازش (تشخیص آوایی بودن، ردیابی پیوستگی) تخمین‌های زیر و بمی را اصلاح می‌کند.

آیا تحلیل سِپسترال می‌تواند طنین و پژواک اتاق را تشخیص دهد؟

بله. در محیط‌های دارای طنین، سِپستروم قله‌های متعددی را نشان می‌دهد: یکی در تاخیر صدای مستقیم (۰) و دیگری در تاخیرهای متناظر با پژواک‌ها. این قله‌های با تاخیر زیاد، زمان طنین و الگوهای پژواک را آشکار می‌کنند. تحلیل قله‌های سِپسترال برای مشخصه‌سازی محیط صوتی و تخمین پاسخ ضربه اتاق استفاده می‌شود.

روش‌های مرتبط

منابع

  1. Bogert, B. P., Healy, M. J., & Tukey, J. W. (1963). The quefrency alanysis of time series for echoes: cepstrum, pseudo-autocovariance, cross-cepstrum, and saphe cracking. In Time Series Analysis Research Papers (pp. 209–243). Wiley.

    باز کردن مرجع انتشار
    کپی شد.
  2. Davis, S., & Mermelstein, P. (1980). Comparison of parametric representations for monosyllabic word recognition in continuously spoken sentences. IEEE Transactions on Acoustics, Speech, and Signal Processing, 28(4), 357–366.

    باز کردن مرجع DOI
    کپی شد.
  3. Rabiner, L. R., & Juang, B. H. (1993). Fundamentals of Speech Recognition. Prentice-Hall.

    شابک: 978-0130156099
    کپی شد.