Skip to content
Kembali ke hasil pencarian

Analisis Cepstral

Diperkenalkan oleh
Bogert, Healy, Tukey
Tahun
1963
Jenis
Spectral decomposition method
Keluarga
Signal processing, Spectral analysis

Teks ini adalah terjemahan mesin dan belum ditinjau. Baca versi asli dalam bahasa Inggris

Ukuran huruf

Apa fungsinya?

Analisis cepstral adalah teknik analisis spektral yang menguraikan sinyal menjadi komponen independen dengan membalikkan spektrum magnitudo-logaritmik.

Dipelopori oleh Bogert, Healy, dan Tukey pada tahun 1963, analisis cepstral mengungkapkan struktur periodik dalam spektrum (pola nada, gema) dan memisahkan eksitasi sumber dari respons filter. Koefisien cepstral frekuensi Mel (MFCC) yang diturunkan dari analisis cepstral adalah fitur yang paling banyak digunakan dalam pengenalan ucapan otomatis, verifikasi pembicara, dan analisis audio.

Intuisi di balik metode

Spektrum suara bersuara memiliki puncak pada kelipatan frekuensi fundamental (harmonik). Jika Anda mengambil logaritma dari spektrum dan kemudian menghitung transformasi Fourier lain (membalikkan analisis spektrum), harmonik muncul sebagai puncak kuat pada jeda yang sesuai dengan nada. Inilah analisis cepstral: Anda menerapkan FFT dua kali (atau log lalu FFT) untuk mengungkap periodisitas tersembunyi. Istilah 'cepstrum' adalah 'spektrum' dengan suku kata dibalik—ia mengungkap pola yang tidak dapat ditunjukkan oleh FFT saja.

Sejarah

Bogert, Healy, dan Tukey memperkenalkan cepstrum pada tahun 1963 untuk pemrosesan sinyal geofisika (deteksi gema seismik). Konsep ini diadaptasi ke pemrosesan ucapan dan analisis audio pada tahun 1970-an–1980-an. Davis dan Mermelstein memelopori Mel-Frequency Cepstral Coefficients (MFCC) pada tahun 1980 untuk pengenalan ucapan. MFCC menjadi fitur standar untuk sistem ASR dan tetap dominan dalam pembelajaran mesin ucapan dan audio. Sistem pembelajaran mendalam modern (CNN, RNN) sering menggunakan Mel-spektrogram (terkait dengan analisis cepstral) sebagai masukan.

Kapan digunakan

Gunakan analisis cepstral untuk pengenalan ucapan otomatis (ASR), verifikasi/identifikasi pembicara, deteksi nada, deteksi gema, dan ekstraksi fitur audio. MFCC adalah standar de facto dalam pemrosesan ucapan dan pembelajaran mesin pada audio. Analisis cepstral kurang umum untuk analisis musik (di mana kromagram atau fitur konstanta-Q mungkin lebih disukai) tetapi masih berlaku.

Batasan dan pertimbangan

  • Analisis cepstral mengasumsikan model konvolusional (sumber-filter multiplikatif); sinyal yang sangat nonlinier atau non-stasioner tidak dimodelkan dengan baik.
  • MFCC mengompresi informasi melalui pelurusan log-Mel; beberapa detail spektral halus hilang, memengaruhi tugas tingkat rendah (analisis musik, pemisahan sumber).
  • Deteksi nada melalui cepstrum terbatas pada ucapan bersuara; konsonan tak bersuara dan frikatif tidak memiliki puncak nada yang jelas.
  • MFCC tidak invarian terhadap konversi suara atau pergeseran pembicara; mereka bervariasi dengan karakteristik pembicara, memerlukan normalisasi untuk tugas independen pembicara.
  • Beban komputasi FFT dua kali (spektrum lalu cepstrum); untuk sistem waktu nyata yang sangat cepat atau perangkat berdaya rendah, fitur yang lebih sederhana mungkin lebih disukai.

Syarat dari sumber tidak menggantikan tinjauan ilmiah independen atau validasi oleh mesin analisis.

Kelebihan

  • Menguraikan sinyal konvolusional menjadi komponen aditif; memisahkan karakteristik sumber (nada, voicing) dari filter (saluran vokal).
  • MFCC kuat terhadap kebisingan latar belakang dan variasi pembicara; ekstraksi fitur dalam ruang log-Mel memberikan pengurangan dimensi alami.
  • Efisien secara komputasi: ekstraksi koefisien cepstral lebih cepat daripada melatih model akustik dari gelombang mentah.
  • Terstandarisasi dan terbukti luas; MFCC adalah fitur dasar yang diterima di seluruh akademisi dan industri untuk tugas ucapan.
  • Fleksibel: analisis cepstral bekerja dengan berbagai skala frekuensi (linear, Mel, Bark) dan dapat digabungkan dengan banyak teknik lain (fitur delta, liftering, normalisasi).

Penerapan

  • Pengenalan ucapan otomatis (ASR): MFCC adalah fitur kanonik untuk sistem ASR model Markov tersembunyi (HMM) dan pembelajaran mendalam.
  • Verifikasi dan identifikasi pembicara: koefisien cepstral mengungkapkan karakteristik saluran vokal spesifik pembicara; digunakan dalam sistem biometrik pembicara.
  • Deteksi nada dan penilaian kualitas suara: puncak cepstrum pada jeda nada untuk ucapan bersuara; memungkinkan estimasi frekuensi fundamental tanpa pelacakan nada eksplisit.
  • Pengambilan informasi musik dan klasifikasi genre: fitur cepstral pada spektrogram skala Mel memungkinkan pencarian kesamaan musik dan klasifikasi.
  • Forensik audio dan analisis pembicara: fitur cepstral mengkarakterisasi keadaan emosional pembicara, kelelahan, dan keaslian untuk analisis audio hukum.
  • Deteksi gema dan reverberasi: komponen cepstral jeda tinggi mengungkapkan beberapa gema (harmonik nada, pantulan ruangan); digunakan untuk karakterisasi lingkungan akustik.

Cara kerjanya

Cara kerjanya

1

Rekam atau digitalkan sinyal audio (ucapan, musik, suara lingkungan); bingkai sinyal ke dalam jendela yang tumpang tindih (biasanya 20–50 ms).

2

Terapkan pra-penekanan (filter lolos atas) dan fungsi jendela (Hamming, Hann). Opsional, ubah frekuensi ke skala perseptual (Mel atau Bark).

3

Hitung spektrum daya melalui FFT atau filterbank skala Mel. Ambil logaritma magnitudo (log-daya). Terapkan DFT terbalik (atau FFT terbalik) ke spektrum-log untuk mendapatkan cepstrum.

4

Pisahkan komponen cepstral: komponen jeda rendah (quefrency) mewakili amplop spektral (forman, filter); komponen jeda tinggi mewakili struktur halus (harmonik, nada). Pangkas komponen jeda tinggi untuk menghaluskan spektrum (liftering).

5

Ekstrak koefisien cepstral (biasanya 12–13 MFCC dari cepstrum). Fitur-fitur ini menangkap karakteristik saluran vokal (identitas pembicara, fonem) sambil menekan variasi yang tidak relevan (nada, amplitudo, kebisingan latar belakang).

Kesalahan umum

  • Mengasumsikan MFCC menangkap semua informasi ucapan yang relevan; mereka dioptimalkan untuk ASR tetapi mungkin melewatkan detail fonetik untuk tugas lain (emosi pembicara, ucapan patologis).
  • Menggunakan liftering yang tidak tepat (pemangkasan); liftering yang terlalu agresif menghaluskan detail forman; liftering yang tidak mencukupi mempertahankan artefak nada.
  • Mencampuradukkan cepstrum dengan spektrum; cepstrum adalah kuantitas turunan (spektrum log ditransformasi), bukan spektrum asli. Interpretasinya berbeda.
  • Mengabaikan normalisasi per-pembicara; MFCC bervariasi di antara pembicara dalam skala dan rentang; CMN (Normalisasi Rata-rata Cepstral) sangat penting untuk sistem independen pembicara.
  • Terlalu bergantung pada MFCC tanpa fitur kontekstual (delta, percepatan); MFCC statis hanya menangkap keadaan spektral sesaat; dinamika temporal seringkali penting.

Pertanyaan yang sering diajukan

Apa perbedaan antara spektrum dan cepstrum?

Spektrum adalah representasi domain frekuensi dari sinyal (keluaran FFT). Cepstrum adalah spektrum dari spektrum log (FFT dari log|FFT|). Spektrum menunjukkan frekuensi apa yang ada; cepstrum menunjukkan periodisitas apa yang ada dalam spektrum. Untuk deteksi nada, cepstrum memuncak pada jeda frekuensi fundamental (quefrency).

Mengapa MFCC begitu sukses dalam ASR?

MFCC menggabungkan pelurusan frekuensi skala Mel (menyesuaikan persepsi auditori) dengan analisis cepstral (memisahkan sumber dan filter). Hasilnya adalah fitur berdimensi rendah (12–13 skalar per bingkai) yang menangkap informasi yang relevan secara fonetik sambil kuat terhadap kebisingan dan variasi pembicara. Puluhan tahun penyetelan sistem ASR telah mengoptimalkan penggunaan MFCC.

Apa itu Normalisasi Rata-rata Cepstral (CMN)?

CMN mengurangi vektor MFCC rata-rata (dirata-ratakan selama ucapan atau sesi) dari setiap bingkai. Ini menormalisasi offset spesifik pembicara dan meningkatkan independensi pembicara. CMN sangat penting ketika melatih pada satu pembicara dan menguji pada pembicara lain; ini mengurangi varians fitur karena identitas pembicara, menyisakan konten fonetik.

Bagaimana cara mendeteksi nada menggunakan analisis cepstral?

Hitung cepstrum dari bingkai ucapan. Untuk ucapan bersuara, puncak yang menonjol muncul pada quefrency (jeda) yang sama dengan periode frekuensi fundamental. Frekuensi yang sesuai dengan jeda ini adalah nada. Bingkai tak bersuara tidak memiliki puncak yang jelas. Pasca-pemrosesan (deteksi voicing, pelacakan kontinuitas) menyempurnakan perkiraan nada.

Bisakah analisis cepstral mendeteksi reverberasi dan gema ruangan?

Ya. Di lingkungan bergema, cepstrum menunjukkan beberapa puncak: satu pada jeda suara langsung (0) dan yang lainnya pada jeda yang sesuai dengan gema. Puncak jeda tinggi ini mengungkapkan waktu reverberasi dan pola gema. Analisis puncak cepstral digunakan untuk karakterisasi lingkungan akustik dan estimasi respons impuls ruangan.

Metode terkait

Sumber

  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.

    Buka referensi publikasi
    Disalin.
  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.

    Buka referensi DOI
    Disalin.
  3. Rabiner, L. R., & Juang, B. H. (1993). Fundamentals of Speech Recognition. Prentice-Hall.

    ISBN: 978-0130156099
    Disalin.