Skip to content
Назад к результатам поиска

Цепстральный анализ

Автор метода
Bogert, Healy, Tukey
Год
1963
Тип
Spectral decomposition method
Семейство
Signal processing, Spectral analysis

Этот текст переведён машинным способом и ещё не проверен. Читать оригинал на английском

Размер шрифта

Что он делает?

Цепстральный анализ — это метод спектрального анализа, который разлагает сигналы на независимые компоненты путем обращения логарифмического спектра амплитуд.

Разработанный в 1963 году Богертом, Хили и Таки, цепстральный анализ выявляет периодические структуры в спектрах (основная частота, эхо-паттерны) и разделяет возбуждение источника и отклик фильтра. Мел-частотные цепстральные коэффициенты (MFCC), полученные с помощью цепстрального анализа, являются наиболее широко используемыми признаками в автоматическом распознавании речи, верификации диктора и анализе аудио.

Интуиция метода

Спектр озвученного звука имеет пики на кратных основной частоте (гармоники). Если взять логарифм спектра, а затем вычислить еще одно преобразование Фурье (обращая спектральный анализ), гармоники появятся в виде сильного пика на задержке, соответствующей основной частоте. Это и есть цепстральный анализ: вы применяете БПФ дважды (или логарифм, затем БПФ), чтобы выявить скрытые периодичности. Термин «цепструм» — это «спектр» с переставленными слогами; он выявляет паттерны, которые одно только БПФ показать не может.

История

Цепструм был введен Богертом, Хили и Таки в 1963 году для обработки геофизических сигналов (обнаружение сейсмических эхо-сигналов). Концепция была адаптирована для обработки речи и анализа аудио в 1970–1980-х годах. Дэвис и Мермельштейн разработали Мел-частотные цепстральные коэффициенты (MFCC) в 1980 году для распознавания речи. MFCC стали стандартным признаком для систем ASR и остаются доминирующими в обработке речи и аудио с помощью машинного обучения. Современные системы глубокого обучения (CNN, RNN) часто используют мел-спектрограммы (связанные с цепстральным анализом) в качестве входных данных.

Когда применять

Использование цепстрального анализа для автоматического распознавания речи (ASR), верификации/идентификации диктора, определения основной частоты, обнаружения эха и извлечения аудиопризнаков. MFCC являются де-факто стандартом в обработке речи и машинном обучении на аудио. Цепстральный анализ реже применяется для анализа музыки (где предпочтительнее могут быть хронограммы или признаки с постоянной добротностью), но все же применим.

Ограничения и замечания

  • Цепстральный анализ предполагает сверточную модель (мультипликативный источник-фильтр); сильно нелинейные или нестационарные сигналы моделируются плохо.
  • MFCC сжимают информацию путем преобразования по лог-Мел шкале; теряется некоторая тонкая спектральная детализация, что влияет на задачи низкого уровня (анализ музыки, разделение источников).
  • Определение основной частоты с помощью цепструма ограничено озвученной речью; неозвученные согласные и фрикативы не имеют четких пиков основной частоты.
  • MFCC не инвариантны к преобразованию голоса или морфингу диктора; они изменяются в зависимости от характеристик диктора, требуя нормализации для задач, не зависящих от диктора.
  • Вычислительные затраты на двойное БПФ (спектр, затем цепструм); для систем с очень жесткими временными ограничениями или маломощных устройств могут быть предпочтительнее более простые признаки.

Условия из источника не заменяют независимую научную проверку или валидацию аналитическим движком.

Сильные стороны

  • Разлагает сверточные сигналы на аддитивные компоненты; разделяет характеристики источника (основная частота, озвученность) и фильтра (речевой тракт).
  • MFCC устойчивы к фоновому шуму и вариациям диктора; извлечение признаков в лог-Мел пространстве обеспечивает естественное снижение размерности.
  • Вычислительная эффективность: извлечение цепстральных коэффициентов быстрее, чем обучение акустических моделей по необработанным волновым формам.
  • Широкая стандартизация и доказанная эффективность; MFCC являются общепринятыми базовыми признаками в академических кругах и промышленности для задач, связанных с речью.
  • Гибкость: цепстральный анализ работает с различными частотными шкалами (линейной, Мел, Барк) и может быть объединен со многими другими методами (дельта-признаки, лифтеринг, нормализация).

Применение

  • Автоматическое распознавание речи (ASR): MFCC являются каноническим признаком для систем ASR на основе скрытых марковских моделей (HMM) и глубокого обучения.
  • Верификация и идентификация диктора: цепстральные коэффициенты выявляют специфические для диктора характеристики речевого тракта; используются в биометрических системах идентификации диктора.
  • Определение основной частоты и оценка качества голоса: пики цепструма на задержке основной частоты для озвученной речи; позволяют оценить основную частоту без явного отслеживания.
  • Извлечение информации из музыки и классификация жанров: цепстральные признаки на мел-спектрограммах позволяют осуществлять поиск сходства музыки и классификацию.
  • Аудиофорензика и анализ диктора: цепстральные признаки характеризуют эмоциональное состояние диктора, усталость и подлинность для юридического анализа аудио.
  • Обнаружение эха и реверберации: компоненты цепструма с большой задержкой выявляют множественные эхо-сигналы (гармоники основной частоты, отражения в помещении); используются для характеристики акустической среды.

Как это работает

Как это работает

1

Запись или оцифровка аудиосигнала (речь, музыка, окружающий звук); разбиение сигнала на перекрывающиеся окна (обычно 20–50 мс).

2

Применение предварительного усиления (фильтр верхних частот) и оконной функции (Хэмминга, Ханна). Опционально — преобразование частоты к перцептивной шкале (Мел или Барк).

3

Вычисление спектра мощности с помощью БПФ или фильтр-банка по Мел-шкале. Вычисление логарифма амплитуды (логарифм мощности). Применение обратного ДПФ (или обратного БПФ) к логарифмическому спектру для получения цепструма.

4

Разделение цепстральных компонент: компоненты с малой задержкой (квефренсией) представляют спектральный огибающий контур (форманты, фильтр); компоненты с большой задержкой представляют тонкую структуру (гармоники, основная частота). Усечение компонент с большой задержкой для сглаживания спектра (лифтеринг).

5

Извлечение цепстральных коэффициентов (обычно 12–13 MFCC из цепструма). Эти признаки отражают характеристики речевого тракта (идентичность диктора, фонема), подавляя при этом нерелевантные вариации (основная частота, амплитуда, фоновый шум).

Частые ошибки

  • Предположение, что MFCC улавливают всю релевантную речевую информацию; они оптимизированы для ASR, но могут упускать фонетические детали для других задач (эмоции диктора, патологическая речь).
  • Использование некорректного лифтеринга (усечения); чрезмерно агрессивный лифтеринг сглаживает детали формант; недостаточный лифтеринг сохраняет артефакты основной частоты.
  • Путаница между цепструмом и спектром; цепструм — это производная величина (преобразованный логарифм спектра), а не исходный спектр. Интерпретация отличается.
  • Пренебрежение нормализацией для каждого диктора; MFCC различаются у разных дикторов по масштабу и диапазону; CMN (Цепстральная Средняя Нормализация) критически важна для систем, не зависящих от диктора.
  • Чрезмерная опора на MFCC без контекстуальных признаков (дельта, ускорение); статические MFCC отражают только мгновенное спектральное состояние; временная динамика часто имеет значение.

Часто задаваемые вопросы

В чем разница между спектром и цепструмом?

Спектр — это представление сигнала в частотной области (выход БПФ). Цепструм — это спектр логарифма спектра (БПФ от log|БПФ|). Спектр показывает, какие частоты присутствуют; цепструм показывает, какие периодичности присутствуют в спектре. Для определения основной частоты цепструм имеет пик на задержке (квефренсии), равной основной частоте.

Почему MFCC так успешны в ASR?

MFCC сочетают преобразование частоты по Мел-шкале (соответствующее слуховому восприятию) с цепстральным анализом (разделение источника и фильтра). Результатом является признак низкой размерности (12–13 скаляров на кадр), который отражает фонетически релевантную информацию, будучи при этом устойчивым к шуму и вариациям диктора. Десятилетия настройки систем ASR оптимизировали использование MFCC.

Что такое Цепстральная Средняя Нормализация (CMN)?

CMN вычитает средний вектор MFCC (усредненный по высказыванию или сессии) из каждого кадра. Это нормализует смещение, специфичное для диктора, и улучшает независимость от диктора. CMN критически важна при обучении на одном дикторе и тестировании на другом; она снижает вариативность признаков, обусловленную идентичностью диктора, оставляя фонетическое содержание.

Как определить основную частоту с помощью цепстрального анализа?

Вычислите цепструм речевого кадра. Для озвученной речи появляется заметный пик на квефренсии (задержке), равной периоду основной частоты. Частота, соответствующая этой задержке, является основной частотой. Неозвученные кадры не имеют четких пиков. Постобработка (определение озвученности, отслеживание непрерывности) уточняет оценки основной частоты.

Может ли цепстральный анализ обнаруживать реверберацию и эхо в помещении?

Да. В реверберирующих средах цепструм показывает множественные пики: один на задержке прямого звука (0) и другие на задержках, соответствующих эхо-сигналам. Эти пики с большой задержкой выявляют время реверберации и эхо-паттерны. Анализ пиков цепструма используется для характеристики акустической среды и оценки импульсной характеристики помещения.

Похожие методы

Источники

  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.

    Открыть ссылку на публикацию
    Скопировано.
  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.

    Открыть ссылку DOI
    Скопировано.
  3. Rabiner, L. R., & Juang, B. H. (1993). Fundamentals of Speech Recognition. Prentice-Hall.

    ISBN: 978-0130156099
    Скопировано.