Browsing by Author "CHI TAI-SHIH"

Now showing 1 - 5 of 5

以時、頻域多重解析聽覺模型為基礎之客觀語音品質估測
(2007)
冀泰石
;
CHI TAI-SHIH
;
國立交通大學電信工程學系(所)
在電信網路的設計及評估領域中，研究人員一直持續追求可靠的客觀式語音品質量測以取代耗時及高成本的主觀式量測。從1990年開始，客觀式語音品質的量測已從原本計算信號波形或語音產生模型為基礎(speech-production-model based)的參數距離移轉至計算以心理聲學為基礎所發展出來的知覺模型參數之距離。一個成功的客觀式量測應當能應用於侵入式及非侵入式兩種不同的測試條件。前者是指乾淨的參考信號及損耗的信號同時存在。而後者是指僅有損耗的信號可供測試，此亦較類似於主觀式測試時的條件。一個可靠的客觀式品質評估應該包含兩個部份，分別為聽覺的低階特性及人類高階認知行為的闡釋。我們曾提出一個時、頻域(spectro-temporal)混合的聽覺運算模型。此模型是根據已知外圍聽覺系統的生物物理現象(biophysics)及大腦皮質成音區單一神經元的反應而建立。我們將使用此多重解析聽覺模型來涵蓋絕大部分從低階至大腦成音區之聽覺知覺特性。此次提案的研究將著重於高階認知模型(cognitive model)的發展，並運用於客觀語音品質量測。此認知模型具多重維度，其中的兩個維度是語音的可辨度及語音的自然性。此外，我們將會探索其它可能的維度，例如：語音起始點/結束點的重要性，並且將這些維度納入我們的認知模型。我們將驗證吾人所提出之低階聽覺模型伴隨著高階認知模型在預估主觀測試的實驗結果之成效。此研究成果將提供TTS(text-to-speech)合成器的語音品質或行動電話通道上傳輸語音品質的評估。更進一步的，我們將擴展我們的客觀性語音品質量測至多媒體內容上的音樂品質量測。
以時、頻域多重解析聽覺模型為基礎之客觀語音品質估測(II)
(2008)
冀泰石
;
CHI TAI-SHIH
;
國立交通大學電信工程學系(所)
對電信系統使用者而言，語音品質一直是衡量服務品質(QoS)的重要指標之ㄧ。因此，在過去的十幾年間，語音品質越來越受電信服務業者所注重。研究人員也開始針對不同的電信通道追求更可靠的客觀品質測量，進而取代耗費耗時的主觀式品質測量。客觀語音品質可由侵入式及非侵入式兩種方法測量。去年，我們已提出以乾淨語音作參照比對的侵入式客觀品質測量。今年，我們將發展以統計模型為核心的非侵入式客觀測量(不含參照比對的乾淨語音訊號)。近年來研究顯示，客觀品質的測量，已由訊號波形或語音發聲模型參數的距離測量轉變為聽覺感知模型參數的距離測量。本研究中，我們將發展一套由時、頻域多重解析聽覺感知模型中的特徵為基礎之客觀品質測量。此聽覺模型是描述外圍及中心聽覺系統於生物生理學上的功能。因此，本聽覺模型幾乎包含沿者耳朵至大腦階段聽覺路徑中所有的感知現象。我們將對語音品質測量有重要影響的感知特徵發展統計模型，這些感知特徵包含於分別影響語音理解度(speech intelligibility)及語音自然度(naturalness)的母音及子音之中。此外，我們將建立人類評分行為的高階認知模型。例如，此模型將包含人類對於語音成份的消失或加成的感知不對稱比重(asymmetry weighting)評比觀念。最後，經由對主觀品質測量的估計，我們將驗證所提之結合低階感知特徵和高階認知模型的客觀語音品質測量。更進一步地，我們將對我們所提的測量與現今最先進的客觀品質測量在大量語料庫下作比較驗證。
以時、頻域聽覺處理為依據之語音強化策略
(2006)
冀泰石
;
CHI TAI-SHIH
;
交通大學電信工程系
Ephraim和Malah於1984年提出一個單通道噪音降低之演算法。此演算法預測在無語音信號下，噪音之最小均方誤差(MMSE)的短期頻譜振幅。幾乎所有的單通道噪音降低演算法都必須對噪音頻譜做預測。然而，較近期的研究指出，時域上的封包(envelope)與頻譜的內容對語言理解度都有決定性的影響。因此，我們相信較有效的語音強化(speech enhancement)策略必與聯合時域、頻率的信號特徵有關。我們曾提出一個時、頻域(spectro-temporal)混合的聽覺運算模型。此模型是根據已知的外圍聽覺系統的生物物理現象(biophysics)及大腦皮質成音區單一神經元的反應而建立。此模型也經由模型輸出與心理聲學(psycho-acoustic)實驗對人類聽力的時、頻域調變轉換函數(modulation transfer functions)測量值之間成功的匹配而獲得驗證。從功能上來說，大腦皮質成音區可視為一組時、頻域的調幅濾波器。也就是說，成音區的輸出是一組對輸入聲譜圖(spectrogram)經由帶通濾波後的二維圖像。因神經元的反應區域(response fields)重疊而造成模型輸出也有著高度的重複性。我們相信就是此高度重複性造就了清晰且穩固的時、頻域特徵。此研究將專注於分析不同噪音條件下的聽覺模型輸出，並據此提出在二維聯合時、頻域上的語音強化策略。我們並將對所提出的策略與傳統的頻域策略在結合語音辨識的應用上做性能的比較與驗證。
多重解析之聽覺表徵圖中的相位特異點在語者辨識上之應用
(2006)
冀泰石
;
CHI TAI-SHIH
;
交通大學電信工程系
T. Chi和 S. Shamma於1999年提出一個運算分析的聽覺模型。此聽覺模型是根據心理聲學(Psychoacoustics)及神經生理學(Neurophysiology)在哺乳類聽覺系統之耳蝸及大腦皮質區的一些研究發現。從數學的觀點來看，此模型對一些聲音感知上扮演重要角色的時域和頻率上的特徵提供了一個一元化的多重解析的表徵圖(multi-resolution representation)。此多重解析的聽覺表徵圖已於2003年成功的延伸應用於語言理解度(Speech Intelligibility)上的量測。在此聽覺模型中，聲波信號將經過連續的兩個轉換： (1) 一個類似小波轉換(affine wavelet transform)並連接著非線性壓縮及訊息縮減階段。這些過程將會預測產生一種對噪音相對不敏感及強化感知的聲音頻譜，此種頻譜稱為聽覺頻譜。這一階段的轉換是模擬耳蝸的功能。 (2) 對聽覺頻譜的一個複數類似小波轉換(complex affine wavelet transform)。這個轉換將產生一個對應於聽覺頻譜的多重解析之聽覺表徵圖。此表徵圖明白紀錄在不同解析度上的頻譜形狀特徵，例如頻譜高峰之局部寬度，對稱性及頻譜能量之大致分配狀況。這一階段的轉換是模擬大腦皮質成音區的功能。此研究計畫的目標是檢視聲音頻譜於聽覺表徵圖中的相位特異點(phase singularity)特徵編碼狀況，並將此特異點特徵應用在語者辨識之問題上。我們在此將會探討此相位特異點相對於傳統的梅爾倒頻譜參數特徵(Mel-Frequency Cepstral Coefficients)在高斯混合模型(Gaussian Mixture Model)之辨識器下於抗噪音，感知強化，及提高語者辨識正確率之優越表現。
運算式聽覺場景分析於語音分離之研究
(2009)
冀泰石
;
CHI TAI-SHIH
;
國立交通大學電信工程學系(所)
自動語音辨識系統對於乾淨語音，經常能達到高辨識率，但是隨著干擾增加，效能卻會急劇的變差。另一方面，有著正常聽力的人，在吵雜的環境下，會比自動語音辨識系統有更穩健的表現。為什麼人們可以輕易做到呢？關鍵是聽覺場景分析。它是描述人類聽覺系統分析聲音瞬間特性和其特性隨時間連續變化的絕佳能力。這項能力可以讓我們將混合語音分出個別的聲音串流，如此一來我們就可在如雞尾酒宴會那般吵雜的環境下自在地和他人交談溝通。在此次提出的研究中，我們將會模擬人類聽覺功能，發展出一套基於人類對聲音在頻域與時域上的感知特性的運算式聽覺場景分析演算法。我們將會運用一頻域與時域的聽覺分析模型去抽取語音中被人類用於聽覺場景分析時的重要線索。最被廣為認同為人類使用的線索是：音高(諧音性)、聲音起訖點、振幅調變和頻率調變。因此，我們目標的運算式聽覺場景分析演算法將會包含三個功能模組：(1)萃取四個感知線索、(2)同一時間和連續時間對語音做分群、(3)將分群後的頻譜圖轉回聲音。本運算式聽覺場景分析演算法的輸出是分離的聲音串流，我們將使用語音辨識模擬或語音品質量測來驗証本演算法之效能。