Применение вейвлет-анализа для определения границ речи в зашумленном сигнале

• Дата: 2009
• Автори: Ермоленко, Т.В., Лащенко, А.В.
• Формат: Стаття
• Мова: Російська
• Опубліковано: Інститут проблем штучного інтелекту МОН України та НАН України 2009
• Теми: Интеллектуальные интерфейсы и распознавание образов. Системы цифровой обработки сигналов и изображений
• Онлайн доступ: https://nasplib.isofts.kiev.ua/handle/123456789/7759
• Назва журналу: Digital Library of Periodicals of National Academy of Sciences of Ukraine
• Цитувати: Применение вейвлет-анализа для определения границ речи в зашумленном сигнале / Т.В. Ермоленко, А.В. Лащенко // Штучний інтелект. — 2009. — № 1. — С. 35-40. — Бібліогр.: 9 назв. — рос.

В статье предложена методика определения границ речи в звуковом сигнале, содержащем шум, на
 основе вейвлет-анализа. Одним из этапов этой процедуры является классификация фреймов входного
 сигнала, основанная на энергетических характеристиках вейвлет-спектра и позволяющая учитывать
 акустические характеристики широких фонетических классов звуков речи. Подобный подход дает
 возможность определить границы речи при наличии высокоамплитудных помех, провести сегментацию
 речевого сигнала и повысить эффективность дальнейшего распознавания. Запропоновано методику визначення границь мовлення у звуковому сигналі, який містить шум, на
 базі вейвлет-аналізу. Одним із етапів цієї процедури є класифікація фреймів вхідного сигналу, який
 базується на енергетичних характеристиках вейвлет-спектра та дозволяє ураховувати акустичні
 характеристики широких фонетичних класів звуків мовлення. Такий підхід забезпечує визначення
 границь мовлення при наявності високоамплітудних завад, надає можливість виконати сегментацію
 мовного сигналу та підвищити ефективність подальшого розпізнавання. Wavelet-analysis based method for speech boundaries detection in a noised signal was offered. As one of
 stages this method includes input signal’s frames classification, which is based on wavelet spectrum energy
 characteristics. It allows to take into account acoustic characteristics of speech sounds’ wide classification.
 Such an approach gives an opportunity to allocate a speech in a signal with high-amplitude noises, to execute
 a speech signal segmentation and to raise efficiency of further recognition.