Επεξεργασία Ομιλίας (Υ-ΒΥΝ)

• Τι είναι διακριτό σήμα και τι διακριτό σύστημα
• Μετασχηματισμός Fourier
• Δειγματοληψία και ψηφιοποίηση σήματος

• Παραγωγή ομιλίας
• Μοντελοποίηση του συστήματος παραγωγής ομιλίας

Οι τρεις παράμετροι που επιτρέπουν σε οποιοδήποτε ακουστικό φαινόμενο να χαρακτηριστεί είναι η ένταση (intensity), η συχνότητα (frequency), και ο χρόνος (time). Η αίσθηση της έντασης του ήχου στον άνθρωπο εξαρτάται από την συχνότητα του ήχου

Βασικά βήματα παραγωγής λόγου

• Σχηματισμός ιδέας που θέλουμε να επικοινωνήσουμε
• Μετατροπή της ιδέας σε γλωσσική δομή χρησιμοποιώντας σχετικές λέξεις και φράσεις
• Ταξινόμηση των λέξεων βάση γραμματικών κανόνων που καθορίζονται από την χρησιμοποιούμενη γλώσσα
• Προσθήκη χαρακτηριστικών όπως συχνότητα, ένταση
• Ο εγκέφαλος παράγει μια σειρά από εντολές που μετακινούν το φωνητικό σύστημα που με την σειρά του παράγει τα ηχητικά (ακουστικά) κύματα

Προεπεξεργασία Ομιλίας & Παραμετροποίηση Ομιλίας

• Πως μετατρέπουμε την ομιλία από ακουστικό σήμα σε ψηφιακό
• Εισαγωγή στην παραμετροποίηση ομιλίας : πως μπορούμε να κρατήσουμε από ένα σήμα ομιλίας μόνο τις παραμέτρους που το εκφράζουν

Η ψηφιοποίηση της ομιλίας περιλαμβάνει τα εξής βήματα:

• μετατροπή του ακουστικού σήματος σε ηλεκτρικό
• ενίσχυση της στάθμης του ηλεκτρικού σήματος που προέρχεται από το μικρόφωνο
• διέλευση του ακουστικού σήματος από κατωπερατό φίλτρο για αποκοπή των υψηλών συχνοτήτων
• μετατροπή του αναλογικού σήματος σε ψηφιακό
• χωρισμός του ψηφιακού σήματος ομιλίας σε χρονικά πλαίσια μικρής χρονικής διάρκειας (πλαισιοποίηση)

Υψηλός πλεονασμός πληροφορίας ψηφιοποιημένων δεδομένων σήματος

• εξαγωγή κατάλληλων παραμέτρων
• μόνο αναγκαία πληροφορία για συγκεκριμένη χρήση
• αποτέλεσμα: ουσιαστική συμπίεση όγκου δεδομένων και εύκολη χρήση

Απαιτήσεις παραμέτρων μοντελοποίησης:

• Υψηλή αξιοπιστία αναγνώρισης
• Μικρός απαιτούμενος υπολογιστικός χρόνος για τον προσδιορισμό τους
• Μικρή πληροφοριακή ροή

• Με βάση τις προηγούμενες τιμές μιας συνάρτησης, μπορούμε να υπολογίσουμε την τιμή της στη θέση n;
• Εισάγεται η έννοια της αβεβαιότητας στην πρόβλεψη μιας μελλοντικής τιμής της συνάρτησης

Η πρόγνωση μελλοντικών τιμών με βάση τις υπάρχουσες (γνωστές) τιμές χρησιμοποιείται ευρέως:

• Μετεωρολογία
• Χρηματιστήριο
• Κωδικοποίηση/συμπίεση σήματος (εικόνα/ήχος/δεδομένα) για μετάδοση
• Στην βιολογία για πρόβλεψη εξέλιξης πληθυσμών

Η γραμμική πρόγνωση (linear prediction) είναι μια απλή μέθοδος πρόβλεψης μελλοντικών τιμών με βάση έναν γραμμικό συνδυασμό των υπαρχουσών τιμών

• Η ομιλία είναι ο κυρίαρχος και ο πιο διαδεδομένος τρόπος ανθρώπινης επικοινωνίας
• Η καλύτερη διεπαφή ανθρώπου-υπολογιστή (Human-Computer Interface)!
• Οι περισσότεροι χρήστες υπολογιστή μιλάμε γρηγορότερα από ότι πληκτρολογούμε.
• Ο άνθρωπος πρώτα μιλάει και μετά γράφει: χρήση υπολογιστή από νήπια
• Άτομα με περιορισμένες κινητικές δυνατότητες (ή και περιορισμένη μόρφωση) θα μπορούνε να χρησιμοποιούνε τον υπολογιστή
• Πιο φυσική επικοινωνία με τηλεόραση, κουζίνα, καφετιέρα, εξώπορτα (intelligent homes)
• Συστήματα Εικονικής Πραγματικότητας με αναγνώριση ομιλίας
• Παιχνίδια με υπολογιστή/κονσόλες

Ένα σύστημα αναγνώρισης ομιλίας είναι ένα σύστημα που αντιγράφει την ομιλία σε κείμενο

• Δρα σαν μια δακτυλογράφο, «ακούει» τι λέει ο χρήστης και το μετατρέπει σε γραπτό λόγο
• Αναγνώριση ομιλίας δεν συνεπάγεται και κατανόηση ομιλίας
• Η κατανόηση εμπίπτει στο τομέα της τεχνητής νοημοσύνης (ΑΙ)
• Πολλά συστήματα μπορούν να αναγνωρίσουν ομιλία, κανένα δεν μπορεί να την «κατανοήσει» πραγματικά σήμερα

• Μας ενδιαφέρει τι λέει ο ομιλητής
• Αναγνώριση ομιλίας δεν συνεπάγεται και κατανόηση ομιλίας

Ανάλυση ομιλίας: Ένα σύστημα αναγνώρισης ομιλίας χρησιμοποιεί μεθόδους παραμετροποίησης ομιλίας που έχουμε γνωρίσει

Τα συστήματα αναγνώρισης ομιλίας κατηγοριοποιούνται ανάλογα με

• το είδος ομιλίας που μπορούν να αναγνωρίσουν
• το είδος ομιλητή
• το μέγεθος του λεξιλογίου που υποστηρίζουν
• την μονάδα αναγνώρισης
• την τεχνική αναγνώρισης

Σύνθεση Ομιλίας

• Ποια η διαφορά ενός συστήματος σύνθεσης ομιλίας από ένα cd-player;
• Το σύστημα σύνθεσης ομιλίας παράγει αλγοριθμικά ένα καινούργιο σήμα ομιλίας, ενώ το cd-player αναπαράγει ένα αποθηκευμένο σήμα ομιλίας.

Εφαρμογές σύνθεσης ομιλίας

1. Διεπαφή ανθρώπου-υπολογιστή
2. Άνθρωποι με προβλήματα ομιλίας
3. Άνθρωποι με προβλήματα όρασης
4. Τηλεπικοινωνίες (ανάγνωση μηνυμάτων, πληροφορίες καταλόγου, πληροφορίες μέσω τηλεφώνου, νέα κλπ)
5. Ψυχαγωγία (videogames)