دانلود با لینک مستقیم و پر سرعت .
صحت و گفتار نقش اساسی در ارتباط انسانها ایفا میکنند و یکی از دلایل پیشرفت انسانها است.
برای برقراری ارتباط کامپیوتر با انسان بوسیلة گفتار در کار لازم است انجام شود. یکی سنتزل گفتار است. و دیگری بازشناسی گفتار، سنتز گفتار بیان گفتار بوسیلة کامپیوتر میباشد و بازشناسی یعنی فهمیدن گفتار در بازشناسی گفتار. هدف بدست آوردن دنبالة آوایی یک گفتار میباشد و این دنبالة آوایی میتواند بر اساس واج، سیلاب، کلمه، جمله و ... باشد. بازشناسی گفتار عکس عمل سنتز است و گفتار را به متن تبدیل میکند. اما انجام بازشناسی گفتار به دلیل خاصیت صدای انسانها، دارای پیچیدگیهای زیادی است. اما اغلب بازشناسی کامل و درست غیر ممکن است. حتی خود انسانها هم نمیتوانند به طور کامل همه صداها را بفهمند و میزان، درک گوش انسانها حدود 70% میباشد. شکل 1-1 ارتباط گفتاری بین انسانها و کامپیوتر را نشان میدهد. به دلیل نقش مهم و کاربردهای فراوانی که بازشناسی گفتار دارد، تحقیقات و مقالههای زیادی در این زمینه انجام شده و راه حلهای متفاوتی پیشنهاد شده است، ولی بازشناسی گفتار کاملاً درست هنوز امکانپذیر نمیباشد.
بازشناسی گفتار دارای کاربردهای زیادی است. از جمله کاربردهای بازشناسی گفتار، حل مشکل تایپ است، با کمک بازشناسی گفتار میتوان جملهها را یکی پس از دیگری خواند و کامپیوتر آنها را تایپ کند. یکی دیگر از کاربردهای بازشناسی گفتار، حل مشکل صحبت دو فرد مختلف همزبان است. یکی از مشکلات انسانها ارتباط با افرادی است که با زبانهای متفاوت صحبت میکنند. ارتباط بدون دانستن زبان مشکل است. و یادگیری یک زبان دیگر کار وقت گیر و پر زحمتی است ولی به کمک بازشناسی گفتار به یادگیری زبانهای مختلف احتیاجی نخواهد بود و میتوان با یک دستگاه کوچک با فردی که با زبان دیگری صحبت میکند، صحبت نمود. یک کامپیوتر کوچک صدای شما را گرفته و به تعدادی از کلمات تبدیل مینماید. سپس این کلمات به زبان دیگر ترجمه شده و در نهایت با زبان جدید گفته میشوند. دو مرحلة آخر این سیستم جزو مسایل انجام شده گفتار هستند و با کامل نمودن مسئله بازشناسی گفتار بدون دانستن زبانهای دیگر به آنها تکلم نمود.
شکل 1-2 نشان دهنده ارتباط دو فرد با زبانهای مختلف است. یکی از کاربردهای دیگر بازشناسی گفتار، برقراری ارتباط با کامپیوتر است. همان گونه که به انسانهای دیگر دسترس میدهید، به کامپیوتر هم میتوان دستور داد و با آن صحبت کرد. یا حتی میتوانید از او بخواهید کاری برایتان انجام دهد.
حتی با کمک بازشناسی گفتار میتوان به انسانهای نابینا و ناشنوا کمک کرد. به طور مثال نابینایان میتوانند با صحبت کردن و دادن دستور به کامپیوتر با آن کار کنند.
از دستاوردهای جدید بازشناسی گفتار و پردازش مدت کاربرد آن در آموزشهای زبان دوم میباشد. بدین ترتیب که با ایجاد سیستمیکه قابلیت آشکارسازی خطای تلفظ بین لهجههای زبان اصلی و لهجة یک فردی که به زبان دوم فرد سخن میگوید، وی را در یادگیری و تصحیح تلفظ و لهجه آن زبان کمک نمیکنند.
بازشناسی گفتار میتواند برای شرایط مختلفی انجام گیرد. هر کدام از این شرایط میتوانند باعث مشکل شدن، پیچیدگی بازشناسی شوند. یکی از این شرایط، وابسته بودن بازشناسی به یک گوینده یا مستقل بودن آن از گوینده است. مستقل بودن از گوینده به معنای آن است که بتوان کار بازشناسی را برای هر فرد انجام داد. از دیگر شرایط بازشناسی گسسته یا پیوسته بودن گفتار است. راحتی بازشناسی گفتار گسسته، داشتن ابتدا و انتهای عصر کلمه یا اساساً خود کلمه یا همان واحد آوایی میباشد. همچنین از دیگر شرایطی که در بازشناسی مطرح است،تعداد واژگان میباشد. یعنی بازشناسی گفتار برای چه تعداد کلمهای صورت میپذیرد.
هدف از انجام پروژة فوق در ابتدا بازشناسی کلمات گسسته قرانی و در مرحلة دوم ارزیابی نحوة بیان و تلفظ کلمات قرآنی میباشد. از آنجائیکه برای مقایسه بین کلمة ادا شده توسط کاربر و صدای استاد باید یک سیستم بهینه وجود داشته باشد. در مرحلة اول سعی میکنیم، سیستم را به حالت بهینه خود برسانیم و سپس پارامترهای این سیستم جهت انجام مرحلة دوم استفاده کنیم.
اما چون در هنگام ارزیابی نحوة بیان کلمه قرآنی، کلمه مورد نظر از قبل مشخص است، بناباین در مرحله دوم احتیاجی به بازشناسی گفتار نمیباشد.
در بخش اول برای بهتر درک کردن مفهوم بازشناسی به بررسی سیستم تولید صوت و شنوایی انسان میپردازیم. سپس وارد مفاهیم بازشناسی گفتار خواهیم شد. در این مرحله روشهای جداسازی سیگنال زمینه از روی سیگنال صحبت مورد بررسی قرار میگیرد. سپس نحوة استخراج ماتری ضرائب کپستروم و در نهایت بازشناسی گفتار بوسیلة الگوریتم انحراف زمانی پویا (DTU) و مدل مخفی مارکوف مورد بررسی قرار میگیرد.
پس از آشنایی با ابزارهای بازشناسی گفتار، نحوة پیاده سازی الگوریتمهای فوق ذکر خواهد شد. بعد از راهاندازی سیستم بازشناسی گفتار کلمات مقطع، بوسیلة الگوریتم DTN مشاهده شد نرخ بازشناسی گفتار پائینی است و حدود %47 میباشد. از این رو در جهت بهبود پارامترهای سیستم و بهینه کردن آن در مراحل بازشناسی و پارامترهای آن تغییراتی داده شد، که به ذکر آنها پرداخته خواهد شد.
پس از بهینه کردن پارامترهای سیستم بازشناسی گفتار و رسانیدن نرخ بازشناسی گفتار به 99% برای 20 کلمه قرآنی الگوریتمهای ارزیابی نحوة بیان بوسیلة روش DTA بحث خواهد شد.
در بخش انتهایی به بررسی مدل مخفی مارکوف خواهیم پرداخت. سپس مراحل پیاده سازی الگوریتم فوق بوسیلة نرم افزار و نکات عملی آن گفته خواهد شد. در نهایت سیستم بازشناسی گفتار کلمات مقطع قرآنی و نحوة پیاده سازی آن مورد بررسی قرار خواهد گرفت و در مرحلة بعدی الگوریتم ارزیابی نحوة بیان بوسیلة ذکر خواهد شد.
تغییر محیط اکوستیکی روی نتیجه بازشناسی اثر خواهد گذاشت. از آنجائیکه سیستم فوق برای نمونههای آزمایشگاهی آموزش داده شده با تغییر محیط اکوستیکی مطمئناً نتایج بازشناسی تغییر خواهد کرد و نمونههای واقعی دارای نوین میکروفن، محیط و همچنین برگشت صدا خواهند بود.
در انتها به بررسی سیستمهای بهبود گفتار خواهیم پرداخت، هدف از این بخش حذف هزینه ورودی از طریق میکروفن و از بین بردن تأثیرهای محیط بر روی سیگنال صدا میباشد.
در این بخش به دو روش اشاره خواهیم: ابتدا روش spectral subtraction
که به میزان یک روش عمدی برای حذف نویز میرود ذکر خواهد شد.
سپس به معرفی یک الگوریتم جدید در حذف نویز میکروفن خواهیم پرداخت.
مدل اعضای صوتی انسان
در شکل (1-2) یک دیاگرام شماتیک از مکانیزم تولید صحبت انسان نشان داده شده است. هنگام صحبت معمولی، قفسه سین با فشار وارد کردن به ششها باعث میشود که هوای فشرده از ششها از طریق حنجره بیرون رانده شود. تارهای صوتی که درست در پشت غدة تیروئید قرار گرفتهاند، اگر تحت تنش قرار گیرند، با عبور هوا مرتعش میشوند و بدین ترتیب هوا نیز متناسب با فرکانس ارتعاش تارهای صوتی مرتعش شده و در این حالت حروف صدادار تولید میگردند.
اگر تارهای صوتی از هم جدا شوند، جریان هوا از درون فاصلة بین تارهای صوتی عبور میکند و تأثیر آن ایجاد نمیشود. جریان هوا سپس از فضای حلق عبور نموده و بسته به موقعیت دریچة تنظیم عبور هوا از دهان یا بینی از فضای این دو عبور مینماید. جریان هوا از طریق دهان و بینی یا هر دو مشترکاً به بیرون داده میشود و هنگام صحبت این کاملاً قابل حس کردن است.
در حالت تولید حرف بی صدا مانند «س» یا «پ» تارهای صوتی در هم باز میشوند و یکی از دو حالت زیر غالب است. یا یک جریان مغشوش هوا تولید میشود، هنگامیکه هوا از درون فضای نیمه بسته باریک در نقطهای از اعضای صوتی عبور میکند (مانری) و یا یک تحریک گذری مختصر بدنبال ایجاد فشار پشت یک نقطة کاملاً بسته در اعضای صوتی انسان اتفاق میافتد (مانند p).
وقتیکه جز جز کنندههای مختلف مانند زبان، لبها، آروارهها و پردة تفکیک بینی و دهان در حین صحبت مدام حالتشان عوض میشود. شکل قسمتهای مختلف فضای داخل ناخیه صوتی تغییر میکند. ناحیه صوتی از حنجره تا لبها مانند یک حفرة تشدید کننده عمل میکند که فرکانسهای معینی را تقویت و بقیه فرکانسها را تضعیف مینماید. اعضای صوتی انسان مثل یک لولة صوتی غیر یکنواخت است که از تارهای صوتی تا لبها ادامه دارد و طول آن در افراد مانع حدود cm17 میباشد. بنابراین اولین فرکانس تشدید آن در فرکانس زیر اتفاق میافتد.
سطح مقطع غیر یکنواخت این لوله – مقدار زیادی متکی به وضعیت جز جز کنندهها است. و از صفر تا نزدیک cm20 متغیر است.
عضو صوتی مدهای تشدید یعنی از ارتعاش را داراست که فرمنت نامیده میشود که به مقدار زیادی به موقعیت دقیق جزءجزءکنندهها بستگی دارد.
شکل (2-2) تصویر شماتیک نیم رخ ناحیه صوتی را برای چند حرف صدادار نشان داده است و مقادیر نمونه فرکانسها نیز ذیل آن برای سه فرمنت اول بر حسب Hz داده شده است.
شکل 3-2 مشخصههای فرکانسی انتقالی این حروف را نشان میدهد، وضعیت تشدیدها به روشنی در این منحنیها دیده میشود. خوبست که بدانیم بطور قابل ملاحظهای در فهم صحبتها، فقط 3 فرمنت اول در تعیین صدایی که شنیده میشود مهم هستند. اگرچه برای تولید اصوات با کیفیت قابل قبول و بهتر فرمنتهای بالا نیز مورد نیاز میباشد.
شکل موج صدای تولید شده بوسیلة حنجرة در هر حال یک سینوسی معمولی نیست. اگر اینطور بود ناحیه صوتی تشدید کننده، در خروجی فقط یک سیگنال سینوس میداد که بسته به میزان دور یا نزدیک بودن آن به فرکانس تشدید، تقویت یا تضعیف شده بود.
حنجره دارای دو لبه چین خوردة پوستی بنام تارهای صوتی است که در هر سیکل از پریود فرکانس گام یکبار از هم باز شده و دوباره بهم میآید. فرکانس هیچ در مکالکات انسان مذکر از 50 الی 250 هرتز متغیر است که بطور متوسط حدود Hz100است. برای انسان مؤنث این فرکانس در رنج بالاتر تا حدود Hz500 قرار دارد. در آواز خواندن این فرکانس بالاتر نیز هست. بعضی آوازخوانهای اپرا، فرکانس گام خود را تا Hz1000 میتوانند برسانند.
حرکت نوسانی تارهای صوتی شکل موجی تولید میکند که میتوان آن را با یک پالس مثلثی تقریب زد. این شکل موج دارای طیف فرکانسی غنی است که با شیب db/ocdao12 میافتد و همةهارمونیکها نیز تحت تأثیر نواحی تشدید اعضای صوتی قرار میگیرند. (شکل 4-2)
شکل 4-2 بالائی مربوط است به مدل فیلتر منبع که مشخصات فیلتر و طیف است. شکل سمت راست تحریک دهانة حنجره در گفتار طبیعی است و بالاخره شکل سمت چپ تقویت در تحریک دهانه حنجره است.
ناحیه صوتی وقتی که به وسیلة یک شکل موج با طیفهارمونیکی گسترده قرار میگیرد. نقاط موجی در طیف انرژی شکل موج مکالمات تولید میکند که همان فرمنتها هستند. پائین ترین فرمنت که اولین فرمنت نامیده میبود از حدود Hz.200 تا Hz100 در حین صحبت متغیر است. و مقدار دقیق آن متکی به ابعاد ناحیه صوتی میباشد.
فرمنت دوم از حدود Hz500 تا Hz9500 متغیر است و فرمنت سوم از حدود Hz1500 تا Hz3500. البته گفتار یک پدیدة استاتیک و ثابت نیست. مدل لولة صوتی میتواند نمایشگر طیف گفتار در مدتی که یک حرف صدادار بطور ممتد کشیده میشود و دهان در حالت ثابت باقی میماند (مانند آآآ) باشد. اما در گفتار واقعی زبان و لبها در تحریک دائم هستند و شکل ناحیه صوتی را مرتباً تغییر میدهند و نتیجتاً موقعیت فرکانسهای تشدید را عوض میکنند. این مشابه یک لوله صوتی است که بطور مداوم از قسمتهای مختلف فشرده و منبسط میشود.
بعنوان مثال در هنگام بیان کلمة «میز» احساس میکنیم که چطور زبانتان به سقف دهان نزدیک میشود و باعث ایجاد یک حالت عبوری نیمه بسته در نزدیک جلوی حفرة صوتی میشود.
در طیف یک حرف صدادار که بطور مداوم ادامه داده شود، بصورت مداوم ادامه داده شود، بصورت یک طیف انرژی ثابت میآید. اما باید توجه داشت که منظور از حروف صدادار در اینجا با آنچه معمولاً تصور میشود متفاوت است. بگوئید «I» و ببینید زبان هنگام بیان به آهستگی تغییر موقعیت میدهد. از نظر
شامل 141 صفحه فایل word قابل ویرایش
