Digitalna obrada govora

Uvod

Govor je signal koji nosi informaciju (akustički valni oblik), čija je osnovna namjena komunikacija. Obzirom da je govor najprirodniji način komunikacije između ljudskih jedinki, njegov značaj nije umanjen ni u doba potpune informatizacije svih aspekta ljudskog života. Makar većina nas to nije svjesna, mnoštvo sustava koje nas danas okružuje temeljeno je na suvremenim govornim tehnologijama koje u sebi sadrže algoritme digitalne obrade govora.

Glavne primjene postupaka digitalne obrade govora su u slijedećim područjima:

• kodiranje govora u svrhu učinkovitijeg prijenosa ili pohrane
  

• telekonferencijski sustavi i udaljeno učenje

• prepoznavanje govora, diktiranog ili prirodnog s vezanim izgovorom riječi, prepoznavanje govornika, prepoznavanje jezika.
  

• sustavi za detekciju riječi, sinteza govora, sustavi za dijalog čovjeka i računala, sustavi za raznovrsne transformacije govornog signala kao što su promjena visine glasa, brzine izgovora itd.,
  

• sustavi za pomoć osobama oštećena vida, sluha ili govora.
  

• sustavi za poboljšanje kvalitete govora,
  

• analiza govora u svrhu dijagnostike raznovrsnih oboljenja.
  

Zbog složenosti većine navedenih sustava, kao i zbog njihove ovisnosti o konkretnim jezicima i narječjima, oni su i dan danas predmet intenzivnog istraživanja, kako u akademskoj zajednici, tako i u industriji i malom poduzetništvu.

Pregled primjena postupaka digitalne obrade govora

Kodiranje govornog signala

Uobičajeno se u laičkom razmišljanju pod pojmom kodiranja podrazumijevaju sustavi koji provode određene transformacije na signalu u svrhu njegove zaštite, tj. da nitko osim osobe koja ima pripadni dekoder nije u stanju poruku vratiti nazad u originalni oblik. Međutim pojam kodiranja govora ima u stvari drugo značenje, tj. radi se o postupku pretvorbe analognog govornog signala u digitalni oblik, koji je u današnje vrijeme mnogo podesniji kako za pohranu, tako i za prijenos. Naravno, čim je signal transformiran u digitalnu domenu, nad tim nizovima digitalnih podataka se uistinu i može primijeniti bilo kakav postupak kriptografske zaštite. Međutim uobičajen postupak kodiranja i dekodiranja govora se ne bavi problemom kriptografije, već se isključivo bavi čim učinkovitijem postupkom digitalne reprezentacije. Zbog najšire primjene, kodiranje govora predstavlja jedno od najznačajnijih područja digitalne obrade govora.

Povijesni razvoj

Jedan od glavnih pokretača razvoja digitalne obrade govora bili su javni telekomunikacijski sustavi koji su 70-tih godina postajali sve glomazniji i složeniji. Klasični pristup temeljen na analognom prijenosu govornog signala više nije mogao zadovoljiti rastuće potrebe, pa je digitalizacija sustava telekomunikacija bila nužna. Digitalizacija je prvo provedena u telefonskim centralama (javnim i kućnim), a postepeno su i analogni telefoni zamjenjivani s digitalnim. U to vrijeme digitalizacija govornog signala bila je temeljena na reprezentaciji valnog oblika, a poznati standardi kodiranja su tzv. PCM i ADPCM, s potrebnim brzinama prijenosa od 64 kbit/s za PCM, odnosno 32 kbit/s za osnovni model rada ADPCM kodera. Bitna značajka tih sustava kodiranja je u tome da su to algoritmi koji nastoje valni oblik govornog signala čim je moguće bolje reprezentirati i prenijeti na prijemnu stranu u svrhu vjerne reprodukcije.

U tom smislu, kod tih kodera nije specijalno korištena činjenica da se radi o govornom signalu koji ima vrlo specifična svojstva, već se ti koderi kao takvi mogu koristiti i za prijenos drugih signala (npr. Glazbe). Krajem 80 tih godina, dodatni zamah razvoju postupaka učinkovitog kodiranja govornog signala dao je razvoj mobilnih komunikacija. Kod mobilnih sustava, cijena kanala je direktno proporcionalna korištenoj brzini prijenosa, pa je zahtjev za učinkovitim sažimanjem bio od presudne važnosti. Drugi značajan problem mobilnih digitalnih komunikacija jest nepouzdanost i mala kvaliteta prijenosnog kanala, tj. velika vjerojatnost pogreški u prijenosu, kao i povremeni totalni prekidi kanala. Radi toga, predloženi standardi su morali biti imuni na takove probleme u prijenosu. Nažalost, umjesto jednog svjetskog standarda, razvijena su tri najznačajnija sustava mobilne digitalne telefonije: sjeverno američki standard IS54 VSELP standardiziran 1989 od tijela TIA (Telecommunication Industry Association), japanski standard JDC-VSELP standardiziran od strane RCR (Research and Development Center for Radio Systems) pod oznakom RCR STD-27B i europski standard GSM temeljen na RPE-LTP koderu standardiziranom 1987 od strane Groupe Special Mobile of CEPT. Svi ti sustavi su već bili posebno prilagođeni govornom signalu, tj. visoka učinkovitost sažimanja ostvarena je upravo na račun činjenice da govorni signal u sebi sadrži popriličnu količinu redundantne informacije. Potrebna brzina prijenosa tih sustava jest: 7.95 kbit/s za IS54 i 13 kbit/s za GSM, dok je kvaliteta samo neznatno niža od one ostvarive klasičnim PCM i ADPCM sustavima.

Moderni koderi za primjene u mobilnim komunikacijama

Dodatni razvoj u području učinkovitog kodiranja govornog signala početkom 90-tih godina, rezultirao je razvojem niza novih standarda, kojima se uz očuvanje iste kvalitete, potrebna brzina prijenosa smanjuje s faktorom dva, ili se pak uz istu brzinu prijenosa ostvaruje veća kvaliteta. Ti su koderi poznati pod nazivima "Half-rate" odnosno "Enhanced full rate" koderi. Tako je 1994 predložena zamjena originalnog GSM kodera sa half-rate GSM standardom oznake ETSI-TCH-HS i brzine prijenosa od 5.6kbit/s. Isto tako originalni IS54 standard zamijenjen je s novim sjeverno-američkim standardnom IS96 QCELP u okviru novog standarda mobilne telefonije temeljene na CDMA pristupu (Code Division Multiple Access). Za razliku od originalnog VSELP kodera, novi QCELP koder ima skokovito promjenljivu brzinu prijenosa (0.8, 2, 4 ili 8.5 kbit/s) zavisno o sadržaju signala koji se kodira (govor ili pauza). Taj standard međutim nije u potpunosti ispunio očekivanja, pogotovo kada je u ulaznom govornom signalu bila prisutna značajna količina pozadinskog šuma. Za novi japanski standard JDC Half-Rate odabran je PSI-CELP koder brzine prijenosa od 3.45 kbit/s i kvalitete usporedive s full-rate standardom. Treba napomenuti da je dodatna učinkovitost sažimanja ostvarena na račun značajnog povećanja kompleksnosti kodiranja. U okviru ITU-T organizacije, predložen je također čitav niz novih kodera.

Tako je u svrhu zamjene zastarjelih PCM i ADPCM standarda, 1992 i 1994 predložen novi standard G.728 brzine prijenosa 16kbit/s temeljen na LD-CELP koderu malog kašnjenja. Isto tako, kao novi standard za mobilnu komunikaciju, je 1996 godine predložen standard G.729 temeljen na CS-ACELP koderu brizne prijenosa od 8 kbit/s. Kao dio standardizacije video telefona koji pored govora prenose i sliku, 1995 je predložen novi standard za kodiranje govora oznake G.723 koji ima varijabilnu brzinu prijenosa (5.3 ili 6.3 kbit/s zavisno o signalu). Kod svih do sada spomenutih kodera, frekvencijski pojas govornog signala koji je bio kodiran i prenašan na prijemnu stranu jest približno od 200Hz do 3.2kHz.

Taj pojas je odpresudnog značaja za razumljivost govorne poruke, no kvaliteta signala je ipak značajno narušena tako uskim frekvencijskim pojasom. Radi toga, drugi trend u standardizaciji novih kodera ide u smjeru povećanja kvalitete proširenjem pojasa. Ti koderi su poznati pod nazivom "Wide-band" koderi. Tako je ITU-T predložio nov standard oznake G.722 kod kojeg je pojas signala proširen na 50Hz – 7 kHz. Još jedan sustav temeljen na digitalnom kodiranju govora je sustav satelitskih komunikacija za vezu s brodovima na pučini Inmarsat-M (International Maritime Satellite Corporation). Za potrebe tog sustava 1990 predložen je koder IMBE tipa potrebne brzine prijenosa od samo 4.15 kbit/s. Za razliku od većine prije spomenutih kodera koji su temeljeni na CELP shemi (Code Excited Linear Predictor), IMBE koder je temeljen na sinusoidalnoj reprezentaciji govornog signala.

Današnji trendovi u području kodiranja govora

I pored činjenice što se kod današnjih kodera faktori sažimanja približavaju teoretskom maksimumu, i dalje su istraživanja u ovom području vrlo intenzivna. Jedan od važnih aspekta kod stvarne primjene govornih tehnologija jest i složenost algoritma, tj. problem vezan uz potrebnu procesnu moć procesora na kojem će se provoditi dotične obrade. Taj problem je direktno vezan i s problemom utroška električke energije, jer je ta proporcionalna potrebnoj procesnoj moći. Radi toga, kod baterijski napajanih prijenosnih uređaja, kod kojih je problem potrošnje također vrlo značajan, velika pažnja se posvećuje projektiranju učinkovitih algoritama kodiranja govora, koji osiguravaju pogodan kompromis između sažimanja i složenosti. Razvoj algoritama za kodiranje govora se i dalje nastavlja, a dodatno je potaknut i potrebom za konačnom definicijom i implementacijom novog standarda, koji bi služio kao osnova za mobilne sustave tzv. treće generacije.

Usporedba kvalitete poznatijih kodera govornog signala

Na slici 1 su prikazani usporedni rezultati testiranja subjektivne kvalitete svih navedenih kodera u idealnim uvjetima (čisti govorni signal, bez pogreški u prijenosu). Kao mjerilo subjektivne kvalitete korištena je tzv. MOS mjera (Mean Opinion Score), koja ocjenjuje kvalitetu reproduciranog signala sa: "poor"-loše, "fair"-prihvatljivo, "good"-dobro, "excellent"-izvrsno. Na x-osi je označena potrebna brzina prijenosa u logaritamskom mjerilu.