13-01-2010, 06:10 PM
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.
2. Pregled primjena postupaka digitalne obrade govora
2.1 Kodiranje govornog si gnala
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.
2.2 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.
2.3 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 od
presudnog 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.
2.4 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.
2.5 Usporedba kvalitete poznatijih kodera govornog signala
Na slici 2.1-1 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.
![[Slika: 23794802.png]](http://img69.imageshack.us/img69/5971/23794802.png)
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.
2. Pregled primjena postupaka digitalne obrade govora
2.1 Kodiranje govornog si gnala
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.
2.2 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.
2.3 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 od
presudnog 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.
2.4 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.
2.5 Usporedba kvalitete poznatijih kodera govornog signala
Na slici 2.1-1 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.