Beszéd PótZH - 2002.05.10.
Ez az oldal a korábbi SCH wikiről lett áthozva.
Ha úgy érzed, hogy bármilyen formázási vagy tartalmi probléma van vele, akkor, kérlek, javíts rajta egy rövid szerkesztéssel!
Ha nem tudod, hogyan indulj el, olvasd el a migrálási útmutatót.
1. feladat
a) Osztályozza a beszédhangokat a létrehozásukhoz használt gerjesztés szempontjából! Jellemezze a beszédhangokat akusztikai , spektrális-, intenzitás-, ido-) szerkezetük szempontjából! (10 pont)
Gerjesztés szerint:
- zöngés: az összes magánhangzó, b, d, g, gy, v, j, m, n, ny, l, r
- zörejes: p, t, ty, k, c, cs, f, sz, s, j*, h
- kevert: dz, dzs, z, zs
Akusztikai szerkezet szerint
- Egyszerű: az összes magánhangzó, v, f, z, sz, zs, s, j, h, m, n, l
- Összetett: b, p, d, t, g, k, gy, ty, c, cs, dz, dzs, ny, r
Specifikus időtartamok szerint:
- Magánhangzók: i,u,ü,o,a,e,ö,é, á (70 és 160ms között rendre)
- Mássalhangzók 40ms: r;50ms: n,l; 60ms: z, zs, réshangok; 70ms: p, t, k, ty; 80ms: f, sz, s ; 90ms: c, cs
b) Mi az idoablak szerepe a beszéd színképi elemzésében? Mi az elonye és mi a hátránya a rövid és a hosszú ablaknak? (8 pont)
2. feladat
Mi a pszichoakusztikus modellezés célja? (10 pont)
Pszicho-akusztikus modell:
- 1: Idő-frekvencia leképzés
- Keretekre vágás: rövid idejű (15-50 ms), átlapolódó (50%) keretek
- Ablakozás
- Fourier transzformáció
- 2: Pszicho-akusztikus érzeti modellezés
- Az emberi hallás modellezésén alapul, célja a hallható különbségek kiemelése, és a nem észlelhetőek elnyomása
- Monoton legyen a kapcsolat a belső távolság és az MOS között
Pszicho-akusztikus modell elemei:
- 1: Transzformálás az érzeti tartományra 1a:nemlineáris frekvencia skálák (mel, bark…)
- 2: Frekvencia elfedés
- Közeli frekvenciák esetén az erősebbik elnyomja a gyengébbet
- 3: Időbeli elfedés
- Egymás utáni rövid impulzusokat egynek hallunk
- Egy erős hang elnyomja a környező gyengébbeket
- 4: Pszicho-akusztikus hangosság
- Jel energia és hangosság kapcsolata nemlineáris
3. feladat
Egy 8kHz-es mintavételi frekvenciával és az alábbi, H(f) karakterisztikájú visszaállítóval mľködo mintavételezo rendszer bemenetére a sas, majd a faf hangsor kerül egymás után férfi ejtésben, állandó alapfrekvenciával (F0: 125Hz). H(f)= 1,ha 1<abs(f)<=3.5; (4-abs(f))/0.5, ha 3.5 < abs(f) < 4 ; 0 egyébként (A frekvencia mértékegysége: kHz)
a) Megkülönböztetheto-e a két visszaállított hangsor hangzása? Miért? (8 pont)
F: zöngétlen réshang, nincsenek zörejgócok, egyenletes eloszlás a 1000-10000Hz frekvenciatartományban. A környezetében levő magánhangzó formánsaira csak kis mértékben van hatással. S zöngétlen réshang: zörejelemek 1800-6500Hz között, intenzív zörejgóc ált. 2500-3500Hz között. Az s hangot követő magánhangzó formánsaiban kismértékű mozgás van jelen az átmeneti fázisban. Metalogika alapján: a /c miatt nem a válasz! Indoklás: mivel mindkettő hang zöngétlen, azaz gerjesztése zörejes (fehérzaj szerű), ezért spektrumukban mindenfele frekvenciakomponens előfordul, és egész magas frekvenciákon is vannak fontos komponensek, ezeket ez a mintavételezés (telefon) nem viszi át, ezért az "f" és "s" nehezen megkülönböztethető, a kis mintavételezési frekvencia miatt fellép az átlapolódás jelensége is
b) Mi változik, ha a rendszer bemenetére is egy H(f) karakterisztikájú szűrő kerül? (7 pont)
Megszűnik az átlapolódás jelensége, az s zörejgóca így könnyebben kivehető és megkülönböztethető az f hang egyenletes frekvenciaeloszlásától. (ebben nem vagyok biztos)
c) Javasoljon egy olyan mintavételi frekvenciát és összetett simító karakterisztikát, amely a fenti hangsorokat helyesen és elfogadható komplexitással megvalósítva átviszi! (7 pont)
22khz mintavételezéssel, és egy darab hasonló szűrővel 1 és 11khz között (egyenletes meredekségű) a probléma megoldható. Szerintem nem átlapolódásról van szó, hanem Aliasingról. A jelenség megszüntetése Anti Aliasing Filterrel lehetséges (egy aluláteresztő szűrő). ha a két fogalom ugyanazt jelentené, akkor én kérek elnézést... Aliasing def: Ez akkor lép fel, ha a mintavevő-tartóra ráengedünk a mintavételi frekvencia felénél nagyobb komponenseket is, amelyik így spektrális átlapolódásba kerülnek a hasznos jel periodikus spektrumával, és megjelennek olyan „ál”
4. feladat
Milyen típusú beszédfelismerot építene egy mobiltelefonba, milyet egy személy- ill. tehergépkocsiba és miért? (15 pont)
5. feladat
Egy szövegfelolvasó (TTS) rendszereket fejleszto cég legfontosabb alkalmazási területe a telefonos információ szolgáltatás. Ennél elterjedten használt mintavételi frekvenciája a 8kHz. A cég az akusztikus adatbázisait mégis 22kHz-cel veszi fel. INdokolt-e ez, vagy eroforrás pazarlás? (10 pont)
6. feladat
Tervezze meg a legfeljebb 1500 tanulóval rendelkezo Birka Iskola telefonos könyvtár elérési rendszerét. A rendszerben a felhasználók az azonosítójuk megadásával érdeklodhetnek a kölcsönzött könyveik adatairól (pl. lejárat dátuma, késedelemért fizetendo összeg, stb.) Az elojegyzett könyvekrol is kérhetnek adatokat és az elojegyzett könyv megérkezésekor telefonos értesítéshez telefonszámot adhatnak meg. Ismertesse a rendszer felépítését, az alkalmazandó beszédtechnológiai elemeket és azok fobb specifikációs adatait. Gondolkozzon kreatívan és széles látókörľen! A kérdésekre több jó válaszegyüttes is adható!Indokolja válaszait!!! (25 pont)
-- Swacsa - 2010.01.13.
