https://vik.wiki/index.php?action=history&feed=atom&title=2007_j%C3%BAnius_15-i_vizsga_megold%C3%A1sa 2026-05-01T09:34:54Z Az oldal laptörténete a wikiben MediaWiki 1.43.8 https://vik.wiki/index.php?title=2007_j%C3%BAnius_15-i_vizsga_megold%C3%A1sa&diff=137084&oldid=prev 2012-10-21T19:54:15Z

<p>Új oldal, tartalma: „{{GlobalTemplate|Infoalap|BeszedVizsga20070615Megoldas}} Feladatsor: a lap alján csatolva, vagy az infosite-on: [http://info.sch.bme.hu/document.php?cmd=download_pro…”</p> <p><b>Új lap</b></p><div>{{GlobalTemplate|Infoalap|BeszedVizsga20070615Megoldas}}<br /> <br /> <br /> Feladatsor: a lap alján csatolva, vagy az infosite-on: [http://info.sch.bme.hu/document.php?cmd=download_proc&amp;tmp_page=&amp;doc_id=18031 [[InfoSite]] - 2007 június 15.] (A Csoport)<br /> <br /> ==1. feladat==<br /> {{InLineImageLink|Infoalap|BeszedVizsga20070615Megoldas|feladat1-beszed070615.png}}<br /> <br /> # PCM: Pulse Code Modulation (logaritmikus), ezen belül van az A-law (EU) és &lt;math&gt;\mu&lt;/math&gt;-law (USA). Lineáris kvantálás. LPC - lineáris predikció. MPEG (layer 3).<br /> # Szabályalapú, statisztikai alapú (HMM - Hidden Markov Model és ANN - Artificial Neuro Network ) illetve sablon alapú (DTW).<br /> # Mindenhol, ahol hang- ill. beszédátvitel történik, így mobilhálózat, telefonvonal, VoIP, stb.<br /> # Azt az értéket adja meg, hogy mennyi annak a valószínűsége, hogy egy HMM rendszer x állapotában j jellemzővektort figyeljünk meg.<br /> # Az akusztikus modell az egyes beszédhangokra ad egy referencia-jellemzővektorokat, míg a nyelvi modell a beszédhangok kombinációs lehetőségeit adja meg szótárak segítségével, illetve akár a ragozáshoz nyújt megfelelő szabálybázist.<br /> <br /> ==2. feladat==<br /> {{InLineImageLink|Infoalap|BeszedVizsga20070615Megoldas|2.Feladat-beszed070615.png}}<br /> <br /> El tudjuk dönteni. Mivel HMM-ről van szó, és a mintaillesztéshez feltétel hogy a START állapotból a STOP állapotba jussunk el úgy, hogy eközben lépések (állapotváltások) és megfigyelések váltogassák egymást, könnyen látható hogy a középső szó (rekesze) kiesik, hiszen 6 állapotot tartalmaz, míg nekünk 5 megfigyelési vektorunk van, így ezen az úton nem juthatunk el a STOPig. Másrészt megfigyelhető hogy a rekesz ill. repesz szónál is minden állapotváltás valószínűsége rendre megegyezik, sőt egyetlen állapotban, a középsőben különböznek (k vs p). Ebből triviálisan adódik hogy az egyetlen különbséget a két út valószínűsége között az adja, hogy mekkora a kérdéses középső állapotban a 3. jellemzővektor megfigyelése, minden más valószínűségi szorzótényezőben (állapotváltások és megfigyelések: mindig rendre ugyanazt kell megfigyelni ugyanabban az állapotban) megegyeznek.<br /> <br /> Mivel p állapotban &lt;math&gt;o_3&lt;/math&gt; megfigyelése 0.8, és t állapotban csak 0.2, a &quot;repesz&quot; szó lesz a felismert szó.<br /> <br /> <br /> És mivel az elején sem egyformák a valószínűségek, azt is bele kéne venni... 0.3*0.2 vs. 0.2*0.8 de így is repesz. -- [[KovacsAdam|Csádám]] - 2010.12.14.<br /> <br /> ==3. feladat==<br /> {{InLineImageLink|Infoalap|BeszedVizsga20070615Megoldas|feladat3-beszed070615.png}}<br /> # Annotálás: címkézés, azaz a megfelelően szegmentált időintervallumokat ellátjuk a megfelelő magyarázatokkal: milyen hangról van szó, hangsúlyos-e, zöngés-e, stb. A szegmentálás pedig a hanganyag időfüggvényén a hanghatárok bejelölését jelenti.<br /> # Nincs táblázatom, ezért a lényeg: ennél a feladatnál a különböző hangváltásokra kell odafigyelni (hasonulások, összeolvadások, rövidülések és kivetések). Ennek a szövegnek esetében konkrétan: <br /> ** elmondtam --&gt; elmontam, a d hang kiesik!<br /> ** havadtői --&gt; havattői, részleges hasonulás, zöngétlenesedés.<br /> ** közben --&gt; köszben, részleges hasonulás, zöngétlenesedés. (kétségeim vannak, &quot;hasonulás&quot; helyett éppen hogy különbözővé válna)<br /> ** azt --&gt; aszt, részleges hasonulás, zöngétlenesedés.<br /> ** csöppség --&gt; csöpség, rövidülés<br /> ** megfogta --&gt; megfokta, részleges hasonulás, zöngétlenesedés.<br /> ** kilyukadt --&gt; kilyukatt, részleges hasonulás, zöngétlenesedés.<br /> ** másegyéb?<br /> ** odahívta --&gt; odahífta: részleges has., zöngétlenedés<br /> (Írásban nem jelölt) teljes hasonulásra példa: anyja --&gt; annya, hagyja --&gt; haggya<br /> másik irányban működő: község --&gt; kösség, tizennyolc<br /> <br /> <br /> <br /> ==4. feladat==<br /> A hangszalagrezgést elektroglottográf segítségével (10KHz-es, 16 bites lineáris mintavételezéssel) rögzítjük, majd visszajátsszuk.<br /> A beszélő a következő szöveget mondta: &quot;Eljössz velem? Nem megyek. Nem? Bárcsak eljönnél, úgy szeretném!&quot;<br /> (Volt ZH kérdés is - 2009 ősz)<br /> <br /> a)Milyen beszédjellemzőket lehet meghallani egy ilyen hangszalagrezgésről készített hangfelvételből ami biztosan az elhangzott beszédhez tartozik? Legalább hármat soroljon fel.<br /> <br /> A következő beszédjellemzőket lehet meghallani: a beszélő neme (F0 frekvenciájából). A mondatok típusa nagyjából (prozódiából, azaz alaphang-változásokból kifolyólag). Ugyanebből kitalálhatók a hangsúlyok helyei is. Beszéddallam. Emellett a zöngés / zöngétlen hangok határait is nagyjából el lehet találni. Gond a CC és VV kapcsolatoknál van.<br /> <br /> b) Hallható-e a beszéd szegmentális elemei közül valamelyik? Ha igen, akkor melyik(ek). Ha nem, akkor miért nem?<br /> Szegmentális szint: a hangok specifikus időtartamai nagyjából kiolvashatók (?), de nem konkrét hang(kapcsolatok)ra, hanem csak általánosan.<br /> <br /> c) Hallható-e a beszéd szupraszegmentális elemei közül valamelyik? Ha igen, akkor melyik(ek). Ha nem, akkor miért nem?<br /> <br /> Szupraszegmentális szinten: beszéddallam, hangsúlyok, esetleg ritmus, tempó.<br /> <br /> d) Lejegyezhető-e a beszélő személy által mondott szöveg?<br /> Nem. Rengeteg információ hiányzik, kb csak annyi állapítható meg hogy magánhangzó vagy mássalhangzót ejt az illető, de még ezek határa is nehezen meghatározható.<br /> <br /> e) Megállapítható-e a beszélő személy neme egy ilyen hangfelvételből?<br /> Igen. Az alapfrekvencia megfigyelhető, és ebből következtethetünk a nemére is.<br /> <br /> f) Rajzolja le a periodikus hangszalagrezgés spektrális képét.<br /> A hangszalagrezgés képe: van egy alapfrekvencia (x Hz, ahol x 100-300 között van), ami a spektrumban egy vonal. Ennek felharmonikusai, azaz többszörösei (n*x Hz) is megjelennek a spektrumban, de egyre kisebb amplitudóval. A csökkenés -12 dB felharmonikusonként. Lásd a képet: <br /> <br /> {{InLineImageLink|Infoalap|BeszedVizsga20070615Megoldas|hangszalaggerjesztes.JPG}}<br /> <br /> ==5. feladat==<br /> {{InLineImageLink|Infoalap|BeszedVizsga20070615Megoldas|feldatat5-beszed070615.png}}<br /> <br /> # Érthetetlen lesz, hiszen rengeteg fontos frekvencia ill. formáns van a 1000-2000 Hz-es tartományban, pl a magánhangzók második formánsának jórésze bele esik ebbe a tartományba. Valami mély mormogást hallunk, gyanítom. (Egyéb, pontosabb ötlet?)<br /> # Jel/Zaj viszony: SNR=1,74+n*6,02=1,74*16*6,02=98,06<br /> # A beszéd dallama nem sérül, hiszen ezt az alapfrekvencia adja meg (F0), aminek a mozgását a hangterjedelem adja meg. Ez pedig tipikusan 100-400Hz közötti érték, amit a szűrő még átvisz.<br /> <br /> ==6. feladat ==<br /> Egy triádos adatbázisú, hullámforma-összefűzéses szintetizátorral a következő mondatot állítjuk elő: &quot;Miért 40% a határ?&quot;. <br /> Írja le milyen feldolgozási lépések valósulnak meg a példamondaton, amíg a szövegből a végleges hullámforma előáll! <br /> (Volt ZH kérdés is - 2009 ősz)<br /> <br /> * Első lépés: begyűjtés! helyett Graféma-&gt;Graféma konverziók, avagy a különféle jelölések feloldása, hogy csak betű legyen az output, mégpedig: &quot;Miért negyven százalék a határ?&quot;<br /> * Graféma-&gt;Fonéma konverziók avagy a g és y nem külön g és y hanem &quot;gy&quot;. Karakterek helyett beszédhangokat írunk. Ezt valami SAMPA átírással lehetne jól leírni.<br /> * Fonéma-&gt;Fonéma konverziók avagy nem negyven-nek ejtjük ezt a szót így, hanem netyven-nek. Hasonulások, összeolvadások, rövidülések, kivetések. Eredmény (SAMPA-ban lenne ildomos írni): Mi(j)ért netyven százalék a határ?<br /> * Mindezekkel párhuzamosan fontos a prozódia mondatszintű, szószintű stb lebontása, relatív megadása. Ugyanígy intenzitással is. Amennyire lehetséges, hangsúlyhatárokat is bejelöljük (pl vessző előtt felmegy).<br /> * Ha mindez megvan, egy adatmátrixot kapunk, melyben a szöveg minden lényeges elemét hangokra lebontva megadtuk, ami a kiejtéshez kell. Ezek főbb vonalakban: frázishatárok, szünetek, hangsúly, időtartam, F0, F0 töréspont, intenzitás. Utóbbi 4-et %-ban célszerű megadni.<br /> * Ezt az adatmátrixot kapja meg a triádos beszédgenerátor.<br /> * A beszédgenerátor veszi a hangkódokat a jelölésnek megfelelően. CVC helyzetbe triádot keres, egyéb helyzetekben pedig diádot. <br /> * Ezek hangosságát, frekvenciaszerkezetét és periódusidejét megváltoztatja a megadott százalékoknak stb. megfelelően.<br /> * A szükséges helyekre megfelelő nagyságú szünetet illeszt be.<br /> * Az egyes elemeket simító algoritmusokkal összefűzi.<br /> * Utolsó lépés: a profit! :)<br /> <br /> -- [[RendesGaborAntal|Gabo]] - 2008.05.28.<br /> <br /> <br /> [[Category:Infoalap]]</div>

Unknown user