Kory, 2014. január 18., 14:39-n

2014-01-18T14:39:20Z

← Régebbi változat		A lap 2014. január 18., 16:39-kori változata
1. sor:		1. sor:
	~~{{GlobalTemplate\|Infoalap\|BeszedUberPuska}}~~


	Mivel se az infositeon se a wikin nem volt egy táblázat fontos adatokról, létrehoztunk egyet. Bővítsétek, mert nektek is jó!		Mivel se az infositeon se a wikin nem volt egy táblázat fontos adatokról, létrehoztunk egyet. Bővítsétek, mert nektek is jó!
	Pecc, Neu		Pecc, Neu

Unknown user: Új oldal, tartalma: „{{GlobalTemplate|Infoalap|BeszedUberPuska}} Mivel se az infositeon se a wikin nem volt egy táblázat fontos adatokról, létrehoztunk egyet. Bővítsétek, mert nekt…”

2012-10-21T19:54:02Z

Új oldal, tartalma: „{{GlobalTemplate|Infoalap|BeszedUberPuska}} Mivel se az infositeon se a wikin nem volt egy táblázat fontos adatokról, létrehoztunk egyet. Bővítsétek, mert nekt…”

Új lap

{{GlobalTemplate|Infoalap|BeszedUberPuska}}

Mivel se az infositeon se a wikin nem volt egy táblázat fontos adatokról, létrehoztunk egyet. Bővítsétek, mert nektek is jó!
Pecc, Neu

__TOC__

==Hangok osztályozása 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

==Hangok osztályozása 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

==Hangok osztályozása illeszkedésük szerint==

* Stabil: gy, ty, j, n, ny, r
* Kölcsönösen illeszkedő: b,p, d, t, dz, c, dzs, cs, v, f, z, sz, zs, s, h, m, l, az összes magánhangzó (?)
* Erősen illeszkedő: g, k

==Osztályozás vizuálisoknak==

https://wiki.sch.bme.hu/pub/Infoalap/BeszedUberPuska/besz_hang_osztalyozas.jpg

==Mássalhangzók osztályozása hangképzés szerint==

* Nazális: m, n, ny, ng
* Likvida: l, j
* Pergő: r
* Felpattanó zárhang: t,d,p,b,k,g,ty,gy
* Réshang: f,v,s,zs,sz,z,h
* Zár-réshang (affrikáta): c,cs,dz,dzs

==Magánhangzók formánsai==

(A CD-ről kimásolva)

https://wiki.sch.bme.hu/pub/Infoalap/BeszedUberPuska/mgh_F1_F2.png

==Mássalhangzók formánsai, zörejgócai==

(A CD-ről kimásolva)

https://wiki.sch.bme.hu/pub/Infoalap/BeszedUberPuska/msh_F_Z.png

==Gépi beszédfelismerők jellemzése==
Mőködési elv:
* Szabálybázisú
* Statisztikai alapú: HMM, ANN
* Sablon alapú: DTW (Dynamic Time Warping)

Használat módja:
* Spontán beszéd (folyamatos beszéd, pl diktáló rendszerek)
* Parancsmódú vezérlés (izolált szavas)
* Dialógusvezérlés (kapcsolt szavas, a szavak közötti szünetek minimálisak)
Méret:
* Kicsi: párszáz szó
* Közepes
* Nagy: 20-80 ezer szo

==Beszédfelismerő rendszereket minősitési szempontok==
* statisztikai alapú (HMM, ANN) vagy szabálybázis/tudásalapú
* beszélıfüggetlen, beszélıfüggı vagy adaptív (avagy beszélık száma alapján)
* akusztikus környezet alapján: robusztus (zajos környezetben is használható), távbeszélı minıséggel vagy kiváló hangminıséggel mőködik csak
* szociolingvisztika: dialektusra, korra és nemre érzékeny e
* artikuláció alapján: izolált szavas, kapcsolt szavas vagy folytonos (diktáló) rendszer
* szótárméret: kis (<100 szó), közepes vagy nagy (>20.000 szó)
* beszédstílus: spontán, parancsmódú vagy dialógus-menüszerő
* nyelvfüggés-nyelvazonosítás
* alkalmazói környezet: szakembereknek vagy laikusoknak, egyfelhasználós vagy sokfelhasználós

==Prozódia==

A prozódia a beszéddallam, a hangsúly, a ritmus, a hangero, a tempó és a hangszínezet nyelvi használata, a beszédképzés szupraszegmentális szintjének része. [forrás: Beszéd CD, 7.oldal]

'''Komponensei:'''
* Dallam
* Hangsúly (ezen belül alkomponensek: alapfrekvencia, intenzitás, idıtartam)
* Ritmus
* Hangszín (?)

==Jellemző beszédfrekvenciák==

A folyamatos beszéd átlagos F0 alapfrekvenciái [Hz]:

* férfiaknál: 100-200
* nőknél: 150-300
* gyerekeknél: 250-600

forrás: beszedakusztika_gyak_2005.pdf

==Triádos megoldósdi==

Egy triádos adatbázisú, hullámforma-összefűzéses szintetizátorral a következő mondatot állítjuk elő: "Miért 40% a határ?". Írja le milyen feldolgozási lépések valósulnak meg a példamondaton, amíg a szövegből a végleges hullámforma előáll! (Volt ZH kérdés is - 2009 ősz)

* Első lépés: Graféma->Graféma konverziók, avagy a különféle jelölések feloldása, hogy csak betű legyen az output, mégpedig: "Miért negyven százalék a határ?"

* Graféma->Fonéma konverziók avagy a g és y nem külön g és y hanem "gy". Karakterek helyett beszédhangokat írunk. Ezt valami SAMPA átírással lehetne jól leírni.

* Fonéma->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?

* Mindezekkel párhuzamosan fontos a prozódia mondatszintű, szószintű stb lebontása, relatív megadása. Ugyanígy intenzitással is. Amennyire lehetséges, hangsúlyhatárokat is bejelöljük (pl vessző előtt felmegy).

* 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.

* Ezt az adatmátrixot kapja meg a triádos beszédgenerátor.

* A beszédgenerátor veszi a hangkódokat a jelölésnek megfelelően. CVC helyzetbe triádot keres, egyéb helyzetekben pedig diádot.

* Ezek hangosságát, frekvenciaszerkezetét és periódusidejét megváltoztatja a megadott százalékoknak stb. megfelelően.
* A szükséges helyekre megfelelő nagyságú szünetet illeszt be.
* Az egyes elemeket simító algoritmusokkal összefűzi.
* Utolsó lépés: a profit!

==Definiciók és kiskérdések==

Majdnem abc sorrendben..

===Aliasing===
Ez a jelenség azt eredményezi, hogy a mintavételezett hullámforma torzulni fog visszaállításkor. Pl.: a Nyquist kritérium szerint 10 000 Hz mintavételezési frekvencia mellett az 5000 Hz feletti frekvenciájú hangkomponensek torzulni fognak visszaállításkor. Ezt úgy kezelik, hogy egy alul áteresztő anti-aliasing filterrel kiszűrik az 5000 Hz feletti komponenseket.

===Alapfrekvencia (pitch)===
Az alapfrekvencia, azaz F0. A PSOLA (Pitch Synchronous Overlap Add Method) eljárás az alapfrekvenciát változtatja a beszéd dallamának változtatása érdekében.

===Akusztikus vs nyelvi mód===
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.

===Artikulációs sebesség Milyen érték jellemző a magyarra? Mi a beszédsebesség?===
Az artikulációs sebesség az időegység alatt ejtett hasznos beszédhangok száma folyamatos ejtésnél, szünetek nélkül.
A magyar beszédnél tipikus értéke 13 hang/s.
A beszédsebesség a beszéd hangzásának teljes idejében, szünetekkel, időegység alatt elhangzott beszédhangok száma, a nem hasznos beszédjeleket is beleértve. (Magyar beszédnél 14 hang/s)
artikulációs sebesség <= beszédsebesség

===Akusztikai dB és a Phon érték kapcsolata===
A Phon görbe az azonos hangosságérzetű görbék serege, ahol a referencia-frekvencia az 1 kHz. Azaz 1kHz-es hangok esetén a Phon érték megegyezik az akusztikai dB-el.

===Beszédkódolók===
PCM: Pulse Code Modulation (logaritmikus), ezen belül van az A-law (EU) és -law (USA). Lineáris kvantálás. LPC - lineáris predikció. MPEG (layer 3).

===DTMF===
Dual Tone MultiFrequency, DTMF jelek esetén nincs beszédjel, így zavarja az érthetıséget, mert 2 szinusz hang szólal csak meg, így a jel spektrumában könnyen felismerhetı lesz a 2 kiugró amplitudó
===F2 és B2? [[HOgyan]] határozhatóak meg? ===
F2 a beszédjel második formánsa, avagy az akusztikum második legkisebb felerısített felhangnyalába, a B2 pedig ennek a formánsnak a sávszélessége. F2 meghatározható a jel spektrumából, ez a második legkisebb erısítési hely (lokális maximum), a

B2- t pedig ezen a maximum alatt 3 dB-lel meghúzott vonal és a burkológörbe metszéspontja jelöli ki.

===ITU P.800? ===
Az ETSI egyik szubjektív beszédminısítı szabványa. Minısíthetünk abszolút módon, elıre definiált skála alapján (ACR)
'jelenség' észlelési tesztek romlás megfigyelése eredetihez képest (DCR) referencia rendszerrel összehasonlítás (MNRU)

===ergodikus===
A folyamat tulajdonsága. Ha a folyamat ergodikus, akkor 1 folyamat is magában hordozza a sokaság tulajdonságait.

===F1===
Az első formáns. Magánhangzók jellemzéséhez a formánsokat használjuk. Az alapfrekvencia az F0, ennek egészszámú többszörösei a formánsok. F1 az F0-hoz legközelebb eső formáns.

===HMM===
Hidden Markov Model - Rejtett Markov Model. Statisztikai alapú beszédfelismerési módszer.

===Hanning-ablak és a szonogram kapcsolata?===
Ha gördülő spektrumot avagy szonogramot szeretnénk készíteni, akkor az időben folytonos jelünket bizonyos kis szeletekben mintavételeznünk kell. A kis kivágott időintervallumokból akkor kapunk jó spektrumot, ha azt megfelelően kiablakozzuk és nem csak simán kivágjuk egy négyzetes ablakkal. Egy ilyen jól bevált ablakozó függvény a Hanning ablak, melynek képlete: ***** fix me *****

===LPC===
Lineáris predikció. Bizonyos esetekben ha nem a mintát, hanem a minták különbségét kvantáljuk, akkor kevesebb biten tudjuk átvinni ugyanazt az információt (tömörítés).

===Locus, az F2 és F0 kapcsolata?===
A CV átmenet jellegzetessége a locus: megfigyelték, hogy pl. a d után ejtett magánhangzók felfutó szakaszait, ha visszafelé meghosszabbítjuk, ezek egy pontban metszik egymást – a legtöbb mássalhangzó az őt követő magánhangzó vagy őt megelőző magánhangzó második formánsát (F2) a szóban forgó mássalhangzót jellemző frekvenciára kényszeríti, ezek a locusok.
Az F2 pedig nem más, mint a hangszalagoknál képzett gerjesztő jel alapfrekvenciájából (F0) a vokális traktusban felerősített, második legkisebb felhang-nyaláb (Fn).

===Néma fázis. Sorolja fel az összes beszédelemet, amelyre vonatkozhat!*===
Néma fázis: A zárhangok azon része, amelyben nincs hangképzés. A tüdőből kiáramló levegő a toldalékcsőben képzett akadály miatt feltorlódik és a zárfelpattanásig levegőáram nem hagyja el az artikulációs csatornát.
A fentiek alapján néma fázis található a zöngétlen zár- és zárréshangoknál így: p, t, k, ty, c, cs.

===Négyszögletes ablak. Mi a szerepe a beszédfeldolgozásban? ===
A Fourier-integrálás során egy kis idıkeret analízise úgy történhet meg, hogy az idıben folyamatos jelet egymással átlapolódó
négyszögletes ablakokkal kiablakozzuk. Így kis idıszakaszokra megkaphatjuk a jel spektrumát, ami a magasabbrendo

===Mikor és ki készítette az első beszédkeltő gépet a világon? Hol látható?===
Kempelen Farkas, *1791*-ben. Ma az MTA Nyelvtudományi Intézetében látható. (legalábbis ajánlom neki h ottlegyen..)
Mikor és ki adta be a világ első szabadalmát tetszőleges szöveg felolvasására alkalmas beszélőgépre?
Bánó Miklós, *1916*-ban.

===MP3===
MPEG-1 Audio Layer 3. (nem MPEG-3) Veszteséges tömörítés. Az emberi fül számára nem hallható hangokat eldobja.
Részletesebben:
Érzeti (részsávos kódolás) percetptual (subband) coding
Frekvenciamaszkolási jelenség (elfedés a frekvenciatartományban)
1)minden sávra megállapítjuk, hogy milyen energiájú összetevok vannak a jelben
2)az elfedett összetevok kihagyása
3)a kvantálási zaj növelésének lehetősége: úgy kvantálunk, hogy a kvantálási zaj ne legyen nagyobb, mint az elfedési szint (itt a tömörítési lehetőség)

===Mintaillesztési eljárások===
Szabályalapú, statisztikai alapú (HMM - Hidden Markov Model és ANN - Artificial Neuro Network ) illetve sablon alapú (DTW).

===Megfigyelési valósznűség===
Azt az értéket adja meg, hogy mennyi annak a valószínűsége, hogy egy HMM rendszer x állapotában j jellemzővektort figyeljünk meg.

===VXML===
Voice eXtended Markup Language - dialógusok leírására alkalmas

===Mi a VXML, a SUI és a DTMF kapcsolata a beszédinformációs rendszerekkel?===
Mindegyik a beszédinformációs rendszerek felépítését segíti, illetve annak egy eleme.
A VXML avagy Voice eXtensible Markup Language interaktív dialógusok leírását és tervezését könnyíti meg ember és számítógép között.
A SUI avagy Speech User Interface az ember-gép kapcsolatot beszéd és hangok által teremti meg.
A DTMF avagy Dual Tone Multi Frequency egy jeltovábbítási megoldás avagy mechanizmus a normál telefonvonalon keresztül, ahol 2 frekvencia együttes megszólaltatásával összesen 16 különböző jelet generálhatunk (4*4=16).

===Relatív hangosság. Hányszorosa a hangosság a 40 phon hangnak?===
Képlettel: N = 2 ^ [(L - 40) / 10] L: phon , hangosságérzet. 40 phon = 1 son, 50 phon = 2 son , 60 phon = 4 son stb.

===SAMPA. Van-e szerepe a beszédértésben? Kapcsolatba hozható-e a jel spektrumával? ===
SAMPA: Speech Assessment Methods Phonetic Alphabet. Beszédhangok jelölése 7 bites ASCII karakterekkel.
A SAMPA-val a beszédhangok egyértelmően leírhatók, segíthet a beszédértésben.
Szerintem nem hozható kapcsolatba a jel spektrumával. Vagy csak nagyon összetett, indirekt módon.

===SNR===
Snr = 1.74 + 6.02 * 16 bit = 98.06dB

===Screen reader és TTS kapcsolata===
A screen reader csak egy illesztı alkalmazás a képernyı és a TTS között, a képernyın található információt adja át felolvasásra a TTS számára.

===Spektrális átlapolódás oka mintavételezéskor? Hogyan előzhető meg? Adjon példát.===
Spektrális átlapolódás: ha a hang mintavételezésénél a mintavételezési frekvencia kisebb, mint a legnagyobb frekvenciakomponens kétszerese, a visszaállításnál nemkívánatos jelek kerülnek visszaállításra, a jel nem állíthatő elő egyértelműen/hűségesen.
Megelőzhető megfelelő karakterisztikájú aluláteresztő szűrővel a bemeneten. (Sávkorlátozás)
Példát mindenki remélem tud adni ezek alapján :]

===Triád===
Egy triádos adatbázisban három hosszú hangkombinációkra tároljuk a hullámformákat. A tárolt adatok mennyisége ezért a fonémák köbével arányos. A tárolt hang az első fonéma közepénél kezdődik és a harmadik közepénél fejeződik be.

* Elınyei: A magánhangzóknál nem lép fel torzítás a formánsok megtörése miatt. Természetesebb hangzás Könnyebb szövegtervezés
* Hátrányai: Sok munkát jelent a felvétel Sok memóriát foglal Sok szöveget kell felolvastatni Diádokat és egyéb elemeket is igényel az adatbázis

===Teljesítmény sűrűség spektrum ===
Az akusztikai dB-ből visszakövetkeztethetünk a hangjel amplitudójára (10-es hatványraemelés), az így kapott időjel négyzete a teljesítmény sűrűség spektrum. (ha jól mondom :] )

===*VOT* A beszédjel mely részén mérhető? Adjon 5 konkrét példát indoklással!===
VOT: Voice Onset Time avagy zöngekezdési idő
felpattanó zárhangok esetén a zár felpattanása és az azt követő magánhangzó megszólalása között eltelt idő
Tipikusan a beszéd azon helyen mérhető, ahol gerjesztésváltás történik, és zöngétlen hangot zöngés hang követ.
A fentiek fényében a VOT pl. p után 8ms, t után 15ms, k után 26ms. (Ide lényegesen többet nem tudok írni, főleg az indoklás részét nem értem)

[[Category:Infoalap]]

BeszédÜberChart - Laptörténet

Kory, 2014. január 18., 14:39-n

Unknown user: Új oldal, tartalma: „{{GlobalTemplate|Infoalap|BeszedUberPuska}} Mivel se az infositeon se a wikin nem volt egy táblázat fontos adatokról, létrehoztunk egyet. Bővítsétek, mert nekt…”