„Beszed vizsga 20060602” változatai közötti eltérés

{{GlobalTemplate|Infoalap|BeszedVizsga20060602Megoldas}}

# ''Milyen jellel mérjük a beszédátviteli rendszerek minőségét?'' <br/> Természetes emberi beszéddel, de érdektelen felvételeket kell felolvastatni az alanyokkal! (nem vagyok teljesen biztos h ezt kérdezik..)

# ''Az objektív minősítő rendszer hatékonyságát mihez képest mérjük?'' <br/> Az objektív minősítés célja a szubjektív minősítés közelítése, tehát azt nézzük, hogy mennyire egyezik az eredménye az egyéni véleményekkel.

# ''Ha a gépi minősítés a szubjektív minősítéshez képest egyes méréseknél lényegesen jobb, más méréseknél lényegesen rosszabb eredményt ad, akkor a minősítő mely komponensét kell módosítani?'' <br/>A pszichoakusztikus modellt, esetleg a belső távolság számításának a módszerét (amivel a referenciafelvételtől való eltérést mérjük, számítjuk)

# ''A csomagkapcsolt beszédátviteli rendszerek (pl. VoIP) mely tulajdonsága okozza a legnagyobb nehézséget a beszédminőség mérése során?'' <br> (A hálózat paramétereinek nem stabil volta. Teljesen más minőséget kapunk ha kis illetve szélessávon mérünk, illetve változatos kapcsolat (műholdas, kábel, adsl) esetén is jelentős eltéréseket tapasztalhatunk a beszéd minőségében, a hálózatforgalmi szituációkat nem is említve (pl. ha közben töltünk is).) Nem a rizsára voltak kíáncsiak. A válasz: Jitter (késleltetés-ingadozás). Bővebben: jegyzet

# Mikor és ki készítette az első beszédkeltő gépet a világon? Hol látható? <br> '''Kempelen Farkas''', *1791*-ben. Ma az MTA Nyelvtudományi Intézetében látható. (legalábbis ajánlom neki h ottlegyen..) !! Update: "Az egyetlen megmaradt példány ma a müncheni Deutsches Museumban van." Forrás: http://hu.wikipedia.org/wiki/Kempelen_Farkas

# Mikor és ki adta be a világ első szabadalmát tetszőleges szöveg felolvasására alkalmas beszélőgépre? <br> '''Bánó Miklós''', *1916*-ban.

# Mi az 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

# Mi a 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)

# Mi a 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 :]

# Mi a 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.

# Mi az LPC? Van-e szerepe a beszédértésben? Kapcsolatba hozható-e és hogyan a jel spektrumával?

** '''Linear Prediction Coding / Coefficients'''. Lineáris el&#245;rejelzés. Olyan matematikai eljárás, amellyel a megel&#245;z&#245; mintákból jósolni lehet a következ&#245; mintát. LPC segítségével az akusztikus jelb&#245;l meghatározható például az artikulációs üregrendszer átviteli karakterisztikája is.

** ??? (Ha jól meghatározhatók az LPC együtthatók, jobban érthetők a hangok?) A formánsokat jól lehet vele követni.

** Igen, a LPC analízis is egyfajta spektrumát adja meg a jelnek. (ide még lehetne írni)

# Mi az F0 ill. F1? Hogyan határozhatók meg?

** F0 az alapfrekvencia, azaz a hangforrás gerjesztésének frekvenciája. F1 pedig a legkisebb (első) formáns azaz felerősített felhangnyaláb.

** F0 meghatározható a zöngés hangok periódusidejéből (megegyezik azokkal). F1 pedig a jel spektrumára illesztett burkológörbe első (lokális) maximumhelye.

# Mi a Hamming-ablak és mi a szerepe a beszédfeldolgozásban?

** A Hamming-ablakot a jelre illesztve egy véges időtartományban kell csak elvégezni a Fourier-integrálást. A szerepe az, hogy adott időpillanatban releváns frekvenciákat felerősítse, a távoliakat gyengítse hogy adott időpillanatra jó spektrumot kapjunk a Fourier-integrálás után.

# Mi a screen reader és a TTS kapcsolata?

** A screen reader csak egy illesztő alkalmazás a képernyő és a TTS között, a képernyőn található információt adja át felolvasásra a TTS számára.

Adjon meg min 5 specifikációs szempontot egy távközlési szolgáltató számára tervezett SMS felolvasó rendszerhez! Adjon meg min. 5 felhasználási lehetőséget is! <br/>

* Email-eket [[SMSben]] továbbítva, azokat elolvashatjuk

# Mi a 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 egyértelműen leírhatók, segíthet a beszédértésben.

** Szerintem nem hozható kapcsolatba a jel spektrumával. Vagy csak nagyon összetett, indirekt módon.

# lásd A csoport, 4/d.

# Mi a négyszögletes ablak és mi a szerepe a beszédfeldolgozásban?

** A Fourier-integrálás során egy kis időkeret analízise úgy történhet meg, hogy az időben folyamatos jelet egymással átlapolódó négyszögletes ablakokkal kiablakozzuk. Így kis időszakaszokra megkaphatjuk a jel spektrumát, ami a magasabbrendű beszédfeldolgozás fontos alapeleme.

# Mi a triád? Előnyei? Hátrányai? Mennyi egy nyelv lefedéséhez szükséges elemszám?

** Triád: Olyan hangkapcsolat, amelyben a középső hang egészben, a két szélső pedig részben van jelen. Beszédszintézisnél használják, elsősorban a magánhangzók szerepelnek középső helyzetben.

** Előnyei:  

*** 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

** Szükséges elemszám: <math> beszedhangok \cdot maganhangzok \cdot beszedhangok </math>, ennél némileg kevesebb mivel nem fordul elő minden hármas +  a szükséges diádok: <math> beszedhangok \cdot beszedhangok </math> (szerintem a tisztán triádos adatbázis egyszerűen a fonémák köbével arányos. Az már a kevert adatbázis ahol diádok is vannak. Vagy? )