Análisis y Sı́ntesis de voz humana mediante predicción

lineal
Correa Juan1 , Massolo Eugenio2 , Meza Martin3 , Reibold Emanuel4

Procesamiento Digital de Señales, Ingenierı́a de sonido

Universidad Nacional de Tres de Febrero , Buenos aires, Argentina.
1
juanrwco@gmail.com, 2 ugemassolo@gmail.com 3 camartinbu@gmail.com, 4 ema.reibold@gmail.com,

Resumen
El presente trabajo de investigación tiene como principal objetivo analizar el método de predicción “Linear Predic-
tive Coding” aplicado a señales del habla, tanto de manera teórica como práctica. Para esto se desarrolló un código en
lenguaje Python que sintetice un audio de voz humana. También se realizó un análisis de la incidencia de los parámetros
del modelo en el resultado de la sı́ntesis. Los resultados obtenidos se condicen con el marco teórico, por lo tanto se
concluye que la aplicación de este método para la sı́ntesis de audio es aplicable y efectivo. Cabe destacar que ciertos
comportamientos frecuenciales de las señales no pudieron ser explicados de la manera esperada.

1. INTRODUCCIÓN 2. MARCO TEÓRICO

En el presente informe se desarrollará el estudio de
sı́ntesis de voz humana mediante el método de predic-
ción lineal denominado Linear Predictive Coding. El
LPC es una técnica utilizada en el procesamiento de
señales de audio (especialmente en voz humana) que
permite transmitir una señal con una calidad tolerable
en sistemas que posean un ancho de banda reducido a
partir de la aplicación de altos grados de compresión en
la misma [1].
En este sentido, el objetivo principal del trabajo de
investigación es generar una señal sintetizada a partir de
la premisa de reducir la profundidad de bits de un archi-
vo de audio, con la intención de lograr la transmisión de
dicha señal de una manera más eficiente y rápida. Es-
to se lleva a cabo por medio de la implementación de
código mediante el lenguaje de programación Python.
La estructura del presente informe consiste en tres
partes, en primer lugar se presenta un marco teórico que
contenga todos los conceptos necesarios para la com-
prensión del método desarrollado, seguido de expre-
sar la aplicación del modelo de predicción lineal me-
diante lenguaje de código. Por último se llevará a cabo
un análisis de los resultados obtenidos, seguido de una
conclusión a partir de experiencias y discusiones surgi-
das a partir de la puesta en marcha del código.
Con el fin llevar a cabo el método de predicción li-
neal, es necesario partir de un modelo matemático que
exprese y defina las caracterı́sticas del sistema de ge-
neración del habla. El modelo se basa en considerar al
tracto vocal como un tubo sin pérdidas compuesto por
un conjunto de secciones de distinto diámetro, en donde
uno de los extremos del mismo corresponde a la glotis,
y el otro a los labios [2].
La señal de excitación que se origina en la glotis
a partir del aire que expulsan los pulmones hacia las
cuerdas vocales se transmite a través del tracto vocal, el
cual actúa como un filtro enfatizando determinadas fre-
cuencias, las cuales caracterizan la voz del emisor. Las
frecuencias de resonancia del tracto vocal se denominan
formantes y surgen cada 1000 Hz, y se consideran in-
variantes en un lapso de aproximadamente 10 ms. Una
vez transcurrido ese tiempo, el tracto vocal modifica sus
dimensiones y por ende, sus frecuencias de resonancia.
El modelo presenta dos tipos diferentes de excita-
ción: el voiced speech, el cual se define como un tren de
pulsos producido por la vibración de las cuerdas vocales
en la glotis, o unvoiced speech, producido por una cons-
tricción del tracto vocal, forzando al aire a salir de ma-
nera abrupta, por lo tanto se considera como una señal
de excitación aleatoria.

1
Análisis y Sı́ntesis de voz humana mediante LPC Procesamiento Digital de Señales

La Figura 1 muestra un diagrama del modelo de Debido a que ŝpnq es el valor predicho de spnq, el
producción del habla. error de predicción epnq se define a partir de la dife-
rencia entre la señal original y la señal resultante de la
predicción lineal:

p
ÿ
epnq “ spnq ´ ŝpnq “ spnq ´ αk spn ´ kq (4)
k“1

Considerando la naturaleza variable de la voz, los

Figura 1: Diagrama de bloques del modelo simplificado
para la producción del habla.
En la Figura 1 es posible apreciar que el sistema es
excitado por los dos tipos de señales que posteriormen-
te atraviesan una etapa de ganancia, para finalmente ser
procesadas por el filtro del tracto vocal H(Z), (aunque
también incide la radiación en los labios y la glotis, pero
se desestima para simplificar el modelo), modificando
su respuesta en el espectro frecuencial. En la ecuación
1 se expresa la relación de las muestras del habla spnq
con la excitación upnq.
coeficientes de predicción deben estimarse mediante un
procedimiento de análisis a corto plazo [2]. Para ello
se puede utilizar una ventana rectangular o una ventana
de Hamming. El error de predicción tiende a ser mayor
en los extremos de la ventana rectangular respecto de la
de Hamming. Esto se debe al método implementado, en
donde se predicen muestras a partir de las anteriores. Al
predecir una muestra distinta de cero al comienzo del
intervalo, se utilizan muestras pasadas que son nulas,
mientras que al predecir una muestra igual a cero al fi-
nal, se utilizan muestras pasadas con un valor diferente
de cero. Por esta causa la ventana de Hamming resul-
ta mas eficaz ya que produce una atenuación en dichos
extremos, generando un menor error de predicción.
En la ecuación 5, se expresa el error de predicción
cuadrático medio a corto plazo:
N
ÿ
E“ epnq2 (5)
n“1

p
ÿ Siendo N la cantidad de muestras de la señal en ca-
spnq “ Ak spn ´ kq ` Gupnq (1) da intervalo de tiempo y epnq el error de predicción.
k“1 Con el fin de minimizar el error de predicción, a
El filtro digital se define a partir de la ecuación 2: partir de derivar parcialmente la ecuación (9) e igualar-
la a cero, es posible hallar los valores de αk tal que se
SpZq G cumple dicha condición. A continuación se expresa en
HpZq “ “ p (2)
U pZq ÿ la ecuación 6, el resultado de la derivada:
1´ Ak Z ´k
k“1
p N N
Se define a U pZq como la excitación proveniente de ÿ ÿ ÿ
αk spn ´ kqsp´iq “ spnqspn ´ iq (6)
la glotis, G el parámetro de ganancia, SpZq la señal fil- n“1 n“1
k“1
trada, Ak los coeficientes que caracterizan al filtro y p
el orden del mismo. Este modelo resulta mas eficaz en i = 1, 2, 3, ... , p.
señales pertenecientes al tipo voiced speech, sin embar- La igualdad anterior puede ser expresada utilizando
go, es posible aplicarlo para todo tipo de señales si se los términos de autocorrelación como muestra la ecua-
implementa un filtro de un orden mayor a 10. ción 7:
Para obtener dichos coeficientes y ası́ construir el p
filtro que caracterice el tracto vocal, es necesario apli- ÿ
αk Rpk ´ iq “ Rpiq (7)
car un modelo de predicción lineal, cuya salida del pre- k“1
dictor se detalla en la ecuación 3:
Siendo R(i) los coeficientes de la matriz de autoco-
p
ÿ rrelación, la cual se caracteriza por ser una matriz de
ŝpnq “ αk spn ´ kq (3) Toeplitz [3]. Para obtener los coeficientes αk se utili-
k“1 za el método de Levinson-Durbin, el cual consiste en
Se considera a ŝpnq como una aproximación del au- calcular en forma recursiva la solución de una ecuación
dio original a través de la combinación lineal de los co- que involucra una matriz de Toeplitz. Dicho método po-
eficientes de predicción αk y muestras pasadas de la see la ventaja de ser computacionalmente más rápido
señal spnq. que otros.

2
Análisis y Sı́ntesis de voz humana mediante LPC Procesamiento Digital de Señales

Una vez obtenidos los coeficientes, solo queda ob-

tener la señal sintetizada a partir de la ecuación 3. En
este caso seria imprescindible el hecho de tener que en-
viar la señal original en conjunto con los coeficientes,
situación en la cual no se estarı́a mejorando el méto-
do de transmisión de la señal. Por esto, se debe realizar
otro enfoque para la reconstrucción del audio en la par-
te receptiva. Analizando la Figura 2, se observa que es
posible recrear la señal original a partir de aplicarle un
cierto filtro a la señal equivalente del error de predic-
ción.

Figura 2: Reconstrucción de la señal.

Si la señal de voz obedece y cumple las condiciones

que plantea la ecuación 2 en su totalidad, es decir que la
salida del modelo spnq es igual a la señal de voz mues-
treada, lo que a su vez implica que si Ak equivale a αk
para todo valor de k, entonces el error tiene la siguiente
estructura:

Figura 3: Comparación de la señal sintetizada al variar

el orden de polos.
epnq “ Gupnq (8)

Sumando a lo dicho anteriormente, cabe destacar

Por lo tanto, considerando el error de predicción,
como la señal de excitación que se obtiene aplicando el
filtro inverso FIR de todo ceros A(Z) a la señal original,
se puede reconstruir s(n) aplicando a epnq un filtro IIR
de todos polos H(Z) como se define en la ecuación 2
(con ganancia igual a 1 para simplificar los cálculos).
Los coeficientes se transmiten junto a la señal de
error e[n], siendo trabajo del receptor decodificar esos
datos para reconstruir la señal. Esto se logra procesando
el error a través del filtro de todos polos H(z), construi-
do a partir de los coeficientes αk .
Es importante destacar que según los fundamentos
teóricos planteados en [2], a medida que se incrementa
el numero de polos de la función H(Z), el espectro de
la señal estimada tiende a ser cada vez mas similar a la
señal original, de tal manera que si el orden de los polos
tiende a infinito, la señal estimada va a ser equivalente a
la original. Esto se debe a que, a medida que se aumen-
ta la cantidad de polos, a su vez se esta aumentando la
cantidad de cambios de sección del tubo que modeli-
za al tracto vocal, de una manera cada vez mas similar
al tubo ideal. Esto es posible observarlo en la siguiente
figura 3:
que el espectro frecuencial de la señal sintetizada se ve-
ra afectado por el largo de la ventana implementada, ya
sea de Hamming o rectangular. Esto se debe a que el
largo definido para cada bloque posee una relación in-
versamente proporcional al ancho del lóbulo principal,
el cual se destaca en la respuesta en frecuencia del filtro
pasa bajos generado al utilizar la ventana.
3. DESARROLLO EXPERI-
MENTAL
Para implmentar de manera práctica el método
LPC, se utiliza la plataforma de programación Pyt-
hon, desarrollando un código que permita sintetizar una
señal de voz. Dicha tarea se realiza por por medio de
una notebook marca Dell, con un micropocesador Intel
Core i7. Las bibliotecas utilizadas para el desarrollo del
código son, numpy, matplotlib, scipy y math.
Se comienza con la grabación de un audio mono
a una frecuencia de muestreo de 44100 Hz, configura-
da para que el mismo tenga una resolución de 16 bits.
Luego de esto, se procesa la grabación por medio de un
filtro pasa-altos (Pre-énfasis), con el propósito de con-

3
Análisis y Sı́ntesis de voz humana mediante LPC
trarrestar el efecto que produce la glotis durante el pro-
ceso del habla, y de esta manera obtener los coeficientes
de predicción lineal que caractericen únicamente el fun-
cionamiento del tracto vocal. La expresión que define al
filtro antes mencionado, se presenta a continuación en
la ecuación 9:
spre´enf pnq “ spnq ´ 0,95spn ´ 1q (9)
Siendo s(n) la señal de voz y spre´enf pnq la señal
filtrada. Una vez aplicado el filtro, se procede a dividir
la señal en segmentos de tiempo discreto, también de-
nominados frames. Estos se definen con una longitud
tal que nos permita asumir que las condiciones de for-
ma del tracto vocal se mantienen constantes (lapsos de
entre 10 y 20 ms). Estos segmentos se obtienen apli-
cando ventanas a la señal. La determinación del tipo de
ventana a utilizar repercute en el resultado final del pro-
ceso. En esta ocasión se evaluara el uso de una ventana
rectangular, y de una ventana Hamming.Esto se reali-
za porque nos interesa ver el efecto que se logra con la
ventana Hamming sobre los extremos de la ventana. Es
importante, ya que las primeras y las ultimas muestras
de la señal de predicción se calculan a partir de mues-
tras nulas, siendo estas muestras no nulas. Es aquı́ don-
de la ventana Hamming nos favorece atenuando la in-
fluencia de estos valores en contraposición a la ventana
rectangular.
Posteriormente, se determinan los coeficientes del
filtro digital variable en el tiempo αk para cada frame.
Para obtenerlos, se parte de realizar la función de auto-
correlación de la señal en cuestión. De esta misma se
obtienen los valores para formar la matriz de coeficien-
tes de autocorrelación que se observa en la Figura 4,
la cual por sus caracterı́sticas resulta ser una matriz de
Toeplitz (matriz cuadrada en la que los elementos de sus
diagonales son constantes)[3] . Esta matriz, junto con el
vector de las primeras P autocorrelaciones y el vector
de coeficientes, conforman un sistema de ecuaciones,
el cual se resuelve mediante el método de Levinson-
Durbin.
Figura 4: Sistema de ecuaciones de coeficientes de au-
tocorrelación.
Ası́ se obtienen los coeficientes αk . A partir de es-
tos coeficientes y de muestras pasadas podemos ”prede-
cir”la señal como se indica en la ecuación 3. Luego,se
puede obtener una señal que llamaremos error a partir
de la resta entre la señal original y su aproximación li-
neal realizada. De aquı́ tendremos entonces dos señales
4
Procesamiento Digital de Señales
resultantes, la señal de error y la señal de predicción. La
señal de error nos sirve para poder transmitir la señal
de una manera mas eficiente. Esta señal, al ser mas pe-
queña que la original (si se realizo una buena predic-
ción) nos permite procesarla con una menor cantidad
de bits por segundo sin perder la información necesaria
para comprender el mensaje.
Entonces, podemos transmitir solamente esta señal
mas el conjunto de coeficientes αk y el receptor podrı́a
reconstruir la señal original a partir de filtrar esta señal
de error mediante un filtro formado con los coeficientes
mencionados, el cual se detalla en la ecuación 2. Luego
de esto solo resta aplicar un filtro pasa-bajos (De-énfa-
sis), para lograr reunir los efectos que generan el filtro
del tracto vocal en conjunto con la glotis y los labios.
Dicho filtro se encuentra dado por la ecuación en dife-
rencias 10:
sde´enf pnq “ spnq ` 0,95sde´enf pn ´ 1q (10)
Siendo s(n) la señal de voz y sde´enf pnq la señal
filtrada.
Por otro lado, la señal de predicción la obtuvimos a
partir de combinaciones lineales de muestras anteriores
y los coeficientes de LPC obtenidos. En esta señal pode-
mos observar como la calidad de la predicción aumenta
conforme aumentamos el numero de coeficientes, o lo
que es equivalente, el numero de polos del filtro con el
que modelizamos el funcionamiento del tracto vocal.
Por ultimo, se procede a realizar una serie de com-
paraciones gráficas y numéricas entre resultados con di-
ferentes parámetros de cálculo, para esto se implemen-
taron funciones como freqz, la cual devuelve la respues-
ta en frecuencia de un filtro a partir de los vectores co-
rrespondientes a sus coeficientes del numerador y de-
nominador, o la FFT para realizar la transformada dis-
creta de Fourier y ası́ analizar una señal en su espectro
frecuencial.
4. RESULTADOS Y ANÁLISIS
En primera instancia, se realizó una sı́ntesis a par-
tir de un ventaneo de un lapso de 10 ms y un filtro de
orden 12, considerados como parámetros estándar en el
modelo LPC.
La Figura 5 explicita una comparación entre la señal
original y la aproximación lineal de la misma.
Análisis y Sı́ntesis de voz humana mediante LPC
Figura 5: Comparativa entre la señal original y la señal
de predicción.
Se puede observar que se obtiene una señal de pre-
dicción muy similar a la señal original, lo cual es es-
perable sabiendo que se construye a partir de muestras
pasadas de la señal original.
Se procede a variar la configuración de los paráme-
tros del método de predicción para determinar su in-
fluencia en el resultado final. Los factores que resultan
determinantes en el cálculo son los siguientes:
Tipo de ventana implementada
Cantidad de muestras de la ventana
Orden del filtro
Voiced o unvoiced speech
4.1. Ventana implementada
El primer parámetro a analizar es el tipo de ventana
que se utiliza a la hora de seccionar la señal en frag-
mentos para un análisis puntual. La ventana rectangular
ocasiona un recorte abrupto de la señal, ocasionando un
aumento del error debido a que se representan muestras
no nulas a partir de muestras nulas y viceversa, en cam-
bio la ventana Hamming atenúa la amplitud del frame
en sus extremos, produciendo una disminución de esta
incertidumbre. Se puede apreciar en la Figura 6 como es
la intersección entre de frames, segmentados tanto por
una ventana Hamming como rectangular. En esta se ve
en la parte central del gráfico, sobre la muestra numero
220, la unión entre dos frames.
5
Procesamiento Digital de Señales
Figura 6: Intersección de dos frames segmentados por
ventana Hamming y ventana rectangular.
No solo la forma de la ventana tiene importancia,
sino que el numero de muestras que encuadran también
incide en su respuesta en frecuencia, ya que cada ven-
tana impone un filtro pasa bajos cuyo lóbulo principal
varı́a su ancho en función de la cantidad de muestras de
la ventana. A raı́z de esto, los transitorios van a ser me-
jor representados en ventanas mas cortas mientras que
al aumentar la cantidad de muestras la señal se suaviza.
El ancho de la ventana también afecta a la señal
temporalmente, ya que al concatenar la totalidad de los
frames, la señal se escucha mas entrecortada a medi-
da que se toman ventanas de mayor longitud. Cuando
el lapso temporal que abarca una ventana supera los 20
ms, las hipótesis planteadas para realizar el modelo de
predicción lineal pierden validez ya que se asume que
el tracto vocal permanece invariante durante menos de
20 ms.
4.2. Orden del filtro H(z)
Tal como se asevera en el marco teórico, un mayor
detalle en la representación del filtro producido por el
tracto vocal implica una mayor cantidad de coeficientes
a calcular. Se logró corroborar que al incrementar el nu-
mero de polos del filtro (P), la respuesta en frecuencia
del mismo resalta las formantes correspondientes a ese
lapso de tiempo, llegando a enfatizar los armónicos de
estas cuando se implementa un numero excesivo de co-
eficientes. La Figura 7 detalla la respuesta frecuencial
del filtro H(z) para tres ordenes distintos.
Análisis y Sı́ntesis de voz humana mediante LPC Procesamiento Digital de Señales

Figura 7: Respuesta en frecuencia de H(z) con distintos

ordenes.

Figura 9: Mapeo de polos y ceros del filtro H(z) con

P=13.
Es menester analizar los polos y ceros del filtro
ya que permite obtener información acerca del mismo.
Uno de los parámetros mas importantes a determinar
es la estabilidad del sistema, que se deduce a partir de
la ubicación de los polos respecto al circulo unidad del
plano z. Tomando como ejemplo los filtros expresados
en la Figura 7, se puede afirmar que el sistema es esta-
ble para la cantidad de coeficientes que se implementó
en el filtro ya que la totalidad de los polos se encontra-
ron siempre dentro de la circunferencia de radio uno, tal
como se aprecia en la Figura . Esto es un requisito ne-
cesario para que el modelo teórico pueda ser coherente
con lo que esta ocurriendo fı́sicamente [4].

Figura 10: Mapeo de polos y ceros del filtro H(z) con

P=18.

La teorı́a nos indica que una mejor predicción se

obtiene a partir de implementar un mayor numero de
coeficientes, es decir, al aumentar el orden de los fil-
tros utilizados para describir el modelo. Sin embargo,
al graficar la respuesta en frecuencia de la señal predi-
cha a partir de distintas cantidades de coeficientes, no se
observaron variaciones significativas en frecuencias co-
mo se esperaban. Esto lo podemos apreciar en la figura
12. A pesar de esto, a medida que se aumenta el nume-
Figura 8: Mapeo de polos y ceros del filtro H(z) con ro de coeficientes, se constató que la señal predicha se
P=7. aproxima paulatinamente a la señal original.

6
Análisis y Sı́ntesis de voz humana mediante LPC
Figura 12: FFT de la señal aproximada linealmente con
dos P distintos.
4.3. Error de la predicción lineal
Teniendo en cuenta que el error de la predicción li-
neal se determina a partir de la diferencia entre la señal
original y su aproximación lineal, es pertinente anali-
zar el comportamiento del error al variar la cantidad de
polos implementada. La Figura 13 muestra la compara-
ción entre dos señales de error correspondientes a orde-
nes distintos del filtro inverso.
Figura 13: Error de predicción lineal. La imagen supe-
rior se obtiene con un orden igual a 5,y la inferior con
un orden igual a 50.
7
Procesamiento Digital de Señales
En esta ultima imagen se puede observar como el
error es menor a lo largo de toda la señal cuando se
realiza el proceso calculando 50 coeficientes de predic-
ción lineal. También se destaca la acentuación de cier-
tos picos de la señal, que permite una representación
mas exacta del periodo de la señal de excitación. A pe-
sar de ello, se esperaba un cambio mas notable ante el
aumento de la cantidad de coeficientes implementado
como en el caso de la respuesta en frecuencia observa-
da en la Figura 7.
4.4. Voiced o unvoiced speech
El hecho de que un determinado frame pertenezca al
voiced speech(es decir que actúan las cuerdas vocales)
o al unvoiced speech(compresión del aire por parte del
tracto vocal) es de suma relevancia a la hora de realizar
la predicción lineal, ya que el modelo se basa en el pri-
mer tipo de señales y por lo tanto responde con un me-
nor error ante estas, exceptuando en los instantes don-
de se produce la excitación. Esto permite determinar el
perı́odo de excitación del sistema mediante la autoco-
rrelación de la señal del error. En cuanto al unvoiced
speech, es necesario implementar un mayor numero de
coeficientes (más de 10) para que el modelo sea viable,
aunque produce un error constante de baja amplitud.
La Figura 14 detalla un fragmento de voiced speech
donde se puede apreciar la periodicidad de la señal y la
similitud de su error con un tren de pulsos periódico,
mientras que la Figura 15 muestra un fragmento corres-
pondiente al unvoiced speech, acompañado de su error
con variación de la amplitud constante.
Figura 14: Fragmento de voiced speech con su error co-
rrespondiente.
Análisis y Sı́ntesis de voz humana mediante LPC
Figura 15: Fragmento de unvoiced speech con su error
correspondiente.
4.5. Compresión del audio
Para determinar la compresión, se utiliza la relación
entre el número de muestras por ventana de la señal ori-
ginal, respecto del número de coeficientes que se ob-
tuvieron por ventana. A partir de un largo de ventana
igual a 10 ms, correspondiente a 441 muestras en el do-
minio discreto, y un número de coeficientes igual a 12,
el orden de magnitud de compresión es de 36,75 veces.
5. CONCLUSIONES
Como conclusión principal se puede afirmar que se
pudo aplicar correctamente el método de calculo de los
coeficientes de predicción lineal a partir del método de
Procesamiento Digital de Señales
autocorrelacion. Los resultados obtenidos se correspon-
dieron con lo analizado en la teorı́a, ası́ como también la
repercusión de los parámetros y variables crı́ticas men-
cionados y estudiadas. En cuanto a la sı́ntesis de la señal
(que llamamos señal de predicción, la cual se obtuvo
a partir de muestras anteriores de la señal original) se
observaron resultados acordes a lo esperado, como una
mayor aproximación a la señal original a medida que se
aumenta la cantidad de coeficientes calculados, o lo que
es equivalente, la disminución de la señal de error. A
pesar de esto, algunos resultados no pudieron ser expli-
cados con la teorı́a de trasfondo, como la casi instancia
de la respuesta en frecuencia de la señal a medida que se
variaban la cantidad de coeficientes de predicción cal-
culados. Esto puede deberse tanto como a una falla en
la interpretación de los resultados ası́ como también a
un posible defecto o error en el código realizado para la
obtención de estas curvas.
Respecto al método de sı́ntesis, queda pendiente el
estudio y la implementación del proceso de compresión
de la señal de error para poder finalmente manipular la
información de audio de maneara mas eficiente a partir
de bloques de datos mas sencillos de transmitir (menor
densidad de bits por segundo), además de incorporar la
detección de parámetros como la energı́a, el Zero Cros-
sing Count o el Pitch period con el fin de lograr un sis-
tema de sı́ntesis mas sofisticado.
Referencias
[1] Jeremy Bradbury. Linear predictive coding. 2005.
[2] Lawrence R. Rabiner and Ronald W. Schafer.
Theory and Applications of Digital Speech Proces-
sing. Pearson, 2011.
[3] Jean Francois Frigon and Vladislav Teplitsky. Im-
plementation of linear Predictive Coding. Spring,
2011.
[4] Christopher Felton. Python Zplane Function. DS-
PRELATED.com, 2011.