Traducido del inglés al español - www.onlinedoctranslator.
com
Conferencia Internacional sobre Energía, Comunicación, Análisis de Datos y Soft Computing (ICECDS-2017)
Compresión del habla a nivel semántico inteligible
Algoritmo de preservación del contenido emocional
Firos A
Departamento de Informática e Ingeniería,
Universidad Rajiv Gandhi
Doimukh, Arunachal Pradesh, India
firos.a@rgu.ac.in
Abstracto—La codificación del habla se refiere a la compresión para la
transmisión o el almacenamiento, posiblemente hasta un estado ininteligible, con
la descompresión utilizada antes de la reproducción. Este artículo intenta formular
la técnica de compresión de nivel semántico en señales de voz conservando sus
características prosódicas. Se realizará un análisis LPC para identificar la
característica del discurso de entrada. GMM se utilizará para preservar el
contenido emocional durante la codificación. ANN se utilizará para identificar las
mejores características para la codificación. El uso de dicha codificación basada en
la semántica reducirá en gran medida la sobrecarga computacional en los
codificadores de voz.
Palabras clave— Codificación del habla; G.723.1, iLBC; agrupamiento
difuso; ventanas; ANA
yo yoNTRODUCCIÓN
Se llama la compresión de sonido tridimensional de Google y
sus fundadores insisten en el estricto anonimato de su método de
compresión. En este método de compresión en particular, ha
ensamblado un método para codificar múltiples señales de audio
direccionales utilizando un códec integrado por un dispositivo de
comunicación inalámbrica.
El uso tintineante y la popularidad del zumbido son prueba de
que la compresión de sonido tridimensional ya es un éxito con su
capacidad para capturar, comprimir y transmitir audio
tridimensional (3-D). Y no es de extrañar, mirando lo que el menú
tiene reservado para los entusiastas de VoIP. El VoIP moderno
puede ofrecer la grabación de una pluralidad de señales de audio
direccionales y un delicioso postre de transmisión de audio
tridimensional (3-D) con la máxima compresión.
Aún así, el misterio que es imposible de descifrar es: quién entre los
códec VoIP brindará la mejor tasa de compresión. Los fundadores del códec
de voz a menudo optan por permanecer en secreto e informar a los usuarios
con el mejor valor en lugar de su puntaje promedio. Los códecs considerados
para el estudio comparativo: G. e iLBC, lo hacen de forma ligeramente
diferente y, por lo general, se unen a las mejores o más talentosas redes de
soluciones de VoIP que crean una comida especial para sus usuarios.
Este artículo está organizado de la siguiente forma: La Sección II
describe varias técnicas de codificación de voz existentes. La Sección III
describe los codificadores de voz propuestos y sus características. La
Sección IV describe el Estudio Comparativo. Finalmente, la Sección V
concluye el documento.
978-1-5386-1887-5/17/$31.00 ©2017 IEEE
3041
Profesor Utpal Bhattacharjee
Departamento de Informática e Ingeniería,
Universidad Rajiv Gandhi
Doimukh, Arunachal Pradesh, India
utpal.bhattacharjee@rgu.ac.in
II. miTÉCNICAS DE SÍNTESIS DEL HABLA EXISTENTE
En todo el mundo, están surgiendo códecs VoIP secretos
similares que eliminan la formalidad de la experiencia de chat de
voz e inyectan un nuevo elemento sociable. Ofrecen una tentadora
combinación de claridad superlativa que no pudimos lograr hasta
ahora, combinada con la mejor frecuencia de muestreo y
velocidades de bits variables, y estándares de red cuidadosamente
seleccionados.[1]
A pesar de que estos son CELP exclusivos y de bajo retraso, los
códecs con pérdida como G.728 están disponibles, no se usan
ampliamente ya que no ofrece acceso VBR, estéreo y multicanal para
sus usuarios.[1] Cada vez que algún códec agrega un favor, una alta
tasa de compresión más allá de cierto nivel pasa por la debilidad [2].
por lo que necesita un veterinario y los agrega a la lista de selección
para los estándares de comunicación de voz adecuados solo después
de eso.
La estrategia de codificación para este estudio se limitó a estándares
dentro de los siguientes 14 sectores definidos de acuerdo con la herramienta
de evaluación perceptual de la calidad del habla (PESQ) de ITU-T Fuentes
(P.862 (02/01):
Codificación de voz de banda estrecha
• G.723.1, G.726, G.728, G.729, iLBC y otros para
VoIP o videoconferencia
• Tarifa completa, tarifa media, EFR, AMR para redes GSM
• SMV para redes CDMA Codificación
de voz de banda ancha
• G.722, G.722.1, Speex y otros para VoIP y
videoconferencia
• AMR-WB para redes WCDMA
• VMR-WB para redes CDMA2000
El G.722 utiliza un algoritmo ADPCM de subbanda con pérdida con
una frecuencia de muestreo de 16 kHz. Funciona con una tasa de bits
de 64 kbit/s (comprende audio de 48, 56 o 64 kbit/s y datos auxiliares de
16, 8 o 0 kbit/s) y tendrá 14 bits/muestra con una latencia de 4 ms.
Admite tasa de bits constante (CBR) y no admite tasa de bits variable
(VBR)[3]. El G.722.1 utiliza un algoritmo con pérdida de transformación
modulada superpuesta (basado en el códec Siren). Funciona a una tasa
de bits de 24,32 kbits/seg y tendrá 16
 Conferencia Internacional sobre Energía, Comunicación, Análisis de Datos y Soft Computing (ICECDS-2017)
bits/muestra con una latencia de 40 ms. Admite tasa de bits
constante (CBR) y no admite tasa de bits variable (VBR). El G.722.1C
utiliza un algoritmo con pérdida de transformación modulada
superpuesta (basado en el códec Siren). Funciona con una tasa de
bits de 24,32 kbits/seg y tendrá 16 bits/muestra con una latencia de
40 ms. Admite una tasa de bits constante (CBR) y no admite una
tasa de bits variable (VBR).
El G.722.2 (AMR-WB) utiliza un algoritmo Lossy ACELP de banda ancha
de frecuencia múltiple con una frecuencia de muestreo de 16 KHz. Funciona
con velocidades de bits de 6,60, 8,85, 12,65, 14,25, 15,85, 18,25, 19,85, 23,05,
23,85 kbit/s y tendrá 14 bits/muestra con una latencia de 25 ms. Admite
velocidad de bits constante (CBR) y velocidad de bits variable (VBR). El G.723
utiliza un algoritmo ADPCM con pérdidas con una frecuencia de muestreo de
8 KHz. Funciona con una velocidad de bits de 24, 40 kbit/s y tendrá 13 bits/
muestra... admite una velocidad de bits constante (CBR) y no admite una
velocidad de bits variable (VBR). El G.723.1 utiliza un algoritmo MP-MLQ,
ACELP, Lossy con una frecuencia de muestreo de 8 KHz[4]. Funciona con una
velocidad de bits de 5,3, 6,3 kbit/s y tendrá 13 bits/muestra con una latencia
de 37,5 ms. Admite una velocidad de bits constante (CBR) y no admite una
velocidad de bits variable (VBR).
iLBC, otro códec lo hace de manera ligeramente diferente. El iLBC utiliza
un algoritmo con pérdida de codificación predictiva lineal independiente de
bloque con una frecuencia de muestreo de 8 KHz. Funciona con una tasa de
bits de 15,2 kbit/s para tramas de 20 ms, 13,33 kbit/s para tramas de 30 ms.
Admite tasa de bits constante (CBR) y no admite tasa de bits variable (VBR)
[5].
Cambie la escena a G.729 y las tablas de las modernas técnicas de
codificación de VoIP. El cambio reciente de la codificación de voz como G.729
(utilizado en videoconferencias) también se basó en gran medida en esta
idea simple, así como en el hecho relacionado de que una amplia cobertura
fortalece los estándares de codificación para un VoIP sofisticado. Aquí hay
una lección importante para lo propuesto por los desarrollos recientes de los
estándares de codificación de voz.
tercero PAGROPUESTOALGORITMO
. La descripción del códec
• El discurso de entrada se dará para el análisis de LPC
para obtener el LPC
. El resultado será el error variable más pequeño.
coeficientes según la sílaba, , , ,------
- - - - - - - - - - - . Estos parámetros se encuentran con la
ayuda de LPC. Obtenemos esta señal en su z -
transformar X(z) = , . El resultado será
tener p ecuaciones y p incógnitas ( , , , - - - -
- - - - - - - - - - - - - ) cada 20ms. así que tenemos que encontrar
en cada 20ms. Dado que esto no es computacionalmente
, se usará el método de correlación automática.
eficiente
obtenemos Entonces , =S(m+n)w(m) ; donde (m) es el
ventana ; 0<=m<=N-1. Entonces nosotros
= . Con esto obtendremos
= , donde R_n (k)= _(m=0)^(N-S_n
1k) S_n (m) (m+k) ; R_n (k) va a
ser incluso función. Con esto para i—1,2,----p
obtendremos a matriz
X =
Curiosamente, dado que los elementos diagonales son
algunos y es una matriz Toeplits, es computacionalmente
fácil para LPC para calcular su
• En el momento en que LPC continúe con el análisis de las
características probabilísticas, el análisis de la voz emocional
basado en el modelo de mezcla gaussiana (GMM) se realizará
en el mismo marco para encontrar las características
prosódicas. Simultáneamente, el bloque MFCC extrae las
características de la señal de voz. El número total de
muestras elegidas en un cuadro es 256 y las muestras
superpuestas con el cuadro adyacente serán 128. Adquirimos
los coeficientes cepstrales de MFCC a la salida del bloque
MFCC. En GMM, el algoritmo K-mean se usa para obtener un
número de grupo específico para cada vector de observación
y establece el centroide del vector de observación. Después
de agrupar el modelo, devuelve un centroide para cada
grupo K y se refiere al número de grupo más cercano. El
algoritmo K-mean se describe como las distancias al
cuadrado entre cada vector de observación y sus centroides.
En la sección de entrenamiento, los parámetros del modelo
GMM se producen iterativamente mediante el algoritmo de
maximización de expectativas (EM). La distancia euclidiana se
encuentra entre el vector de observación y los centriodes de
su grupo para hacer coincidir la palabra hablada con la base
de datos actual [3]. El método propuesto se representa en la
figura 1.
• las matrices , e y w se tomarán en la red neuronal de
alimentación directa. Un algoritmo de red neuronal de
alimentación directa incluye los siguientes pasos:
1. Inicializar pesos y sesgos a
pequeños números aleatorios.
2. Presentar datos de entrenamiento a neural
red y calcule la salida propagando la
entrada hacia adelante.
3. cambiando en número de ocultos
capas y función de transferencia para cada capa
oculta y para la capa de salida y también
cambiando el número de neuronas en cada
capa oculta hasta alcanzar la máxima tasa de
reconocimiento e identificación de idioma o el
tener mínimo error.
3042
Conferencia Internacional sobre Energía, Comunicación, Análisis de Datos y Soft Computing (ICECDS-2017)

señal de voz

Extracción

Transformada de coseno discreta

Extracción
Característica
Característica

Transformada de coseno discreta

Coeficientes globales
normalización

Selección de coeficientes

Extracción de características MFCC y Análisis LPC

Agrupación difusa de k-media

Conjuntos de entrenamiento

Conjuntos de prueba

Capacitación RNA
clasificación

Pruebas de RNA

Elección de MFCC: función

agrupada efervescente o LPC
función para codificar

Fig 1. El método de codificación propuesto

3043
 Conferencia Internacional sobre Energía, Comunicación, Análisis de Datos y Soft Computing (ICECDS-2017)
• La red neuronal de alimentación hacia adelante dará la opción de
MFCC: función agrupada efervescente o función LPC para la
codificación
IV. RESULTADOS Y DISCUSIÓN
El estudio comienza con el análisis comparativo del método
propuesto con el algoritmo: iLBC
Fig.2 Codificación y decodificación para iLBC
Fig.3 Codificación y decodificación para los sistemas propuestos
La simulación de MATLAB de la voz de entrada para iLBC y los
codificadores propuestos se han trazado gráficamente (Fig.1-Fig.2). El
método propuesto reproduce la señal más fielmente a la señal original en
comparación con otros codificadores. Se observa que a medida que
disminuye la tasa de bits, los requisitos de cálculo aumentan mucho para
los diferentes bits utilizados. Esta es la motivación para la propuesta de un
código de habla basado en la semántica. La estimación de LP para iLBC se
muestra en la figura 3. Esto introduce un retraso y un aumento en el costo
de implementación. Sin embargo, para la misma cantidad de bits, el
ancho de banda utilizado en G.723.1 e iLBC se reduce mucho más que en
los codificadores de forma de onda, lo que los hace más adecuados en
situaciones de escasez de ancho de banda.
3044
Fig. 4. Estimación de LP para el método propuesto
CONCLUSIÓN V
En este artículo, se presentan métodos novedosos de compresión de voz
basados en la semántica que logran la mejor calidad de voz posible a baja tasa
de bits, con restricciones de complejidad y retardo.
Este artículo propone un mecanismo para codificar el
habla preservando su contenido emocional. La preservación
emocional se logró con la ayuda de GMM usando GMM
donde en la semántica del discurso se puede identificar con
su contenido emocional. Dado que la precisión es una
preocupación en GMM, también se incorporará LPC y se
realizará una mejor elección de la función GMM o LPC para la
decodificación con la ayuda de ANN.
Los algoritmos de codificación del habla mejoran día a día para
abordar los problemas de los estándares de comunicación del habla. A
pesar de que este problema se aborda y resuelve, la industria de VoIP
demanda códigos de voz eficientes en energía de bits más bajos.
Referencias
[1] Ying-Hui Lai, Fei Chen, Yu Tsao, "Compresión de rango dinámico adaptativo para
mejorar la percepción del habla basada en envolventes: Implicaciones para los
implantes cocleares" Springer, Tecnología y arquitectura emergentes para
análisis de big-data, páginas 191-214, abril de 2017
[2] Stanislav Gorlow; Joshua D. Reiss .”Model-Based Inversion of Dynamic Range
Compression” IEEE, IEEE Transactions on Audio, Speech, and Language
Processing , Página(s): 1434 - 1444, Volumen: 21 Publicación: 7, julio de
2013
[3] Virendra Chauhan, Shobhana Dwivedi, Pooja Karale, Prof. SM Potdar
"CONVERTIDOR DE VOZ A TEXTO CON EL MODELO DE MEZCLA DE
GAUSSIAN (GMM) ", International Journal of Engineering Research
and Applications (IJERA), ISSN: 2248-9622, Vol. 2, número 3, mayo-
junio de 2012, pp.1169-1173.
[4] Dhinesh Babu LD, P. Venkata Krishna, "El comportamiento de las abejas melíferas
inspiró el equilibrio de carga de tareas en entornos de computación en la nube",
Applied Soft Computing 13 (2013), págs. 2292–2303.
[5] Matthias Schmidt,Niels Fallenbeck,Matthew Smith,Bernd
Freisleben,"Distribución eficiente de máquinas virtuales para
computación en la nube", Actas de la 18.ª Conferencia Euromicro de
2010 sobre procesamiento paralelo, distribuido y basado en red,
IEEE Computer Society Washington, DC, (2010), págs. 567-574