Jürgen Dick - Lehrstuhl Algorithmen & Datenstrukturen, Institut für ...

Weitere Magazine

Empfehlungen

Info

$(LMS\) an der Universität Freiburg - Lehrstuhl Algorithmen ...$

58 KAPITEL 3. EXTRAKTION VON AUDIO-FEATURES finde absoluten Peak-Level in den ersten 10ms setze Clipping-Level finde absoluten Peak-Level in den letzten 10ms IPK1 IPK2 ¢¡ ©¤£¦¥¨§¨£© ¡ © § Schwellwertbestimmung Tiefpaßfilter © £¦¥¨§ Windowing stimmhaft, Periode = IPOS Center clipper Stille-Detektor short-term autocorrelation finde Position, Wert des AC-Peaks IPK IPOS vergleiche Peak-Wert mit V/U Schwellwert stimmlos Abbildung 3.10: Blockdiagramm des AUTOC Pitch-Detektors [28] Stille
3.4. FUNDAMENTALFREQUENZ (PITCH) ¢¡ Pitch F0 300 250 200 150 100 50 0 1000 1200 1400 1600 1800 2000 Frame-Index Abbildung 3.11: Ausschnitt aus einem Pitch-Verlauf, der mit dem AUTOC-PDA berechnet wurde. Der Pitch-Detektions-Algorithmus nach BOERSMA Ein zweiter Ansatz zur Bestimmung der Pitch stammt von BOERSMA [5] und wird durch Abbildung 3.12 verdeutlicht. Er beschreibt einen PDA, der verschiedene Kritikpunkte an Verfahren basierend auf der Autokorrelation beseitigen soll. Zunächst wird die Abtastfrequenz verdoppelt (Upsampling). Mit Hilfe dieser Operation sollen die sidelobes (vergleiche Abschnitt 3.1) der Fouriertransformation des Hanning-Fensters <strong>für</strong> Signalkomponenten nahe der Nyquistfrequenz entfernt werden. Hierzu wird das Signal mit einer N-Punkt FFT in den Frequenzbereich transformiert. Im Frequenzbereich wird nun ein linearer (Tiefpaß-)Filter angewendet. Der nächste Schritt besteht dann darin, eine 2N-Punkt inverse FFT durchzuführen. Es folgt das Windowing mit Hilfe eines Hanning-Fensters, bei dem das Sprachsignal in Frames zerlegt wird. Im Anschluß daran wird die short-term autocorrelation des entstandenen Frames berechnet, normalisiert und durch die (normalisierte) AKF des Hanning-Fensters dividiert. Durch die Division wird dem abfallenden Charakter der AKF entgegengewirkt. Zudem wird nicht nur ein einzelner Peak-Wert und die daraus resultierende Pitch berechnet, sondern mehrere Kandidaten. Diese werden nach bestimmten Gesichtspunkten gewichtet. Dies bedeutet, daß es zu jedem Frame mehrere Pitch- Kandidaten gibt. In einem Postprocessing wird dann mit Hilfe von dynamischer Programmierung ein günstigster Pfad durch die Menge der Kandidaten bestimmt. Das Verfahren soll um mehrere Ordnungen genauer sein als übliche PDAs und zudem wesentlich flexibler und robuster. Der ModifiedACF-Pitch-Detektions-Algorithmus Der im folgenden beschriebene PDA basiert auch auf der in diesem Kapitel beschriebenen shortterm autocorrelation und soll fortan ModifiedACF-PDA genannt werden. Er stellt eine Vereinfachung des oben erläuterten PDAs von BOERSMA dar. Dies ist auch der Algorithmus, der später bei der Emphasis-Detektion (siehe Kapitel 4.2) eingesetzt wird. Abbildung 3.13 zeigt 59
Seite 1 und 2:
ALBERT-LUDWIGS-UNIVERSITÄT FREIBUR
Seite 3:
Vorwort Ich möchte mich bei Prof.
Seite 6 und 7:
6 INHALTSVERZEICHNIS 3 Extraktion v
Seite 8 und 9: Abbildungsverzeichnis 1.1 Story Seg
Seite 10 und 11: Tabellenverzeichnis 3.1 Mathematisc
Seite 12 und 13: 12 KAPITEL 1. EINLEITUNG, MOTIVATIO
Seite 20 und 21: Kapitel 2 Grundlagen der Sprachanal
Seite 22 und 23: 22 KAPITEL 2. GRUNDLAGEN DER SPRACH
Seite 40 und 41: Kapitel 3 Extraktion von Audio-Feat
Seite 42 und 43: 42 KAPITEL 3. EXTRAKTION VON AUDIO-
Seite 70 und 71: Kapitel 4 Segmentierungsverfahren I
Seite 72 und 73: 72 KAPITEL 4. SEGMENTIERUNGSVERFAHR
Seite 86 und 87: 86 KAPITEL 5. EVALUATION grobe Segm
Seite 88 und 89: 88 KAPITEL 5. EVALUATION Topic Begi
Seite 90 und 91: 90 KAPITEL 5. EVALUATION Die folgen
Seite 92 und 93: 92 KAPITEL 5. EVALUATION Datei: ga7
Seite 94 und 95: 94 KAPITEL 5. EVALUATION Analyse Ei
Seite 96 und 97: 96 KAPITEL 5. EVALUATION dsaas §
Seite 98 und 99: 98 KAPITEL 5. EVALUATION Präferenz
Seite 100 und 101: 100 KAPITEL 5. EVALUATION Segment-L
Seite 102 und 103: 102 KAPITEL 5. EVALUATION Precision
Seite 104 und 105: Kapitel 6 Zusammenfassung und Ausbl
Seite 106 und 107: Anhang A Beispiel einer Text-Transk
Seite 108 und 109:
108 ANHANG A. BEISPIEL EINER TEXT-T
Seite 110 und 111:
Anhang B Segmentierung am Beispiel
Seite 112 und 113:
112ANHANG B. SEGMENTIERUNG AM BEISP
Seite 114 und 115:
114ANHANG B. SEGMENTIERUNG AM BEISP
Seite 116 und 117:
Literaturverzeichnis [1] AOF - Auth
Seite 118 und 119:
118 LITERATURVERZEICHNIS [23] OTTMA
Alle anzeigen

Jürgen Dick - Lehrstuhl Algorithmen & Datenstrukturen, Institut für ...

Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.

Template löschen?

Als Template speichern?