Tecnologias Computacionais Aplicadas À Análise De Sinais De Voz

Transcrição

1 Tecnologias Computacionais Aplicadas À Análise De Sinais De Voz Charles Alexandre Blumm, José Luis Gómez Cipriano Instituto de Ciências Exatas e Tecnológicas (ICET) Centro Universitário Feevale Campus II RS 239, 2755 CEP: Novo Hamburgo RS {charlesblumm, Abstract. The goal of this work is the development of a computational system able to analyze acoustic speech signals and to extract parameters that characterize speech signals. This system is based in a friendly environment, which allows a better visualization obtained in the analysis. Resumo. Este trabalho tem por objetivo o desenvolvimento de um sistema computacional capaz de analisar sinais acústicos de voz e extrair parâmetros que caracterizem os sinais da fala. Este sistema está baseado em um ambiente de interface amigável que possibilita uma melhor visualização dos resultados obtidos na análise. 1. Introdução A fala é o modo mais natural de comunicação. A linguagem tem como função primordial servir de meio de comunicação entre as pessoas, pois através dela podemos expressar nossas idéias, sentimentos e angústias [Ribeiro 2002]. A análise computacional de sinais de voz visa processar computacionalmente o sinal e fornecer resultados, através da extração de determinados parâmetros, que possibilitem a sua leitura, interpretação e utilização para os mais diversos fins. Existem atualmente alguns softwares disponíveis no mercado que visam auxiliar os profissionais que estudam os sinais de voz, permitindo uma análise quantitativa dos parâmentos acústicos, através de um manuseio rápido e fácil. Alguns destes estão baseados no treinamento e pronúncia de vogais e consoantes, permitindo também a visualização de uma animação gráfica da pronúncia destas palavras. Outras ferramentas existentes servem para treinar as palavras e fonemas através de jogos interativos, (passíveis de avaliação pelo profissional), permitindo compreender como o paciente controla a freqüência e a intensidade da emissão ao longo do tempo de sustentação de uma vogal, o que corresponde ao controle da glote à passagem do ar pulmonar sonorizado. Outros softwares exibem o traçado espectrográfico, onde se pode comparar, de modo conveniente, as formantes e os harmônicos do som, com a possibilidade de se modificar o ganho através de um controle

2 em forma de régua deslizante na própria tela. Por meio desta análise é possível compreender a captação glótica, a ressonância vocal e a precisão articulatória da emissão do usuário. Este trabalho tem por objetivo o desenvolvimento de um sistema computacional capaz de analisar sinais acústicos de voz e extrair parâmetros que caracterizem os sinais da fala, visando uma melhor compreensão e interpretação dos dados contidos nestes sinais, a ser utilizado na área da saúde e no estudo e desenvolvimento de sistemas de reconhecimento automático de voz (RAV). 2. Parametrização do Sinal de Voz Existe um grande número de parâmetros que podem ser extraídos do sinal de fala. Estes parâmetros incluem energia, taxa de cruzamento por zero, taxa de cruzamentos de nível, pitch, freqüências formantes, entre outros. A maioria destes parâmetros se baseia na envoltória espectral do sinal, sendo quase uma constante em sistemas de análise de fala [Nunes 1996]. Inicialmente, as atenções foram voltadas para a aplicação da Transformada Rápida de Fourier (FFT Fast Fourier Transform), a extração do pitch, conhecido também como freqüência fundamental (f0) e as freqüências formantes (f1, f2 & f3), freqüências estas que compõem o sinal de voz. Um exemplo das freqüências que compõem um sinal de voz pode ser visto na figura Figura 1: Zoom da palavra "ciência" em Hz [Tafner 1996]. Já a figura 2 mostra o sinal de voz original (em vermelho) que é composto pela soma da uma senoide com freqüência igual à freqüência fundamental, ou pitch, (branco) e outras senoides com freqüências iguais às freqüências formantes (verde, amarelo e azul) Figura 2: Freqüências do sinal de voz.

3 A formula básica do algoritmo de aplicação da FFT, que permite obter a representação, A k do sinal de voz, x n, no domínio da freqüência é mostrada na equação 1: A k = N 1 n = 0 x n e jkωn / N (1) Onde Ω = 2π / N e N é o número de amostras do sinal de voz. O algoritmo para o cálculo das freqüências formantes do sinal de voz é representado pela equação (2), onde f 0, será dada pela valor máximo de f ( x ). Assim: onde: - n p f = f ( n + x p xm ) NP é o índice de localização do pico; - NP é o número de pontos espectrais; - f x é a freqüência de amostragem do sinal; - e x m é dado por: b X m = 2a 3. Resultados obtidos, 0, (2) Os resultados obtidos até o momento, possibilitam a disponibilização visual do sinal de voz na tela do computador, além da possibilidade de selecionar trechos do sinal de voz a serem ouvidos e visualizados. Outro fator importante obtido é a possibilidade da divisão do sinal de voz em intervalos de tempo de 20 milisegundos (220 amostras em uma freqüência de 11025Hz), possibilitando assim, uma melhor análise do sinal de voz, já que o mesmo é considerado estacionário apenas em curtos intervalos de tempo. Esta divisão do sinal de voz possibilita a aplicação da Transformada Rápida de Fourier (FFT) em cada vetor de dados gerados pela divisão do sinal de voz, permitindo obter a freqüência fundamental (pitch) e as freqüências formantes. Um exemplo do que foi desenvolvido e aplicado até o momento é mostrado nas figuras 3, 4 e 5. Estes estudos e implementações preliminares servem de base para a continuidade e o desenvolvimento do trabalho proposto. Na visualização gráfica do sinal de voz, uma linha é traçada entre as amostras em suas posições na memória, o que gera o desenho do gráfico. Esta visualização do sinal de voz é mostrada através de um gráfico, quando o arquivo de som refere-se a um arquivo mono, ou em dois gráficos, representando

4 o canal esquerdo e o canal direito do arquivo de som, quando este se refere a um arquivo de som estéreo. Figura 3: Tela do sistema de analise de parâmetros. Uma vez que a maioria das placas de som tem configurações diferentes, é possível configurar as propriedades da placa de som (Figura 4), como por exemplo, a freqüência (11025Hz, 22050Hz e 44100Hz), o tipo do canal de som (1 = mono e 2 = estéreo) e o número de bits por amostra (8 bits e 16 bits). será muito útil no momento de se definir a qualidade do arquivo de voz que se pretende obter. Figura 4: Configuração das propriedades da placa de som.

5 A análise do sinal de voz pode ser realizada a partir de um arquivo de voz previamente gravado (modo off-line ) ou também na medida em que o arquivo vai sendo lido a partir do terminal (modo on-line ). Para tanto, desenvolveu-se uma rotina de captura e visualização gráfica do sinal de voz on line, como pode ser visto na figura 5, de cima para baixo, onde, o primeiro gráfico representa o sinal de voz, da vogal a, capturado on-line, o segundo gráfico representa o espectro do sinal de voz da mesma vogal no domínio da freqüência enquanto o terceiro gráfico exibe o traçado da onda gerado pela aplicação da FFT na onda mostrada no primeiro gráfico. Figura 5: Captura e visualização gráfica do sinal de voz on-line. 4. Conclusão O trabalho realizado visou pesquisar tecnologias computacionais aplicadas à análise de sinais de voz, métodos, conceitos e aplicações. Atualmente, na área da saúde, os recursos da informática significam a certeza de poder armazenar todos os tipos de informações encontradas. A informática é uma solução tecnológica em terapia, não somente um recurso viável e criativo, mas sim, desejável em função do crescente uso da tecnologia no cotidiano dos indivíduos.

6 Também foi observado que a maioria de softwares disponíveis no mercado são bastante restritos e em alguns casos não permitem a manipulação dos dados gerados, ou modificar as condições de análise dos dados. Além disso, a estimação da freqüência fundamental (f0 ou pitch) e das freqüências formantes são medições úteis em termos de diagnóstico e como documentação das condições pré e pós-tratamento. A freqüência fundamental média é útil para se estimar a adequação do nível de freqüência para a idade e o sexo do paciente. As outras estatísticas (freqüências formantes) ajudam a avaliar e documentar a variação da freqüência fundamental durante a fala [Colton 1996]. O desenvolvimento deste sistema de análise de sinais de voz será de auxílio para profissionais da saúde possibilitando a estes, a oportunidade de oferecer a seus pacientes um melhor diagnóstico e tratamento para cada tipo de deficiência detectada, além de servir de base para o estudo e desenvolvimento sistemas de reconhecimento automático de voz (RAV). 5. Bibliografia Nunes, Henrique Ferreira. Reconhecimento de fala baseado em HMM. Dissertação submetida à Faculdade de Engenharia Elétrica e de Computação da Universidade Estadual de Campinas. Dezembro, Ribeiro, Roberta et al. Conhecimento da população a respeito da aquisição da linguagem. Anais da Feira de Informação Científica da FEEVALE, p. Souza, Lourdes B. R. Fonoaudiologia Fundamental. Rio de Janeiro: Revinter, Tafner, Malcon Anderson. Reconhecimento de Palavras Faladas Isoladas Usando Redes Neurais Artificiais. Santa Catarina: (Dissertação de Mestrado). Programa de Pós-Graduação em Engenharia de Produção. UFSC, 1996.