Detector de voz
0 recomendaciones1,532 vistas
Este documento describe un detector de voz simple implementado en MATLAB. Primero se lee una señal de audio, se calcula su densidad espectral de energía y potencia en dB para cada ventana de tiempo. Luego, se cuentan los cruces por cero en cada ventana y se compara la energía y cruces por cero para determinar si hay voz o no. Finalmente, se multiplica la señal por un vector de banderas para marcar los intervalos de voz. El detector funciona mejor con la señal de referencia que con otra señal debido a diferencias en la grabación.
Detector de voz
- 1. DETECTOR DE VOZ SIMPLE EN MATLAB Mauricio Herrera Duran C.C 1128453482 Jonny Uribe Tratamiento de Señales III Universidad de Antioquia Ingeniería de Telecomunicaciones Medellín 2012
- 2. Como funciona La primera parte del código es básicamente la misma empleada para el vocoder, en la que se lee una señal, se le quita el nivel DC y es graficada en el tiempo. La única diferencia es que para garantizar una cantidad exacta de ventanas mas adelante, se aumento la señal hasta un múltiplo entero de las ventanas con AWGN el cual no será interpretado como voz. Luego mediante la transformada de Fourier se calcula la densidad espectral de energía de la señal por cada ventana y al dividirla por el tiempo entre muestras se tiene la potencia de la señal, luego se pasa a decibeles en donde se puede dar una clasificación de intensidad de sonidos según esos decibeles. Ahora que tenemos la energía, podemos contar los cruces por cero que tiene una señal en una ventana de 30ms. Ahora con la energía y la cantidad de cruces por cero podemos hacer un apareamiento de ellos, para tener más control sobre la decisión a tomar. FUENTES DE SONIDO DECIBELES Umbral de audición 0 Susurro, respiración normal, pisadas suaves 10 Rumor de las hojas en el campo al aire libre 20 Murmullo, oleaje suave en la costa 30 Biblioteca, habitación en silencio 40 Tráfico ligero, conversación normal 50 Oficina grande en horario de trabajo 60 Conversación en voz muy alta, gritería, tráfico 70 intenso de ciudad Timbre, camión pesado moviéndose 80 Aspiradora funcionando, maquinaria de una fábrica 90 trabajando Banda de música rock 100 Claxon de un coche, explosión de petardos o 110 cohetes empleados en pirotecnia Umbral del dolor 120 Martillo neumático (de aire) 130 Avión de reacción durante el despegue 150 Motor de un cohete espacial durante el despegue 180 Según la anterior tabla para 30dB o más ya hay posibilidad de voz humana, por lo menos murmullosamente. Por tanto tomé 35dB como la potencia a considerar necesaria para un
- 3. posible estado de voz. Pero esto se tiene que contrastar con la cantidad de cruces por cero, así que según la potencia en dB y la cantidad de cruces por cero se tomara una mejor decisión. La cantidad de cruces por cero es supuesta mayor donde hay voz y menor donde no la hay, ya que sacando unas graficas de las ventanas se noto que en los periodos donde no hay voz la señal es por decirlo muy rebelde, puede que sea de mucha frecuencia pero puede estar siempre en el eje positivo o negativo cruzando solamente una vez por cero, mientras que la señal donde hay voz es mas bien definida y debido a su carácter de periodicidad garantiza varios cruces por cero, para notarlo miremos: Graficas de no voz En las dos primeras graficas donde la escala vertical esta en el orden de se puede notar en la mayoría del tiempo la señal estuvo en un solo cuadrante de los dos posibles en amplitud, cruzando pocas veces por cero mientras que en la ultima donde la escala esta en orden unitario la señal cruzo mas veces por cero, de aquí mis deducciones en la parte de comparaciones con la energía y cruces por cero, para la señal sonido7. Digo esto porque no
- 4. todas las señales se comportan igual y dado el carácter de simple y los análisis que se hicieron, se esperaría que este detector funciones muy bien con la señal de referencia (sonido7) y no tan bien con una señal proveniente de otra fuente. Esto se comparara mas adelante. Ahora multiplicamos la señal por un vector de banderas que tenia un 1 si el intervalo es de voz y 0 si no lo es, por lo que donde no hay voz quedará una línea recta horizontal en cero y si la hay quedara la señal tal cual. Por ultimo se pinta las partes donde hay voz con la función cuadrada discreta. Estrategias usadas para probarlo Comparaciones Sonido7.wav vs vozmauro.wav
- 5. Sonido7.wav Señal con intervalos de voz 1 amplitud 0 -1 -2 0 1 2 3 4 5 6 7 n señal original 1 amplitud 0 -1 -2 0 1 2 3 4 5 6 7 n Recoratada con vector bandera 1 amplitud 0 -1 -2 0 1 2 3 4 5 6 7 n Densidad espectral de la señal original 60 amplitud 40 20 0 0 50 100 150 200 250 n
- 6. Vozmauro.wav Señal con intervalos de voz 2 amplitud 0 -2 0 0.5 1 1.5 2 2.5 3 3.5 4 n señal original 2 amplitud 0 -2 0 0.5 1 1.5 2 2.5 3 3.5 4 n Recoratada con vector bandera 2 amplitud 0 -2 0 0.5 1 1.5 2 2.5 3 3.5 4 n Densidad espectral de la señal original 60 amplitud 40 20 0 0 20 40 60 80 100 120 140 n Claramente se ve como la actuación del programa frente a la señal sobre la que se hizo el análisis fue casi perfecto mientras que con otra no fue lo suficientemente eficaz. En sonido 7 vemos como la posición 3 de la grafica muestra la señal multiplicada por las banderas, las cuales recortaron de manera aceptable los periodos con voz dejando los que no tenían voz con
- 7. una amplitud de cero, mientras que en vozmauro.wav las banderas recortaron pedazos que no debían cortar. Tocaría ver en que ambiente fue grabada una señal respecto a la otra, ya que por debajo pueden haber sonidos interferentes o simplemente el aparato con el que se grabo pudo introducir niveles diferentes en una u otra grabación. Comparación de cruces y no cruces. Aquí vamos a comparar como funciona el programa teniendo en cuenta los cruces por cero mas la energía con uno que solo tenga en cuenta la energía sobre el audio sonido7.wav. Cruces más energía Señal con intervalos de voz 1 amplitud 0 -1 -2 0 1 2 3 4 5 6 7 n señal original 1 amplitud 0 -1 -2 0 1 2 3 4 5 6 7 n Recoratada con vector bandera 1 amplitud 0 -1 -2 0 1 2 3 4 5 6 7 n Densidad espectral de la señal original 60 amplitud 40 20 0 0 50 100 150 200 250 n
- 8. Solo energía (sin cruces) Señal con intervalos de voz 1 amplitud 0 -1 -2 0 1 2 3 4 5 6 7 n señal original 1 amplitud 0 -1 -2 0 1 2 3 4 5 6 7 n Recoratada con vector bandera 1 amplitud 0 -1 -2 0 1 2 3 4 5 6 7 n Densidad espectral de la señal original 60 amplitud 40 20 0 0 50 100 150 200 250 De las anteriores graficas se puede decir que ambas muestran igual eficiencia en cuanto a los intervalos de voz que debían marcar, ya que por ejemplo si en la figura 1 se pinto un espacio que era de no voz en la figura 2 no salió pintado, mas si embargo hay otra parte donde pasa exactamente lo contrario, así que ambos muestran la misma eficiencia de desempeño. Si miramos la señal azul en ambos casos se ve que su semejanza con la original es grande pero si contamos exactitudes ganara el código que suma cruces por cero contra el que no lo hace ya que este ultimo dejo perder mas información que el primero. Ahora comparemos ambos códigos con vozmauro.wav
- 9. Cruces más energía Señal con intervalos de voz 2 amplitud 0 -2 0 0.5 1 1.5 2 2.5 3 3.5 4 n señal original 2 amplitud 0 -2 0 0.5 1 1.5 2 2.5 3 3.5 4 n Recoratada con vector bandera 2 amplitud 0 -2 0 0.5 1 1.5 2 2.5 3 3.5 4 n Densidad espectral de la señal original 60 amplitud 40 20 0 0 20 40 60 80 100 120 140 n
- 10. Solo energía (sin cruces) Señal con intervalos de voz 2 amplitud 0 -2 0 0.5 1 1.5 2 2.5 3 3.5 4 n 1 0.5 0 0 1 2 3 4 5 6 7 Recoratada con vector bandera 2 amplitud 0 -2 0 1 2 3 4 5 6 7 n Densidad espectral de la señal original 60 amplitud 40 20 0 0 50 100 150 200 250 Si comparamos los dos programas se nota claramente como el que no tiene los cruces por cero tuvo mejor desarrollo sobre una señal sobre la que no se analizo nada durante su desarrollo que el que conto los cruces, esto es básicamente debido a lo que se dijo anteriormente, no sabemos como y en que forma y con que características fue grabada la señal, por tanto un programa mas general seria el que no cuenta cruces y uno mas especifico sobre una señal que se tiene un previo conocimiento valdría la pea utilizar el que si cuenta los cruces.
- 11. A demás para efectos de multiplicidad se introdujo ruido aleatorio de distribución normal. En sonido7 el programa que cuenta cruces no lo detecto como voz mientras el que no cuenta cruces lo marco como si fuera voz, así que este resultado hace mejor al cuenta cruces que el que no sobre, como dije, una señal sobre la que hay un previo conocimiento. Si no se tiene un previo conocimiento se debe utilizar el mas general que es que utiliza solo densidad espectral de energía. Fuentes http://es.calameo.com/read/000188805b50ca74ebdee http://arantxa.ii.uam.es/~tco/Practicas/Anexo_Representacion_Espectros.pdf http://es.wikipedia.org/wiki/Se%C3%B1al_de_voz#Energ.C3.ADa_y_cruces_por_cero http://www.asifunciona.com/tablas/intensidad_sonidos/intensidad_sonidos.htm