جداسازي تك گوشي گفتار صدادار مبتني بر روش هاي جديد انتخاب واحد هاي زمان - فركانس در فركانس هاي پايين و بالا

Monaural Voiced Speech Segregation Based on New Methods of Choosing Time-Frequency Units in Low and High Frequencies

چكيده: جدا سازي گفتار در حضور نويز و ساير تداخل ها، يكي از مسايل چالش برانگيز به ويژه در مورد جدا سازي تك گوشي مي باشد. از آن جا كه انتخاب دقيق واحد هاي زمان - فركانس تاثير بسزايي در نتايج جداسازي دارد، در اين مقاله، روش هاي جديدي براي انتخاب واحد هاي زمان - فركانس در جداسازي تك گوشي گفتار صدادار ارايه مي شود. در سيستم پيشنهادي ابتدا، واحد ها با استفاده از همبستگي بين كانالي پوش پاسخ ها در مرحله ي جداسازي اوليه علامت-گذاري مي شوند. سپس سيستم در مرحله ي رديابي گام و برچسب گذاري واحد ها، ويژگي هاي متفاوتي را براي برچسب-گذاري واحد ها در فركانس هاي بالا و پاين به كار مي برد. در اين مقاله از ويژگي تابع خودهمبستگي پوش بهبود يافته (EEACF) براي برچسب‌گذاري واحدهاي زمان-فركانس در حوزه فركانس بالا استفاده شده است. تاثير هر يك از اين روش ها نيز در نتايج جدا سازي مورد بررسي قرار گرفته است. ارزيابي سيستم جداسازي تك گوشي گفتار صدادار بر اساس معيار هاي مختلف عيني براي انواع نويز مخلوط شده با سيگنال هاي گفتار انجام گرفته كه نشان دهنده نتايج بهتر جدا سازي نسبت به روش هاي معمول مي باشد.

Abstract: Segregation of speech in presence of noise and other interferences is a challenging problem, especially in monaural case. Since accurate choice of time-frequency (T-F) units has great impact on segregation results, in this paper, we propose new methods for choosing T-F units in monaural voiced speech segregation. In the proposed system first, the units are marked using envelope cross-channel correlation in the initial segregation stage. Then, the system uses different features in the low and high frequencies for labeling of units in the pitch tracking and unit labeling stage. We use the enhanced envelope autocorrelation function (EEACF) for labeling T-F units in the high frequency range. We also consider the impact of each method on the segregation results. The evaluation of the monaural voiced speech segregation system based on different objective criteria is done for different types of noise mixed with speech signals which shows better segregation results than conventional methods.