Nghiên cứu phương pháp nhận dạng phân biệt tiếng nói với âm nhạc
Đỗ Thị Loan và Đtg
Tạp chí KHOA HỌC & CÔNG NGHỆ
112(12)/2: 89 - 95
NGHIÊN CỨU PHƯƠNG PHÁP NHẬN DẠNG PHÂN BIỆT
TIẾNG NÓI VỚI ÂM NHẠC
Đỗ Thị Loan, Lưu Thị Liễu, Nguyễn Thị Hiền
Trường Đại học Công nghệ thông tin và Truyền thông – ĐH Thái Nguyên
TÓM TẮT
Tự động nhận dạng phân biệt tiếng nói với âm nhạc là công cụ quan trọng trong nhiều ứng dụng đa
phương tiện. Để nhận dạng phân biệt tiếng nói với âm nhạc, chúng tôi đã sử dụng ba đặc trưng: tần
suất vượt điểm không cao (HZCRR), tỷ lệ khung có năng lượng ngắn hạn thấp (LSTER), độ biến
thiên phổ (SF) và thuật toán sử dụng để huấn luyện cũng như nhận dạng là K-NN (K Nearest
Neighbor). Dữ liệu là các đoạn nhạc gồm nhiều thể loại từ nhạc không lời tới nhạc có lời (nhạc
Việt Nam, nhạc Rock, nhạc Pop, Đồng quê), các đoạn tiếng nói của giọng nam và nữ bằng tiếng
Việt. Trong bài báo này mục đích nghiên cứu ban đầu của chúng tôi chủ yếu là nhận dạng phân
biệt hai loại âm thanh: tiếng nói và âm nhạc với kết quả thu được có độ chính xác khá cao, với
tiếng nói có độ chính xác xấp xỉ 84%, âm nhạc là 92%. Trong tương lai chúng tôi mong muốn phát
triển hệ thống có khả năng nhận dạng phân biệt nhiều lớp âm thanh hơn.
Từ khóa: Phân biệt, tiếng nói, âm nhạc, nhạc Việt Nam, tiếng Việt.
GIỚI THIỆU*
tra tín hiệu âm thanh trong khoảng thời gian
đủ ngắn (giữa 5 và 100msec), ta có thể nhận
thấy đặc điểm của nó là khá cụ thể. Tuy nhiên
trong thời gian dài, các đặc tính của tín hiệu
thay đổi để phản ánh đặc điểm của chuỗi tín
hiệu như một bài phát biểu hay một đoạn
nhạc. Trong phần này, chúng tôi đưa ra một
số nhận định về sự khác biệt giữa tiếng nói và
âm nhạc như sau:
Nhận dạng phân biệt tiếng nói với âm nhạc là
một phần trong hệ thống phân loại âm thanh
ASC (Audio Signal Classifier) [1] hay trong
hệ thống nhận dạng các khung cảnh âm thanh
CASR
(Computeral
Audio
Scence
Recognizer) [2], nhận dạng các chương trình
trên ti vi [3], [4], hay hệ thống phiên dịch nốt
nhạc AMTS [5]. Để xây dựng một hệ thống
hoàn chỉnh thì rất khó khăn vì âm thanh rất
phong phú, đa dạng và mỗi loại có những đặc
trưng riêng, sự kết hợp giữa chúng tạo nên vô
vàn các dạng âm thanh khác nhau, điều này
ảnh hưởng lớn đến việc phân loại các khung
cảnh âm thanh. Hầu hết các nghiên cứu nhận
dạng phân biệt các lớp âm thanh đều căn cứ
theo từng trường hợp mà bạn đưa về số lớp,
và một vài điều kiện ràng buộc khác. Chẳng
hạn phân loại âm thanh thành bốn lớp: âm
nhạc, tiếng nói, nhiễu, khoảng lặng [4], [6]
hoặc chỉ phân thành tiếng nói và âm nhạc
không thôi [3], [7].
- Thanh điệu: Giai điệu có ý nghĩa sự biểu
thị của dạng sóng âm thanh. Âm nhạc có xu
hướng được tạo ra từ sự đa dạng của các tần
số. Còn tiếng nói có giai điệu từ chính sắc
điệu và giọng nói của người nói.
- Chuỗi thay thế: Tiếng nói cho ta một chuỗi
các tiếng ồn, khoảng lặng xem kẽ từng đoạn
trong khi âm nhạc không có. Nói cách khác,
lời nói có tín hiệu phân phối thông qua quang
phổ ngẫu nhiên hơn so với âm nhạc.
- Băng thông: Tiếng nói thường có 90%
năng lượng tập trung ở tần số thấp hơn 4kHz
(và hạn chế đến 8kHz), trong khi âm nhạc có
thể mở rộng thông qua các giới hạn trên
khoảng 20kHz.
SỰ KHÁC NHAU GIỮA TIẾNG NÓI VÀ
ÂM NHẠC
- Phân phối: Năng lượng của tiếng nói
thường tập trung ở tần số thấp sau đó giảm rất
nhanh trong các miền tần số cao hơn. Còn tín
hiệu âm nhạc thì trải đều hơn.
Các tín hiệu âm thanh là một tín hiệu có ý
nghĩa trong khoảng thời gian ngắn. Khi kiểm
*
Tel: 0972998865; Email:dtloan@ictu.edu.vn
89
Đỗ Thị Loan và Đtg
Tạp chí KHOA HỌC & CÔNG NGHỆ
112(12)/2: 89 - 95
- Tần số cơ bản: với tiếng nói cụ thể, ta có
thể xác định được tần số cơ bản nhưng với âm
nhạc thì không.
- Khoảng âm điệu: Thời hạn của nguyên âm
trong tiếng nói là rất thường xuyên. Âm nhạc
thể hiện một biến thể rộng lớn hơn chiều dài
của giai điệu, không được hạn chế do quá
trình phát âm nhạc.
- Năng lượng ngắn hạn: Năng lượng của tín
hiệu tiếng nói có sự biến thiên nhiều hơn so
với tín hiệu âm nhạc.
- Tỷ lệ vượt điểm không: Tùy thuộc vào tín
hiệu âm nhạc và tiếng nói nhưng thông
thường tỷ lệ vượt điểm không của tín hiệu
tiếng nói sẽ lớn hơn tín hiệu âm nhạc.
phân bố năng lượng, chúng tôi đã lựa chọn ba
đặc trưng: Tỷ lệ tần suất vượt qua điểm không
cao HZCRR (Hight Zero Crossing Rate
Ratio), tỷ lệ khung có năng lượng ngắn hạn
thấp LSTER (Low Short Time Energy Ratio)
và độ biến thiên phổ SF (Spectrum Flux). Còn
phương pháp nhận dạng phân biệt chúng tôi
sử dụng là thuật toán K láng giêng gần nhất
K-NN (K Nearest Neighbor) [8].
Lựa chọn đặc trưng
Đặc trưng tần suất vượt qua điểm không cao
- HZCRR
LỰA CHỌN ĐẶC TRƯNG VÀ PHƯƠNG
PHÁP NHẬN DẠNG PHÂN BIỆT TIẾNG
NÓI VỚI ÂM NHẠC
Cho tới nay có khá nhiều đặc tính của tín hiệu
âm thanh để nhận dạng, phân biệt tiếng nói và
âm nhạc hay các hệ thống nhận dạng phân
loại khác nhau. Mỗi nghiên cứu đều đưa ra
một số lượng các đặc tính của tín hiệu âm
thanh và phương thức sử dụng để phân loại.
Các đặc tính của tín hiệu âm thanh thường
được chia làm hai loại chính là: các đặc tính
vật lý và các đặc tính cảm thụ âm thanh của
con người.
Hình 1: Biểu đồ tần suất vượt điểm không
của tín hiệu âm thanh
Công thức của HZCRR như sau:
N −1
1
HZCRR =
[sign
(ZCRn – THL) +1
∑
2 N
n = 0
Trong đó:
Đặc tính vật lý là các đặc tính đặc trưng trong
miền tần số và đặc trưng trong miền thời gian
như: biên độ, tần số vượt điểm không ZCR,
năng lượng ngắn hạn, hệ số phổ MFCC, cặp
phổ tuyến tính LSP (Linear Spectrum Pair)
[6], độ biến thiên phổ SF.
- n là thứ tự của cửa sổ trích chọn đặc trưng
- N là độ rộng của cửa sổ trích chọn đặc trưng
- ZCR là tần suất vượt điểm không trong
khoảng ngắn theo công thức :
k
1
[sign ( x ) − sign ( xm −1 )]
ZCRk =
∑
m
Đặc tính về cảm thụ âm thanh của con người
là các đặc tính được con người cảm nhận như
nhịp điệu, độ cao của âm (Pitch), độ ngân, âm
sắc,…. Cũng như nhiều nghiên cứu trước đây,
để nhận dạng phân biệt tiếng nói với âm nhạc
nói riêng hay nhận dạng phân biệt các lớp âm
thanh khác nói chung hầu như chỉ sử dụng các
đặc trưng vật lý là đủ. Bởi vậy trong bài báo
này, chúng tôi cũng chỉ dùng các đặc trưng
liên quan tới miền tần số và miền thời gian
(đặc trưng vật lý).
2F m = k − F +1
F: độ dài khoảng ngắn - thường là 1 frame
- THL là tần suất vượt điểm không trung
bình trong cửa sổ theo công thức:
N −1
1
THL =
[ZCR ]
n
∑
N
n = 0
Đặc trưng năng lượng ngắn hạn của tín
hiệu - LSTER
Công thức tính LSTER như sau:
Dựa trên các phân tích, đánh giá về đặc điểm
của tín hiệu âm thanh, giữa âm nhạc và tiếng
nói về đặc điểm âm học, dải tần, đặc điểm về
N −1
1
LSTER =
[sign (THL − STE ) + 1]
n
∑
2 N
n = 0
90
Đỗ Thị Loan và Đtg
Trong đó:
Tạp chí KHOA HỌC & CÔNG NGHỆ
112(12)/2: 89 - 95
Mahalanobis hay phương pháp đo khoảng
cách City Block.
- STE là năng lượng trong khoảng ngắn
(trong 1 frame) theo công thức:
Bài toán: Giả sử ta có một không gian đa
chiều (Y1, Y2,…,Yn) và có một tập hợp các
khu vực A, B trong đó:
k
2
( x .w
m
2
STE
=
)
∑
k
k − m
- Khu vực A ta biết được sự tồn tại của các
đối tượng XA1, XA2, … XAn với XAi={ YAi1,
YAi2,…, YAin}
m = k − F + 1
W là cửa sổ (có thể là chữ nhật hoặc
hamming)
- Khu vực B ta chỉ biết sự tồn tại của các
đối tượng XB1, XB2, … XBn với XBi={ YBi1,
YBi2,…, YBin}
- THL là năng lượng trung bình theo công
thức:
N−1
1
Có một đối tượng Xi ( Yi1, Yi2,…, Yin) bất kì
ta cần xác định đối tượng Xi này thuộc khu
vực A hay B.
THL =
[STE ]
n
∑
2N
n=0
Đặc trưng độ biến thiên phổ - SF
Trong đó:
- K là bậc của phổ DFT.
- δ là hằng số bé (=0.01) để loại trường hợp
log(0).
Hình 3: Mô tả thuật toán K-NN
- A(n,m) là biến đổi Fourier rời rạc(DFT)
theo công thức:
Giải thuật: Trong tất cả các đối tượng đã xác
định rõ khu vực A và B, ta tìm K đối tượng
gần với Xi nhất, trong K đối tượng này sẽ xác
định xem có bao nhiêu đối tượng thuộc khu
vực A, bao nhiêu đối tượng thuộc khu vực B,
khu vực nào nhiều đối tượng gần Xi hơn thì
Xi có khả năng thuộc khu vực đó.
2
π
j
mi
∞
L
| A
=
x(i)w (nL − i).e
|
∑
(n, m )
i = −∞
Để tính khoảng cách giữa các vectơ dùng
công thức:
D(X,X’)=
THỰC HIỆN HỆ THỐNG NHẬN DẠNG
PHÂN BIỆT TIẾNG NÓI VỚI ÂM NHẠC
Hình 2. Biểu đồ histogram độ biến thiên phổ
theo không gian 3 chiều (a): music (b):speech
Hệ thống có dạng tổng quát như hình 4.
Hoạt động của hệ thống gồm hai quá trình
riêng biệt: thứ nhất là quá trình học (huấn
luyện) và thứ hai là quá trình nhận dạng phân
biệt với tín hiệu đầu vào.
Thuật toán KNN
Thuật toán K-NN [8] là phương pháp phân
loại dựa trên chỉ tiêu không gian khoảng cách.
Xác định một điểm thuộc miền nào bằng cách
tính toán dựa trên khoảng cách không gian.
Có nhiều phương pháp để tính khoảng cách
giữa các vectơ như phương pháp đo khoảng
cách Euclidean, phương pháp đo khoảng cách
Hamming, phương pháp đo khoảng cách
Quá trình huấn luyện: Tín hiệu đầu vào
được đưa vào phân tích đặc trưng. Tại đây
chúng được xử lý, tính toán và lấy ra giá trị
các đặc trưng cần trích chọn phục vụ cho việc
xây dựng hệ thống. Sau đó tới khối huấn
91
Đỗ Thị Loan và Đtg
Tạp chí KHOA HỌC & CÔNG NGHỆ
112(12)/2: 89 - 95
luyện được xử lý và lưu vào cơ sở dữ liệu
(CSDL) mẫu. Quá trình huấn luyện dùng
phương pháp học có giám sát nghĩa là chúng
ta đã biết rõ sự phân lớp trên tập dữ liệu mẫu
dùng để học, ở đây chỉ có hai lớp: tiếng nói và
âm nhạc. Các đặc trưng mẫu của từng lớp
được trích chọn lưu riêng vào CSDL.
Tuy nhiên vấn đề khi phân khung của tín hiệu
đó chính là sai số của cả phép biến đổi so với
tín hiệu gốc, do đó nên sử dụng hàm cửa sổ
để hạn chế các sai số do độ dài hữu hạn của
các tín hiệu gây ra trong các phép biến đổi.
Hàm cửa sổ thường được dùng là Hamming
được cho bởi công thức sau:
2Π n
Wn = 0.54 − 0.46 * cos(
)
N − 1
KẾT QUẢ
Cài đặt hệ thống
Chúng tôi thực hiện hệ thống nhận dạng phân
biệt với tín hiệu đầu vào là các file âm thanh
chuẩn dạng WAVE (*.wav), việc tính toán,
xử lý, phân biệt đều thực hiện dựa trên file
wave này. Như đã phân tích ở trên quá trình
huấn luyện gồm các bước cơ bản sau:
Hình 4: Mô hình tổng quát của hệ thống
Quá trình nhận dạng phân biệt: Trình tự
thực hiện cũng như trên nhưng chỉ khác là tín
hiệu sau khi được trích chọn đặc trưng sẽ
được đưa vào khối nhận dạng phân biệt. Tại
khối này chúng ta phân tích đánh giá với
CSDL mẫu đã được huấn luyện thông qua
thuật toán K-NN. Kết quả này sau đó được
chuyển tới bộ ra quyết định để xác định xem
tín hiệu hiệu đó thuộc lớp tín hiệu nào. Vectơ
đặc trưng là vectơ 3 chiều vì ta chỉ chọn 3 đặc
trưng như đã trình bày ở trên.
Hình 6: Mô hình quá trình huấn luyện
Với mỗi dãy tín hiệu âm thanh đọc được, ta
thực hiện xác định khung tín hiệu, tính các
thông số cơ bản STE, ZCR, A của dãy tín hiệu.
Giao diện cài đặt của quá trình huấn luyện:
Phân khung tín hiệu: Do tín hiệu tiếng nói
ổn định trong khoảng vài chục ms, nên khi
tiến hành các phép phân tích, biến đổi người
ta thường chia tín hiệu thành có đoạn nhỏ
khoảng 10 đến 30ms, đó được gọi là phân
khung, các khung tín hiệu liên tiếp có thể
chồng nhau khoảng ½ độ dài.
Hình 7: Giao diện huấn luyện, tạo dữ liệu mẫu
Hình 5: Phân khung tín hiệu
92
Đỗ Thị Loan và Đtg
Tạp chí KHOA HỌC & CÔNG NGHỆ
112(12)/2: 89 - 95
- Bên phải là đồ thị của tín hiệu: tại khung cửa
sổ thứ nhất là dạng tín hiệu âm thanh, tiếp theo
là năng lượng trong khoảng ngắn hạn và tần
suất vượt điểm không của tín hiệu âm thanh.
khung cửa sổ thứ 4 thể hiện đây là tiếng nói
hay âm nhạc (tiếng nói có biên độ bằng 2/3
khung còn âm nhạc có biên độ = 1/3 khung).
- Bên trái cũng là khung điều khiển mở,
chọn tín hiệu file wave. Ngoài ra còn có sự
lựa chọn tham số K (K là số phần tử thuộc lớp
đặc trưng mẫu gần với mẫu cần nhận dạng
phân biệt nhất).
- Bên trái là các điều khiển: mở file wave,
nghe thử, xác định tiếng nói hay âm nhạc, lưu
dữ liệu.
Quá trình nhận dạng:
Đánh giá
Chương trình thực hiện phân biệt tiếng nói và
âm nhạc dựa trên một tập các tín hiệu âm
thanh mẫu mà tôi sưu tầm có được : tập hợp
tiếng nói là tiếng Việt, tập hợp âm nhạc là các
thể loại nhạc không lời của một số trường
phái âm nhạc.
Tập hợp tiếng nói gồm có 1037 file là các file
phát âm các từ của tiếng Việt, mỗi file có độ
dài < 1s, có tần số lấy mẫu 16000Hz, bit rate
là 16bit/mẫu.
Hình 8: Mô hình quá trình nhận dạng
Quá trình nhận dạng có một số bước trùng
với quá trình huấn luyện như việc đọc dữ
liệu file wave, thông số cơ bản, tính các
thông số đặc trưng.
Tập hợp âm nhạc gồm có 77 file là các file
nhạc không lời của các thể loại R&B, Rock,
Country…. Mỗi file có độ dài < 30s và có
cùng tần số lấy mẫu 16000Hz, bit rate
16bit/mẫu.
Các file dữ liệu mẫu trên đều là các file âm
thanh mono (một kênh).
Qua thử nghiệm, thống kê tôi thấy chương
trình đã thực hiện việc phân biệt tiếng nói và
âm nhạc với tỉ lệ chính xác tốt với các trường
hợp tiếng nói và âm nhạc riêng biệt.
Sau đây là kết quả thu được khi thử nghiệm:
Bảng 1: Kết quả thống kê cơ sở dữ liệu
Hình 9: Giao diện nhận dạng phân biệt
Âm
Tiếng
Tương tự như giao diện huấn luyện, giao diện
nhận dạng cũng có các phần:
nhạc
nói
Giá trị trung bình của
LSTER
0.2048
0.3942
0.14599
- Bên phải là đồ thì biểu diễn của tín hiệu: tại
khung cửa sổ thứ nhất là dạng tín hiệu của âm
thanh, tiếp theo là năng lượng trong khoảng
ngắn hạn và tần suất vượt điểm không của tín
hiệu âm thanh, tuy nhiên khác với giao diện
huấn luyện, giao diện nhận dạng còn có thêm
Giá trị trung bình của
HZCRR
0.2632
0.22
Giá trị trung bình của SF 0.3885
93
Đỗ Thị Loan và Đtg
Tạp chí KHOA HỌC & CÔNG NGHỆ
112(12)/2: 89 - 95
Bảng 2: Kết quả thống kê nhận dạng với một số
lượng đầu vào là tiếng nói và âm nhạc với K=3
tế (ứng dụng tự động thu thập thông tin, đánh
giá chỉ mục cho dữ liệu đa phương tiện.
TÀILIỆU THAM KHẢO
Âm nhạc
Tiếng nói
[1]. David Gerhard, (2000), “Audio Signal
classification: an overview” , Canadian Artificical
Intelligence, 45:4-6, Winter.
[2]. Peltonen, V., (2001) “Computational
Auditory Scene Recognition”. MSc Thesis,
Tampere University.
[3]. Saunders, J., “Real-Time Discrimi-nation
of Broadcast Speech/Music”, Proc. ICASSP,
pp993-996
10838432
(92.36%)
945553
(15.56%)
Nhận dạng là âm
nhạc
897324
(7,64%)
5131722
(84.44%)
Nhận dạng là
tiếng nói
11735756
(100%)
6077275
(100%
Tổng
Bảng 3: Kết quả thống kê nhận dạng với một số
lượng đầu vào là tiếng nói và âm nhạc với K=5
[4]. Srinivasan, S., (1999), Petkovic, D.,
Poncelcon, D, “Toward robust features for
classifying audio in the CueVideo System”, Proc
7th ACM Int, Conf Multimedia, pp. 393-400.
[5]. M.D. Plumbley, S.A Abdallah, J.P. Bello,
M.F. Davies, G, Monti , M.B. Sandler (2002),
“Automatic music transcription and audio source
separation”, Cybernetics and System, 33(6):603-627.
[6]. Lu, L., Jiang, H., and Zhang, H. J., (2001),
“A robust audio classification and Segmentation
method”, in Proc. 9th ACM Int Conf Multimedia,
pp 203-211.
Âm nhạc
Tiếng nói
10878964
(92.7%)
856792
(7,3%)
11735756
(100%)
974188
(16.03%)
5103087
(83.97%)
6077275
(100%)
Nhận dạng là
âm nhạc
Nhận dạng là
tiếng nói
Tổng
KẾT LUẬN
Trong nghiên cứu này chúng tôi chủ yếu tập
trung phân tích đánh giá các đặc điểm vật lý,
đặc điểm về cảm thụ âm thanh của hai tín
hiệu: âm nhạc và tiếng nói: sau khi thử
nghiệm dùng ba đặc trưng HZCRR, LSTER,
SF với thuật toán phân loại K-NN chúng tôi
thấy kết quả thu được là khá tốt. Trong tương
lai, chúng tôi sẽ tiếp tục hoàn thiện hệ thống
sao cho có được một hệ thống hoàn chỉnh để
có thể thực hiện tự động nhận dạng phân biệt
tiếng nói với âm nhạc đem áp dụng vào thực
[7]. Scheier,
E.,
Slaney,
M.,
(1997),
“Construction and
Evaluation of a Robust
Multifeature Speech/Music Discrimination”. Proc.
ICASSP, pp1331-1334.
[8]. S. Theodoridis, K. Kontroumbas (1999),
“Pattern Recognition”, Academic Press.
94
Đỗ Thị Loan và Đtg
Tạp chí KHOA HỌC & CÔNG NGHỆ
112(12)/2: 89 - 95
SUMMARY
RESEARCH INTO METHOD OF DISCRIMINATION
BETWEEN SPEECH AND MUSIC
Do Thi Loan*, Luu Thi Lieu, Nguyen Thi Hien
College of Information Communication and Technology – TNU
Automatic discrimination of speech and music is an important tool in many multimedia
applications. For the discrimination of speech and music we have used three characteristics:
HZCRR (High Zero Crossing Rate Ratio), LSTER (Low Short Time Energy Ratio), SF (Spectrum
Flux) and the algorithm for training and discrimination is K Nearest Neighbor. The data is musical
segments with different kind of music like Vietnamese music, Rock, Pop songs, country music and
speech segments of male and female voices for Vietnamese. In the article the major objective of
our research is to discriminate two audio signals: speech and music. We have got results with
rather high accuracy: about 88% for speech and 92% for music. In the future, we would like to
develop the system to classify more classes of audio signal.
Key words: Discrimination, speech, music, Vietnamese music, Vietnamese
Phản biện khoa học: TS. Phạm Đức Long – Trường Đại học CNTT & TT – ĐH Thái Nguyên
*
Tel: 0972998865; Email:dtloan@ictu.edu.vn
7 trang
09/05/2022
4240
Bạn đang xem tài liệu "Nghiên cứu phương pháp nhận dạng phân biệt tiếng nói với âm nhạc", để tải tài liệu gốc về máy hãy click vào nút Download ở trên
File đính kèm:
- nghien_cuu_phuong_phap_nhan_dang_phan_biet_tieng_noi_voi_am.pdf
