Ручная оценка высоты речевого сигнала

Question

Я новичок в обработке речи. Поэтому, пожалуйста, простите за мое невежество. Мне дали короткий речевой сигнал (10 секунд), и мне было предложено вручную аннотировать шаг с использованием программного обеспечения MATLAB или Wavesufer. Теперь, как найти шаг речевого сигнала ?. Есть ли теоретический ресурс для решения этой проблемы? Я попытался построить контур сигнала с помощью Wavesurfer. Правильно ли это?

Редактировать 1: В моей работе применяются различные алгоритмы определения высоты тона для наших данных и сравниваются их точность. Таким образом, ручная аннотация шаг выступает в качестве эталона.

ОБНОВЛЕНИЕ 1: Я получил GCI (Glottal Closure Instants), дифференцируя сигнал EGG (dEGG), а пики в dEGG являются GCI. Интервал времени между двумя последовательными GCI - это период (периоды) основного тона. Обратным для периода тангажа является шаг (hz).

ОБНОВЛЕНИЕ 2: SIGMA - известный алгоритм автоматического обнаружения GCI.

Спасибо всем.

Answer 1

Обычно наземная правда получается на сигнале, сопровождаемом записью EGG. EGG является аббревиатурой для Electrogastrogram, это специальное устройство, которое фиксирует истинную подачу.

Поскольку я сомневаюсь, что у вас есть доступ к такому устройству, я рекомендую вам использовать существующую базу данных для оценки извлечения шага, тщательно подготовленной для этой задачи. Вы можете скачать его here. Эти данные были собраны в Университете Эдинбурга Полом Бэгшоу

Я предлагаю вам также прочитать его диссертацию.

Если вы хотите сравнить с современным алгоритмом для проверки извлечения основного тона https://github.com/google/REAPER. Также обратите внимание, что «истинный» шаг может быть не лучшей функцией для последующих алгоритмов. Иногда вы можете извлечь тональность с ошибками, но получить лучшую точность, например, для распознавания речи. Проверьте дополнительную информацию this publication.