La descarga está en progreso. Por favor, espere

La descarga está en progreso. Por favor, espere

Tratamiento Digital de Voz Prof. Luis A. Hernández Gómez ftp.gaps.ssr.upm.es/pub/TDV/DOC/ Tema6a.ppt Dpto. Señales, Sistemas y Radiocomunicaciones.

Presentaciones similares


Presentación del tema: "Tratamiento Digital de Voz Prof. Luis A. Hernández Gómez ftp.gaps.ssr.upm.es/pub/TDV/DOC/ Tema6a.ppt Dpto. Señales, Sistemas y Radiocomunicaciones."— Transcripción de la presentación:

1 Tratamiento Digital de Voz Prof. Luis A. Hernández Gómez ftp.gaps.ssr.upm.es/pub/TDV/DOC/ Tema6a.ppt Dpto. Señales, Sistemas y Radiocomunicaciones

2 Tema 6: Reconocimiento de Voz Principios de Reconocimiento de Habla y de Locutor Tecnología de Reconocimiento de Locutor Tecnología de Reconocimiento de Habla Tratamiento Digital de Voz

3 Reconocimiento de Voz Principios de Reconocimiento de Habla y de Locutor Reconocimiento de Habla: ¿qué se dice? La variedad de locutores (¿quién lo dice?): ruido (Acentos, variedades dialectales, etc.) Reconocimiento de Locutor: ¿quién lo dice? La variedad de mensajes hablados (¿qué se dice?): ruido variación intra-locutor variación inter-locutores

4 Reconocimiento de Voz Principios de Reconocimiento de Habla y de Locutor Reconocimiento de Habla: Características Dependiente / Independiente de Locutor Tamaño del Vocabulario Tipos de Reconocimiento: Habla aislada, palabras en contexto (word spotting), habla natural, lenguaje natural, habla espontánea,... Otros: Entorno de Ruido: móviles, cabinas, automóvil,... Sistema de comunicación: GSM, manos-libres, VoIP,... Prestaciones

5 Reconocimiento de Voz Principios de Reconocimiento de Habla y de Locutor Reconocimiento de Habla: Dependiente/Independiente del Locutor Dependiente de Locutor: por ejemplo, sistemas de dictado. Independiente de Locutor: aplicaciones telefónicas. Cada vez mayor importancia de las Técnicas de Adaptación al Locutor Reducción de la cantidad de voz para la adaptación. Adaptación supervisada / no-supervisada. Adaptación también al entorno de ruido. Adaptación a habla espontánea.

6 Reconocimiento de Voz Principios de Reconocimiento de Habla y de Locutor Reconocimiento de Habla: Tamaño del Vocabulario El vocabulario DEBE estar pre-fijado (en muchas ocasiones es muy importante la gestión dinámica de vocabularios : entradas variables) El diseño del vocabulario puede olvidar palabras: palabras fuera del vocabulario (OOV out-of-vocabulary). Cómo detectar e incorporar esas palabras es de gran importancia. Las prestaciones del Reconocedor son dependientes del tamaño del vocabulario: Pequeño ( M) PERO es muy importante (muchas veces más que el número de palabras): o El grado de similitud acústica entre palabras (ej.: teléfonos) o La GRAMÁTICA de reconocimiento. La gramática restringe la secuencia de palabras a reconocer.

7 Reconocimiento de Voz Principios de Reconocimiento de Habla y de Locutor Reconocimiento de Habla: Tipo de Reconocimiento (terminología imprecisa) Habla aislada: lista de palabras (directorio de nombres) Palabras en contexto (word spotting): con Juan Pérez por favor Habla natural: dictado natural, u órdenes naturales (quiero que me digas qué películas ponen hoy) Lenguaje natural: suele asociarse a la identificación de entidades semánticas: quiero que me digas qué películas ponen hoy Habla espontánea: disfluencias :..eh quiero que me des, que me diga.. digas qué... pone... las películas de hoy

8 Reconocimiento de Voz Principios de Reconocimiento de Habla y de Locutor Reconocimiento de Habla: Características Más otros.... Entorno de Ruido: móviles, cabinas, automóvil,... Sistema de comunicación: GSM, manos-libres, VoIP,... DIFICULTAD de medir realmente las prestaciones de un sistema de reconocimiento (en laboratorio en aplicaciones) Errores de Reconocimiento: Tasa de Error (Sustituciones / Inserciones / Elisiones (borrados)) Rechazo: Falsa Aceptación / Falso Rechazo => INFLUYE en la Tasa de Error. Ruidos Palabras OOV (fuera del vocabulario) Medidas de Confianza: seguridad del resultado de reconocimiento (ejemplo: Adaptación no-supervisada)

9 Reconocimiento de Voz Principios de Reconocimiento de Habla y de Locutor Reconocimiento de Locutor: Características Dependiente / Independiente de Texto Población cerrada / abierta Modos de Funcionamiento: VERIFICACIÓN IDENTIFICACIÓN (Detección; Autenticación) Otros: Entorno de Ruido..., Sistema de comunicaciones,... VARIABILIDAD ENTRE SESIONES Prestaciones

10 Reconocimiento de Voz Principios de Reconocimiento de Habla y de Locutor Rec. de Locutor: Dependiente/Independiente de Texto Dependiente Texto: Texto fijo: locución pre-establecida (clave de acceso) Texto variable (vocabulario fijo): se pide que el locutor pronuncie una clave generada aleatoriamente (text prompted); objetivos: evitar grabaciones y clave en voz alta Independiente de Texto: el locutor puede emplear cualquier locución, sin restricciones (duración, riqueza fonética ? Imaginación ? => tipo de aplicación: Acústica Forense) Importancia de la estrategia de diálogo (factores humanos): preguntas sucesivas (nombre, apellidos, fecha de nacimiento,...) Reconocimiento de Locutor Sistemas de Verificación de Información Verbal (complementarios? Fases diferentes ?)

11 Reconocimiento de Voz Principios de Reconocimiento de Habla y de Locutor Reconocimiento de Locutor: Población cerrada/abierta Población cerrada: reconocimiento entre un conjunto cerrado de usuarios; el impostor está en casa. Población abierta: reconocimiento abierto a impostores externos a los locutores reconocibles

12 Reconocimiento de Voz Principios de Reconocimiento de Habla y de Locutor Reconocimiento de Locutor: Modos de funcionamiento VERIFICACIÓN: decidir si una persona es quien dice ser utilizando su huella vocal (ej.: tecleo mi password y el sistema me pide que hable para comprobar que soy yo: se contrasta la voz dubitada contra una sola huella vocal –la del password-) IDENTIFICACIÓN: decidir si la voz de una persona pertenece a algun locutor de una población de locutores identificados. (se compara la voz dubitada con todas las huellas vocales de la población indubitada) (DETECCIÓN: localización de un locutor en una grabación de audio – AUTENTICACIÓN: mediante verificación/identificación)

13 Reconocimiento de Voz Principios de Reconocimiento de Habla y de Locutor Reconocimiento de Locutor: Prestaciones Otros: Entorno de Ruido... Sistema de comunicación... VARIABILIDAD ENTRE SESIONES Errores de Reconocimiento: tasas de: Falsa Aceptación FA: un impostor vulnera el sistema Falso Rechazo FR: un usuario no es reconocido Aciertos de Reconocimiento: Rechazo correcta: un impostor es rechazado Aceptación correcta: un usuario es reconocido El coste de cada tipo de error depende de la aplicación (por ejemplo: mayor, menor seguridad) TAMBIÉN en aplicaciones reales: FTE Fail-to-enroll; imposibilidad de entrenarse en el sistema

14 Four conditional probabilities in speaker verification Input utterance Decision condition condition s n (customer) (impostor) S (accept) N (reject) P(S | s) P(S | n) P(N | s) P(N | n)

15 Relationship between error rate and decision criterion (threshold) in speaker verification Error rate Decision criterion (Threshold) 1 0 FR= P (N | s) FA= P (S | n) a c b Equal Error Rate EER

16 Receiver operating characteristic (ROC) curves; performance examples of three speaker verification systems: A, B, and D P (S | n) P (S | s) A B D a b

17 Reconocimiento de Voz Reconocimiento de Locutor: Prestaciones (http://www.nist.gov/speech)http://www.nist.gov/speech Curvas ROCCurvas DEC

18 Reconocimiento de Voz Reconocimiento de Locutor: Prestaciones (http://www.nist.gov/speech) We have found it useful in speech applications to use a variant of this which we call the DET (Detection Error Tradeoff) Curve, described below. In the DET curve we plot error rates on both axes, giving uniform treatment to both types of error, and use a scale for both axes which spreads out the plot and better distinguishes different well performing systems and usually produces plots that are close to linear.

19 Recognition error rates as a function of population size in speaker identification and verification Male Female Identification Verification Recognition error rate (%) Size of population

20 Reconocimiento de Voz Reconocimiento de Locutor: Prestaciones (La Granja) SHEEP, GOATS, LAMBS and WOLVES A Statistical Analysis of Speaker Performance in the NIST 1998 Speaker Recognition Evaluation George Doddington 1,2,3,5, Walter Liggett 1, Alvin Martin 1, Mark Przybocki 1, Douglas Reynolds 3,4, 1 National Institute of Standards and Technology, 2 The Johns Hopkins University 3 U.S. Department of Defense, 4 MIT Lincoln Laboratory, 5 SRI International

21 Reconocimiento de Voz Reconocimiento de Locutor: Prestaciones (La Granja) Sheep (ovejas) – Sheep comprise our default speaker type. In our model, sheep dominate the population and systems perform nominally well for them. Goats (cabras) – Goats, in our model, are those speakers who are particularly difficult to recognize. Goats tend to adversely affect the performance of systems by accounting for a disproportionate share of the missed detections. The goat population can be an especially important problem for entry control systems, where it is important that all users be reliably accepted.

22 Reconocimiento de Voz Lambs (corderos) – Lambs, in our model, are those speakers who are particularly easy to imitate. That is, a randomly chosen speaker is exceptionally likely to be accepted as a lamb. Lambs tend to adversely affect the performance of systems by accounting for a disproportionate share of the false alarms. This represents a potential system weakness, if lambs can be identified, either through trial and error or through correlation with other directly observable characteristics. Wolves (lobos) – Wolves, in our model, are those speakers who are particularly successful at imitating other speakers. That is, their speech is exceptionally likely to be accepted as that of another speaker. Wolves tend to adversely affect the performance of systems by accounting for a disproportionate share of the false alarms. This represents a potential system weakness, if wolves can be identified and recruited to defeat systems.

23 Tecnología de Reconocimiento de Locutor Estructura de un Sistema de Reconocimiento de Locutor Tratamiento Digital de Voz Resultado Reconocimiento Señal de Voz Entrenamiento Reconocimiento Extracción De Características Modelos/Patrones de referencia para cada Locutor Comparación (Distancia) Speech Recognition Technology in the Ubiquitous/Wearable Computing Environment Sadaoki Furui

24 Tecnología de Reconocimiento de Locutor Otros aspectos importantes: Tratamiento Digital de Voz Resultado Reconocimiento Señal de Voz Extracción De Características Modelos/Patrones de referencia para cada Locutor Comparación (Distancia) Detector de Actividad Cancelador De Ecos Compensación De Ruido

25 Identificación Tecnología de Reconocimiento de Locutor Similarity Reference template or model (Speaker #N) Reference template or model (Speaker #N) Reference template or model (Speaker #2) Reference template or model (Speaker #2) Reference template or model (Speaker #1) Reference template or model (Speaker #1) Feature extraction Feature extraction Maximum selection Maximum selection Speech wave Identification result (Speaker ID)

26 Verificación Tecnología de Reconocimiento de Locutor Speech wave Identification result (Accept / Reject) Speaker ID (#M) Similarity Reference template or model (Speaker #M) Reference template or model (Speaker #M) Feature extraction Feature extraction Decision Threshold

27 Decisión Tecnología de Reconocimiento de Locutor Distance Intra-speaker distance Inter-speaker distance DB Distribution

28 Objetivo: obtener un modelo del locutor Para discriminación, no para codificación ni síntesis Marco de Trabajo: Reconocimiento de Patrones El clasificador óptimo es el clasificador de Bayes Tecnología de Reconocimiento de Locutor

29 Todo lo necesario es conocer la función de probabilidad Tecnología de Reconocimiento de Locutor O RechazoClase 1Clase 2Clase 3Clase 2Rechazo

30 Todo lo necesario es conocer la función de probabilidad Tecnología de Reconocimiento de Locutor O Max Rechazo

31 PERO: la función de probabilidad nunca se conoce: forma paramétrica desconocida y cantidad de datos de estima (entrenamiento) limitados Tecnología de Reconocimiento de Locutor O Max Rechazo NO UN CLASIFICADOR ÚNICO Funciones de Discriminación

32 De una forma simplificada podemos considerar: Por la técnica de clasificación: Clasificadores no-paramétricos Clasificadores paramétricos (Discriminativos) Atendiendo al tipo de información empleada: Clasificadores a partir de información a largo plazo Clasificadores a partir de información a corto plazo Tecnología de Reconocimiento de Locutor

33 (b) short-term information based method Input speech Speaker identity Paterns Feature extraction Feature extraction Decision Accumulation Parametric or Non-Parametric Parametric or Non-Parametric (a) Long-term-statistics-based method Input speech Speaker identity Reference templates or models Feature extraction Feature extraction Decision Distance or similarity Distance or similarity Long-term statistics Long-term statistics Average, variance, correlation, MAR

34 Por la técnica de clasificación... Clasificadores no-paramétricos: No hacen ninguna hipótesis sobre el modelo de distribución de la voz del locutor Se basan completamente en los datos de entrenamiento Un ejemplo típico serían los sistemas de Reconocimiento Independientes del Locutor basados en Cuantificación Vectorial Tecnología de Reconocimiento de Locutor

35 Vector quantization (VQ)-based text-independent speaker recognition Spectral envelopes Speaker-specific codebook

36 Cuantificador Vectorial Tecnología de Reconocimiento de Locutor X Y Representa el conjunto de vectores de ENTRENAMIENTO X={x 1,x 2,... x N } por un número pequeño de representantes (centroides) Y={y 1, y 2,... y M } (M

37 Entrenamiento CV algoritmo LBG Tecnología de Reconocimiento de Locutor Primer centroide D? N? Duplicación Asignación de vectores Cálculo de centroides SI NO

38 Cuantificación Asunción Moreno Universidad Politécnica de Cataluña

39 Entrenamiento x y

40 x y

41 x y

42 x y

43 x y

44 x y

45 x y

46 x y

47 x y

48 x y

49 x y

50 x y

51 Cuantificación x y

52 VQ Performance on Unseen Data Ramachandran & Mamone (eds) Modern Methods of Speech Processing Kluer Academic, 1995


Descargar ppt "Tratamiento Digital de Voz Prof. Luis A. Hernández Gómez ftp.gaps.ssr.upm.es/pub/TDV/DOC/ Tema6a.ppt Dpto. Señales, Sistemas y Radiocomunicaciones."

Presentaciones similares


Anuncios Google