English version of this page

Zpět na hlavní stránku | seznam cvičení

Úkoly k vypracování na cvičení:

• Výpočet parametrů GMM modelu samohlásek a řečové pauzy
  • Určete parametry GMM modelů pro základních 5 samohlásek a řečovou pauzu. Použijte postup analogický klasifikaci samostatných izolovaných samohlásek na bázi GMM, viz cvičení "Klasifikace samohlásek na bázi GMM".
  • Pro trénování modelů samohlásek použijte dostupné promluvy pro všechny samohlásky, tj. A1, A2, A3, E1, ...., U1, U2, U3; pro trénování modelu řečové pauzy pak neřečové části promluv B0 a B1 případně P1, P2 a P3, obojí minimálně pro všechny mluvčí bloku BLOCK200 (později je možné experimentovat s větším množstvím trénovacích dat).
  • K přímému použití v počítačové učebně 802 na ČVUT FEL jsou uvedená data k disposici v adresáři "K:\ZRE\data\zreratdb". Pro práci mimo učebny FEL je možné stáhnout následující archiv signálů převzorkovaných na 16 kHz zrerat_block_200_2024_cs0.zip.
  • Jako příznaky použijte 12+1 MFCC kepstrálních koeficientů (tj. včetně nultého koeficientu c[0]). Parametry výpočtu kepstra volte pro dané signály vzorkované 16 kHz následovně:
    - délka segmentu 25 ms, posuv okna 5 ms (při dostatečném množství trénovacích dat lze použít posuv okna 10 ms), Hammingovo váhovací okénko,
    - počet pásem banky filtrů M=30, fmin=100 Hz, fmax=6500 Hz,
    - pro výpočet použijte funkci vmfcc.m (s dále volanými funkcemi melbf.m, mel.m, melinv.m).
    - při výběru trénovacích dat pro modely samohlásek použijte VAD na bázi výkonu v dB s prahováním na úrovni okolo 50% dynamiky,
    - při výběru trénovacích dat pro model ticha použijte VAD na bázi výkonu v dB s prahováním na úrovni okolo 50% dynamiky (případně VAD na bázi lineárního výkonu s prahováním na úrovni okolo 10% dynamiky).
    - pro aplikaci VAD použijte již dříve používanou funkci pro prahování thr_fixed.m, výkon počítejte v krátkodobých segmentech s použitím stejné segmentace jako pro výpočet kepstra, viz 2. cvičení - Základní časové a spektrální charakteristiky, případně je možné použít řešení dostupné na stránkách předmětu v MOODLE FEL.

  • Při výpočtu parametrů GMM použijte počet směsí mixnum = 4 - 8 (podle množství trénovacích dat) a pracujte s GMM modelem s diagonální kovarianční maticí.

  • V prvním kroku je vhodné pracovat pouze s vašimi nahrávkami samohlásek a sekvencí s řečovými pauzami. Při výpočtu parametrů GMM je ovšem nutné použít nižší počet směsí mixnum = 4 (možná i nižší). Vytvořené modely budou ovšem méně generalizující a emitované pravděpodobnosti v HMM mohou být vyšší pro vaše data resp. nižší pro nahrávky jiných řečníků.

  • Výsledek : Zobrazte pro vytvořené trénovací množiny:
    • napočítaná MFCC kepstra samohlásek a řečové pauzy, minimálně pro vaše promluvy A1, A2, A3, E1, ...., U1, U2, U3 a řečové pauzy z promluv B0 a B1, optimálně pro promluvy všech mluvčích bloku BLOCK200 dostupných v databázi zreratdb, viz výše zmíněný archiv zrerat_block_200_2024_cs0.zip.
    • rozložení kepstra samohlásek i řečové pauzy, tj. závislosti c[0]-c[1], c[2]-c[3], c[4]-c[5] a c[6]-c[7] pro MFCC kepstrum.
    • GMM modely pro samohlásky A, E, I, O, U a GMM model řečové pauzy.

• Definice HMM modelu sekvence 5 izolovaných samohlásek
  • Vytvořete strukturovanou proměnnou reprezentující levo-pravý HMM model bez přeskoků stavů pro promluvu 5 izolovaných samohlásek oddělených řečovou pauzou, tj. strukturovanou proměnnou s následujícími položkami:
       - hmm.states ... počet stavů HMM modelu (počítejte stavy včetně neemitujících),
       - hmm.b ... pole GMM modelů délky odpovídající počtu stavů (cell array). POZOR, pro první a poslední neemitující stav není funkce b() definovaná, tj. použijte prázdný prvek '[]',
       - hmm.a ... matice pravděpodobností přechodů s dimenzí odpovídající počtu stavů.
  • S parametry uchovanými v strukturované proměnné reprezentující HMM model vypočítejte emitovanou pravděpodobnost pro promluvy se sekvencí izolovaných samohlásek P1, P2 a P3. Všechny napočítané emitované logaritmické pravděpodobnosti uložte do matice s počtem řádků odpovídajícím počtu příznakových vektorů (krátkodobých segmentů) analyzované promluvy a počtem sloupců odpovídajícím počtu stavů HMM modelu.
  • Výsledek: Zobrazte pro vytvořené HMM modely:
    • časové závislosti emitované logaritmické pravděpodobnosti pro 1., 2., 4., 6., 8. a 10. stav modelu sekvence AEIOU (promluva P1).
    • analogicky časové závislosti emitované logaritmické pravděpodobnosti pro 1., 2., 4., 6., 8. a 10. stav modelu sekvence UOIEA (promluva P2) resp. IUAOE (promluva P3).
  • Hlavní výsledek: Zobrazte pro vytvořené HMM modely:
    • emitované logaritmické pravděpodobnosti zobrazte nakonec jako hustotní 2D grafy (analogicky spektrogramu) pomocí funkce 'pcolor' pro každý model a vždy pro všechny 3 rozpoznávané promluvy P1, P2, P3.

  • Pro srovnání sledujte výsledky také pro předtrénované GMM modely uložené v mat-souboru cv_09_vowel_sil_gmms.mat

  ---

  DOMÁCÍ PŘíPRAVA NA PŘÍŠTÍ CVIČENÍ

• Nalezení hranic samohlásek v promluvách P1, P2 a P3
  • Pro promluvy P1, P2 a P3 nalezněte manuálně hranice hlásek a jednotlivých paus oddělujících jednotlivé hlásky.
  • Nalezené hranice (ve vzorcích resp. segmentech pro danou segmentaci s délkou okna 25 ms a posuvem okna 10 ms) uložte pro každou promluvu do samostatného vektoru.
• Příprava na implementaci dekódovacích technik
  • Prostudujte principy výpočtu věrohodnosti průchodu HMM modelem na bázi standardní dopředné i zpětné verze Viterbiho algoritmu.
  • Prostudujte možnost výpočtu okupační věrohodnosti j-tého stavu v čase t (resp. pro t-tý pozorovaný vektor).