Search

Perinteiset automaattiset puheentunnistusmenetelmät eivät pärjää suorituskyvyssä ihmisen puheenhavaintokyvylle. Voidaksemme kuroa tämän eron umpeen, on kehitettävä täysin uudentyyppisiä arkkitehtuureja puheentunnistusta varten. Puhetta ja kieltä itsestään ihmisen lailla oppiva järjestelmä on yksi tällainen vaihtoehto. Tämä diplomityö esittelee erään lähtökohdan oppivalle järjestelmälle, koostuen uudenlaisesta sokeasta puheen segmentointialgoritmista, segmenttien piirteistyksestä, sekä menetelmistä vähittäiselle puhedatan luokittelulle klusteroinnin avulla. Kaikki metodit arvioitiin kattavilla kokeilla, ja itse arviontimenetelmien luonteeseen kiinnitettiin huomiota. Segmentoinnissa saavutettiin alan kirjallisuuteen nähden hyvät tulokset. Järjestelmän mahdollisia jatkokehityssuuntauksia on hahmoteltu muunmuassa mahdollisten muistiarkkitehtuurien ja älykkään top-down palautteen osalta., To reduce the gap between performance of traditional speech recognition systems and human speech recognition skills, a new architecture is required. A system that is capable of incremental learning offers one such solution to this problem. This thesis introduces a bottom-up approach for such a speech processing system, consisting of a novel blind speech segmentation algorithm, a segmental feature extraction methodology, and data classification by incremental clustering. All methods were evaluated by extensive experiments with a broad range of test material and the evaluation methodology was itself also scrutinized. The segmentation algorithm achieved above standard quality results compared to what is found in current literature regarding blind segmentation. Possibilities for follow-up research of memory structures and intelligent top-down feedback in speech processing are also outlined.

Lintujen äänet jaetaan niiden tehtävän perusteella lauluihin ja kutsuääniin, jotka edelleen jaetaan hierarkisen tason perusteella virkkeisiin, tavuihin ja elementteihin. Näistä tavu on sopiva yksikkö lajitunnistukseen. Erityyppisten äänten kirjo linnuilla on laaja. Tässä työssä keskitytään ääniin, jotka määritellään epäharmonisiksi. Tässä työssä käytettävä lintulajien automaattinen tunnistusjärjestelmä sisältää seuraavat vaiheet: tavujen segmentointi, piirteiden irrotus sekä luokittelijan opetus ja arviointi. Kaikki lajitunnistuskokeilut perustuvat tavujen parametriseen esitykseen käyttäen 19:ta matalan tason äänisignaalin parametria. Tunnistuskokeet toteutettiin kuudella lajilla, jotka tuottavat usein epäharmonisia ääniä. Tulosten perusteella piirteet, jotka liittyvät äänten taajuuskaistaan ja -sisältöön luokittelevat hyvin nämä äänet., Bird sounds are divided by their function into songs and calls which are further divided into hierarchical levels of phrases, syllables and elements. It is shown that syllable is suitable unit for recognition of bird species. Diversity within different types of syllables birds are able to produce is large. In this thesis main focus is sounds that are defined inharmonic. Automatic recognition system for bird species used in this thesis consist of segmentation of syllables, feature generation, classifier design and classifier evaluation phases. Recognition experinments are based on parametric representation of syllables using a total of 19 low level acoustical signal parameters. Simulation experinments were executed with six species that regularly produce inharmonic sounds. Results shows that features related to the frequency band and content of the sound provide good discrimination ability within these sounds.

Puhetta tuottavat tietokonejärjestelmät ovat kehittyneet niin eteviksi, että ne voivat lukea paljasta tekstisyötettä sujuvasti. Koska näillä tekstistä puheeksi -järjestelmillä kuitenkin mitä ilmeisimmin on eroja havaitussa äänenlaadussa, on tarvetta tutkia laatuun vaikuttavia tekijöitä ja saada kvantitatiivisia mittaustuloksia niistä. Synteettisen puheen tutkimus on perinteisesti tehty valtavirran kielillä. Lisäksi sellaiset tutkimukset ovat harvinaisia, jotka selvittävät järjestelmien yleistä kyvykkyyttä kommunikaatioon sen sijaan, että keskittyisivät puheentuoton yksityiskohtiin. Tässä työssä suomenkielisten tekstistä puheeksi -järjestelmien lauseymmärrettävyyttä testataan puheen ymmärrettävyyskynnys -testillä, joka on alunperin tarkoitettu mittaamaan ihmisten kuulovamman astetta. Testissä etsitään sellaista puheen voimakkuustasoa, joka on juuri ja juuri ymmärrettävissä kohinan seasta. "Puheen ymmärrettävyyskynnys" -testi pystyy tehokkaasti osoittamaan eron eri tekstistä puheeksi -järjestelmien välillä. Järjestelmä, joka tuottaa puhetta parametreista, paljastuu ymmärrettävämmäksi kuin järjestelmät, jotka tuottavat puhetta liittämällä ennalta äänitettyjä puhenäytteitä yhteen. Syinä tähän ovat parempi spektrisovitus kuuloon, juohevampi äänivirta, pienempi särö ja paremmat mahdollisuudet prosodian mallintamiseen., Speech-producing computer systems have evolved so intelligent, that they fluently can read plain text input. Since these text-to-speech systems apparently have differences in the perceived sound quality, there is a need for research into the factors that affect the quality, and a need for the quantitative measurements of those factors. Studies concerning synthetic speech have traditionally been conducted only for systems speaking languages of mainstream. In addition, there is only a limited amount of studies for the overall communicative capabilities of the systems, instead of concentrating into the details in speech production. In this work, the Finnish text-to-speech systems are evaluated for their sentence-level intelligibility in terms of "speech reception threshold" test, which was originally developed for testing the degree of hearing-impairment in humans. The test seeks for the speech presentation level that is barely intelligible in presence of noise. "Speech reception threshold" test can effectively tell the difference in text-to-speech systems. A system, which produces sound from parameters, is found more intelligible over the systems that produce speech by concatenating pre-recorded speech samples. Reasons to this are the better spectral fit into the human hearing, smoother continuity of audio flow, less distortion and better possibilities for prosody modelling.

Voimakkaiden revontulimyrskyjen aikana on kautta historian tehty havaintoja ääni-ilmiöistä. Koska näitä ääniä ei ole kyetty tallentamaan, on ilmiön todenperäisyys kyseenalaistettu. Toisaalta ääni-ilmiöiden kuulijahavaintoja käsittelevä tutkimus on tullut siihen lopputulokseen, että kyseessä on luultavasti todellinen, fysikaalinen ilmiö. Useat tutkimusryhmät ovat mitanneet revontulten aiheuttamia infraääniä, joita ihmiskorva ei kykene erottamaan. Harvat yritykset tallentaa kuultavaa ääntä ovat sen sijaan epäonnistuneet. Suurin yksittäinen syy epäonnistumisiin on se, että terve ihmiskorva on ollut yksinkertaisesti parempi väline hyvin heikkojen äänien rekisteröintiin kuin menneiden aikojen teknologia. Tämä diplomityö luo katsauksen aikaisempaan revontuliin liittyvien ääni-ilmiöiden tutkimukseen, joka on lähes täysin perustunut kuulijahavaintoihin. Työssä käsitellään myös Sodankylän geofysiikan observatorion ja Teknillisen korkeakoulun yhteistyössä järjestämän kuulijahavaintotutkimuksen tuloksia. Lisäksi revontuliin liittyvien ääni- ja sähkökenttäilmiöiden mittaamista varten kehitetty laitteisto esitellään. Mittalaitteiston avulla mitattuja datoja tutkitaan tilastollisten analyysimenetelmien avulla. Korrelaatiotulokset tukevat aikaisemmin mitattuja revontuliin liittyviä infraäänihavaintoja. Lisäksi mielenkiintoisimman äänitteen geomagneettisesti aktiivisimmassa jaksossa geomagneettinen aktiviteetti ja audiotaajuuksien ääniteho korreloivat, kun geomagneettista dataa on viivästetty suhteessa akustiseen dataan noin 0-70 sekuntia., Sounds that accompany intense auroral displays have been reported throughout history. Because there has been no instrumental evidence of the sounds, the idea that these sounds are the result of auroral processes has been questioned. At the same time, the research done on the observational material of the sounds has suggested that these sounds are real physical effects. Infrasound produced by aurora has been registered by a number of research teams. However, the few attempts to record audible aurora related sounds have failed. The biggest reason for the failure is that a healthy human ear has been a more sensitive instrument for the detection of faint sounds than the recording technology of the past. This thesis gives a review of the previous studies of aurora related sounds, which almost entirely deals with the observational reports. The results of the survey of aurora related sound reports by the public in Finland are presented, arranged as a co-operation between the Sodankylä Geophysical Observatory and Helsinki University of Technology. A measurement system for aurora related sound and electric field effects is introduced. The data collected by the introduced measurement set up is analyzed with the aid of statistical analyses. The correlation results lend support to the previous findings on auroral infrasounds. In addition, in the geomagnetically most active part of the most interesting measurement, a correlation is found between the geomagnetic activity and acoustic power in audible frequencies when the geomagnetic data is delayed about 0-70 seconds with respect to the acoustic data.