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.

Musiikin harjoitusluokkien pienestä koosta johtuen akustiikkasuunnittelussa joudutaan usein tekemään kompromisseja jälkikaiunnan ja tarvittavan vaimennusmateriaalin määrän suhteen. Harjoittelua ja instrumentin ääntä tukevaa sointia silmälläpitäen olisi suotavaa, ettei huone olisi kaiunnaltaan täysin kuiva. Kaiuttomassa tilassa soittaminen käy nopeasti raskaaksi ja saattaa vähentää aloittelevien soittajien harjoitteluintoa. Jälkikaiuntaa pieneen tilaan tavoiteltaessa joudutaan perinteisin akustisin menetelmin vähentämään vaimennuksen määrää, mikä puolestaan nostaa tilan äänitasoa. Varsinkin musiikin opettajien pidemmät altistusajat hyvin kaiuntaisissa opetusluokissa saattavat johtaa kuuloon liittyviin ongelmiin. Orkesterien tilanne on usein samankaltainen, kun harjoituksia joudutaan varsinaisen konserttisalin sijasta järjestämään akustisesti sopimattomissa tiloissa. Tässä työssä tutkitaan sähköakustisen järjestelmän käyttöä harjoitustilojen akustiikan parantamiseksi. Tarkoituksena on näin ollen lisätä jälkikaiuntaa nostamatta tilan äänitasoa. Tavoitteena on myös tutkia käyttäjien suhtautumista sähköakustiikan käyttöön. Työssä esitettyjä tutkimuksia varten sähköakustista järjestelmää kokeiltiin yhteensä kolmessa tilassa. Tutkituista tiloista kaksi ensimmäistä olivat tyypillisiä musiikkioppilaitoksen pieniä harjoitus- ja opetusluokkia. Kolmas tila oli monikäyttösali, johon sähköakustiikan avulla pyrittiin luomaan konserttisalin lavaa muistuttava akustiikka sinfoniaorkesterin harjoitusta varten. Tiloissa tehtiin huoneakustisia mittauksia sekä haastateltiin käyttäjiä kyselytutkimuksella. Tutkimusten tulosten perusteella on todettavissa, että harjoitustilojen akustiikan parantaminen sähköakustisella järjestelmällä on mahdollista., Due to their small size, the acoustical design of music practice rooms at music institutes presents designers with challenges and requires compromises between absorption and reverberation. In practice, some reverberation is needed to provide support and more lively sound for the musician. Playing in a room with plenty of absorption and very little reverberation is often uninspiring and easily causes fatigue. On the other hand, increasing reverberation by reducing the absorption results in higher sound pressure levels. As music teachers are exposed to these conditions for long periods of time, in the long term this can lead to hearing problems. Similar problems are often also faced by orchestras when rehearsals are held in facilities with poor acoustical conditions. This work investigates the use of an electro-acoustic system to improve the acoustics in practice spaces. The electro-acoustic system uses an active method to create additional reverberation without increasing the sound pressure levels. A second objective is to evaluate the acceptance of virtual acoustics by users in music practice spaces. For this purpose, a prototype of an electro-acoustic system was installed in three different rooms, and the reverberation time and sound pressure level of the rooms were measured. These case studies consist of two small classrooms and a theater hall converted to a rehearsal hall for a symphony orchestra. For each case study, subjective opinions were collected. The results for each room were then analyzed in terms of the feedback from the users. The case studies show that with a careful tuning, and especially in larger spaces, a virtual acoustic system is a potential solution for improving the room acoustics of a practice room.

Tässä diplomityössä esitellään monikanavainen ja kaksisuuntainen audiokommunikaatiojärjestelmä. Sen tavoitteena on luoda kaksisuuntainen akustinen avanne kahden tilan välille ja mahdollistaa tarkka äänilähteiden paikantuminen molemmissa tiloissa. Kun yksikanavainen kommunikaatiojärjestelmä laajennetaan monikanavaiseksi, on myös mahdollista parantaa puheen ymmärrettävyyttä. Toisaalta lisääntynyt kanavamäärä monimutkaistaa akustisen kierron poistamiseen käytettyjä tekniikoita. Tekniikat, jotka tunnetaan kaksikanavaisista järjestelmistä on mahdollista laajentaa myös monikanavaisiin järjestelmiin. Käyttämällä kaiutin- ja mikrofonihiloja on osittain mahdollista äänittää äänikenttä toisaalla ja toistaa se samanlaisena toisessa tilassa. Tämä voidaan toteuttaa tässä työssä käytetyllä menetelmällä, jota kutsutaan äänikenttäsynteesiksi. Akustisen kierron poistamiseksi toteutettiin 48-kanavainen järjestelmä, joka hyödynsi staattisten ja adaptiivisten suodinten yhdistelmää. Järjestelmä osoittautui stabiiliksi ja mahdollisti normaalin keskustelun rakennetun akustisen avanteen läpi. Aaltokenttäsynteesiä verrattiin muihin äänentoisto- ja äänitysjärjestelmiin kuuntelukokeiden avulla. Tulokset osoittavat, että äänikenttäsynteesin ominaisuudet ovat riittävät korkealaatuisen ja monikanavaisen äänikommunikaatiojärjestelmän toteuttamiseksi., In this Master's Thesis a two-way multichannel audio communication system is introduced. The aim is to create a virtual acoustic window between two rooms, providing correct spatial localization of multiple audio sources on both sides. Extending monophonic communication systems to feature multichannel sound capture and reproduction increases the intelligibility of speech and the accuracy of source localization achieved with the system. Adding multiple channels to the system also increases the complexity of the acoustic echo cancellation. Methods known from stereophonic systems extend to multichannel systems. By using arrays of microphones and loudspeakers it becomes possible to try to recreate a part of the acoustic wave field existing in the recording space. A method for achieving this is wave field synthesis (WFS). To solve the acoustic feedback problem, a 48 channel acoustic echo canceller was implemented. To maximize the achieved echo attenuation, a combination of adaptive and static filters were used. The implementation provided a stable solution that made normal conversation through the window possible. To verify the quality of the system, a listening test was performed. In the test, WFS was compared against three other recording and reproduction methods on four different attributes of the perceived sound scape. The results show that WFS offers clear potential to be used in multichannel communication systems and in creation of the acoustic opening.

Änkyttäjien puheen sujuvuuden parantamiseen on puheterapian lisäksi saatavilla erilaisia laitteita ja ohjelmistoja. Nämä elektroniset apuvälineet perustuvat usein änkyttäjän omasta puheestaan saamien kuulohavaintojen muuntamiseen. Käytetyin näistä menetelmistä on viivästetty auditiivinen palaute, josta käytetään lyhennettä DAF (Delayed Auditory Feedback). Nämä erikoistuneet laitteet ovat yleensä kalliita ja hankalasti saatavilla. Halvemmalle, ohjelmistoon perustuvalle, mutta silti helposti mukana kannettavalle ratkaisulle on selvää tarvetta. Tälle on tarjoutunut mahdollisuus nykyaikaisten matkapuhelimien ansiosta. Niiden ominaisuudet vastaavat jo tietokoneita, ja niiden käyttöjärjestelmille on mahdollista kehittää omia sovelluksia. Tämän työn tavoitteena oli kehittää Symbian Series 60 -käyttöjärjestelmää käyttävissä matkapuhelimissa toimiva DAFia hyödyntävä sovellus, joka toimii sähköisten apuvälineiden tavoin. Käytettäessä se siis auttaa änkyttäjää parantamaan puheensa sujuvuutta. Tätä sovellusta testattiin pienellä koehenkilöjoukolla ja tutkittiin, toimiiko se vastaavalla tavalla kuin samaan tarkoitukseen rakennetut laitteet. Mittauksista saatujen havaintojen perusteella sovellus parantaa koehenkilöinä olleiden änkyttäjien puheen sujuvuutta. Vaikutus tuntuu riippuvan osin koehenkilöstä ja ilmenevän paremmin lukiessa tekstiä ääneen kuin spontaanissa keskustelussa. Vaikka sovelluksen vaikutus oli selvä, osa sen ominaisuuksista ei vastannut DAF-laitteiden ominaisuuksia. Huomattiin, että sovelluksessa on paljon potentiaalia jatkokehittelylle., Apart from speech therapy, there are various devices and software meant to improve the fluency of stutterers' speech. These electronic aids are often based on altering the auditory perceptions a stutterer receives of his own speech. The most used of these methods is called delayed auditory feedback or DAF. These specialized devices are typically expensive and hard to obtain. There is a clear need for a cheaper and portable software-based solution. The modern mobile phones have enabled implementing this solution. Their features already match those of computers, and as it is possible to develop one's own applications for their operating systems. The objective of this work was to develop an application using DAF and running in mobile phones using Symbian Series 60 operating system that works like the electronic aids. When used, it improves the fluency of a stutterer's speech. This application was tested on a small group of test subjects, examining whether it works similarly to the devices built for the purpose. The observations received from the tests indicate that the application improves the fluency of the stuttering test subjects. The effect seems to depend partly on the test subject and become more evident when text is being read aloud instead of speaking in a spontaneous conversation. Even though the effect was distinctive, part of the application's features didn't match those of the devices using DAF. It was discovered that the application has much potential for further development.

Nykyaikaisten aivotutkimusmenetelmien avulla voidaan tutkia ihmisaivojen toimintaa. MMN-vaste (Mismatch Negativity) kuvaa eron havaitsemista usein toistuvan äänen (standardi) ja harvoin esiintyvän äänen (deviantti) välillä. MMN-vaste liitetäänkin lyhytkestoisen kuulomuistin toimintaan ja äänten erotteluun. Tässä työssä on tutkittu standardin todennäköisyyden vaikutusta MMN-vasteeseen. Aivotutkimuskoetta varten tuotettiin sopiva ääniärsykejoukko, jossa kymmenet deviantit eroavat standardista yhtä suurin psykoakustisin eroin. Nauhoitettua sellon ääntä muokattiin useassa äänenvärin dimensiossa ja äänenvärieroja arvioitiin subjektiivisessa kuuntelukokeessa. MMN-vastetta tutkittiin aivosähkökäyrämittausten (EEG) avulla. Tässä työssä käsitellään äänenvärin dimensioita ja tapoja muokata äänenväriä. Työssä esitetään äänenvärierojen subjektiivinen arviointi sekä aivomittaukset. Tässä työssä havaittiin, että on mahdollista tuottaa joukko äänenväriltään eroavia ääniä, joilla on yhtä suuri psykoakustinen etäisyys vertailuääneen nähden. Tulokset myös osoittavat, että standardin todennäköisyyden vähentäminen pienentää MMN-vasteen amplitudia eli vaikeuttaa automaattista äänten erottelua., Modern brain recording techniques offer possibilities to study the functioning of the human brain. The mismatch negativity (MMN) response reflects a change detection from the frequently presented tone (i.e., a standard tone) to the infrequently presented tone (i.e., a deviant tone). Thus, the MMNis associated with the automatic functioning of the short-term auditory sensory memory and sound discrimination. In this thesis the effect of the standard probability on the MMN response is studied. In order to perform a brain-research experiment in which dozens of deviants would differ from the standard with equal psychoacoustic steps, an appropriate set of sound stimuli was generated. A recorded cello tone was modified in several dimensions of timbre and the modifications were evaluated through a subjective listening test. Electroencephalographic (EEG) recordings were performed in order to study the MMN response. This thesis discusses the timbre dimensions and the methods for timbre modifications. The subjective evaluation of timbre modifications is described, as well as the brain recordings. Within this thesis it was observed that it is possible to generate a set of sounds differing in timbre and having an equal psychoacoustic distance from the reference sound. The results also show that decreasing the probability of the standard decreases the amplitude of the MMN response, i.e., makes the automatic sound discrimination more difficult.

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.

Tässä diplomityössä esitetään musiikkisyntetisaattorin suunnittelua systeemille, jonka laskentateho ja muistikapasiteetti ovat rajoitettuja. Ensiksi kerrataan mahdollisia synteesitekniikoita sekä arvioidaan niiden käyttökelpoisuutta laskennallisesti tehokkaassa musiikkisynteesissä. Käytännössä käyttökelpoiset tekniikat ovat lisäävä ja lähde-suodinsynteesit, ja erikoistapauksissa taajuusmodulaatio-, aaltotaulukko- ja samplaussynteesit. Tämän jälkeen käyttökelpoisten tekniikoiden rakenteiden suunnittelua esitetään tarkemmin, sekä esitetään näiden rakenteiden ominaisuuksia ja suunnitteluongelmia. Suurin ongelma kohdataan digitaalisessa lähde-suodinsynteesissä, jossa klassisten aaltomuotojen, kuten saha-aallon käyttö lähdesignaalina on ongelmallista laskostumisen takia, joka johtuu aaltomuodossa olevista epäjatkuvuuksista. Olemassa olevia kaistarajoitettuja aaltomuotosynteesimenetelmiä kerrataan, ja polynomimuotoiseen kaistarajoitetuun askelfunktioon perustuvaa menetelmää esitellään tarkemmin antamalla suunnittelusääntöjä käyttökelpoisille polynomeille. Menetelmää testataan lisäksi kahdella kolmannen asteen polynomilla. Nämä polynomit vähentävät laskostumista korkeilla taajuuksilla enemmän verrattuna ensimmäisen asteen polynomiin, mutta pienillä taajuksilla ensimmäisen asteen polynomi tuottaa parempia tuloksia. Lisäksi kerrataan muita mahdollisia ääniefektialgoritmeja ja arvioidaan niiden käyttökelpoisuutta laskennallisesti tehokkaassa musiikkisynteesissä. Useasti äänisynteesisysteemin täytyy pystyä generoimaan musiikkia, jossa käytetään monia erilaisia ääniä, jotka ulottuvat oikeista akustisista soittimista elektronisiin soittimiin ja luonnon ääniin. Siksi tällainen systeemi tarvitsee huolellista äänten suunnittelua. Tässä diplomityössä esitetään suunnittelusääntöjä erilaisten äänien imitoimiseksi. Lisäksi esitellään synteesimenetelmien parametrien vaikutus äänivarianttien suunnitteluun., In this thesis, the design of a music synthesizer for systems suffering from limitations in computing power and memory capacity is presented. First, different possible synthesis techniques are reviewed and their applicability in computationally efficient music synthesis is discussed. In practice, the applicable techniques are limited to additive and source-filter synthesis, and, in special cases, to frequency modulation, wavetable and sampling synthesis. Next, the design of the structures of the applicable techniques are presented in detail, and properties and design issues of these structures are discussed. A major implementation problem is raised in digital source-filter synthesis, where the use of classic waveforms, such as sawtooth wave, as the source signal is challenging due to aliasing caused by waveform discontinuities. Methods for existing bandlimited waveform synthesis are reviewed, and a new approach using polynomial bandlimited step function is presented in detail with design rules for the applicable polynomials. The approach is also tested with two different third-order polynomials. They reduce aliasing more at high frequencies, but at low frequencies their performance is worse than with the first-order polynomial. In addition, some commonly used sound effect algorithms are reviewed with respect to their applicability in computationally efficient music synthesis. In many cases the sound synthesis system must be capable of producing music consisting of various different sounds ranging from real acoustic instruments to electronic instruments and sounds from nature. Therefore, the music synthesis system requires careful sound design. In this thesis, sound design rules for imitation of various sounds using the computationally efficient synthesis techniques are presented. In addition, the effects of the parameter variation for the design of sound variants are presented.

Värähtelevän kielen epälineaarinen käyttäytyminen saa monissa kielisoittimissa aikaan soittimelle luonteenomaisen ja helposti tunnistettavan äänen. Laadukkaan kielisoitinsynteesin vuoksi onkin tärkeää, että nykyaikaiset äänisynteesimenetelmät ottavat huomioon myös kielten epälineaarisuudet. Tässä diplomityössä esitellään kaksi uutta synteesimenetelmää, jotka fysikaalisen mallinnuksen avulla simuloivat epälineaarisia näpättyjä kieliä paikkajakautuneesti, keskittyen jännitysmodulaation tuottamiin epälineaarisuuksiin. Toinen menetelmistä käyttää hajautettuja murtoviivesuotimia digitaalisen aaltojohtomallin viivesilmukan pituuden ajonaikaisessa virittämisessä, kun taas toinen hyödyntää murtoviivesuotimia äärelliseen erotukseen pohjautuvan mallin aikaresoluution muuttamisessa ajon aikana. Jännitysmodulaation suuruus arvioidaan kummankin mallin tapauksessa jokaisella aika-askeleella kielen pidentymästä. Molempien mallien simulaatiotulokset esitellään ja niitä verrataan toisiinsa sekä myös mitattuihin arvoihin. Epälineaarisen aaltojohtomallin avulla on toteutettu reaaliaikainen kantelemalli., Nonlinearities in string instruments are responsible for several interesting acoustical features, resulting in characteristic and easily recognizable tones. For this reason, modern synthesis models have to be capable of modeling this nonlinear behavior, when high quality results are desired. This thesis presents two novel physical modeling algorithms for simulating the tension modulation nonlinearity in plucked strings in a spatially distributed manner. The first method uses fractional delay filters within a digital waveguide structure, allowing the length of the string to be modulated during run time. The second method uses a nonlinear finite difference approach, where the string state is approximated between sampling instants also using fractional delay filters, thus allowing run-time modulation of the temporal sampling location. The magnitude of the tension modulation is evaluated from the elongation of the string at every time step in both cases. Simulation results of the two models are presented and compared. Real-time sound synthesis of the kantele, a traditional Finnish plucked-string instrument with strong effect of tension modulation, has been implemented using the nonlinear digital waveguide algorithm.

Tässä työssä käsitellään nykyään suosiossa olevien, korkean olohuoneen omaavien, kivirakenteisten pientalojen huoneakustiikan parantamista. Työn teoriaosassa käydään läpi perusasioita ja käsitteitä sekä huone- että rakennusakustiikan puolelta. Samalla pohditaan kyseisissä taloissa hyvälle huoneakustiikalle annettavia kriteereitä ja niiden saavuttamista. Työssä esitellään lisäksi erikseen vuonna 2004 julkaistua standardia, SFS 5907 Rakennusten akustinen luokitus, ja tutkitaan sen asettamia ehtoja pientaloille. Kokeellisessa osassa tarkastellaan kolmea kohderakennusta ja niissä tehtäviä huoneakustiikan parannuksia. Kohderakennuksien olohuoneissa mitataan jälkikaiunta-ajat, jonka jälkeen kohteisiin suunnitellaan ja toteutetaan akustointi. Tämän jälkeen mittaukset toistetaan ja tuloksia analysoidaan. Tuloksien ja asukkaiden palautteen perusteella havaitaan olosuhteiden parantuneen selkeästi taloissa. Työssä havaitaan yleisesti, että huoneakustiikka kivitalojen korkeissa olohuoneissa on usein huono. Kaiunta ja äänekkyys kodeissa koetaan suurena ongelmana ja ratkaisuja halutaan. Usein ei kuitenkaan tiedetä, miten tilanteeseen voitaisiin vaikuttaa ja minkälaisia kustannuksia se aiheuttaa. Tilanteisiin pystytään luomaan jälkikäteen hyviäkin parannuksia, mutta asia tulisi ottaa esille jo rakennusten suunnitteluvaiheessa, jotta saataisiin aikaan paremmin teknisesti ja ulkonäöllisesti toimivia ratkaisuja., This thesis is about improving the room acoustics in houses with high living room and that are constructed of stone. Some basic theory of the room and building acoustics is presented and criteria for good room acoustics are also considered. The SFS standard 5907 "Acoustic classification of spaces in buildings" is also presented separately. In the experimental part, three buildings are investigated. Reverbration time is measured in the living rooms and then acoustical improvements are designed and carried out. After that the new reverbration times are measured and the results are analyzed. Considering the results and the feedback from the people living in the house, the conditions are found to be clearly better than before. In general, the room acoustical conditions seem to be often bad in houses with high living room and that are constructed of stone. Reverbration and loudness are big problems and solutions are needed. Often the situation is that people don't know how to cope with the problem and what are the costs. Problems can be fixed afterwards, but they should be considered before building the house so that technically and visually better solutions could be possible.

Tässä diplomityössä etsitään ja määritellään optimaalinen ohjelmistoarkkitehtuuri reaaliaikaisen puheenkoodauksen mahdollistamiseksi mobiilin laitteen Internet-puheluohjelmistossa. Arkkitehtuurille asetettiin vaatimus, jonka mukaan puhelu ja siihen liittyvä puheen reaaliaikaisuus ei saa rajoittaa tai liikaa kuormittaa laitteen muuta toiminnallisuutta. Työssä käytetty mobiili laite tarjoaa mahdollisuuden hyödyntää kahta prosessoria. Toinen prosessoreista on tarkoitettu yleisille käyttöjärjestelmille sekä ohjelmistoille ja toinen signaalinkäsittelyoperaatioille. Suunniteltu arkkitehtuuri yhdistää näiden kahden prosessorin toiminnallisuuden ja mahdollistaa reaaliaikaisen puheenkoodauksen (sekä toisto että äänitys) mobiliisissa laitteessa. Arkkitehtuuri toteutettiin ja sen suorituskykyä arvioitiin erilaisilla mittauksilla ja parametreilla. Havaittiin, että toteutus suoriutuu erinomaisesti sille asetetuista vaatimuksista. Todettiin myös, että käytettäessä ainoastaan laitteen yhtä prosessoria reaaliaikavaatimus ei täyty. Tämä johtuu puhekoodekin matemaattisesta kompleksisuudesta ja laitteen rajoitetuista ominaisuuksista. Työn aikana jätettiin kaksi patenttihakemusta., In this thesis, an optimal software architecture is studied and defined for enabling a real-time speech coding scheme in an Internet telephony application of a mobile terminal. According to a requirement set for the architecture, a phone call and the related real-time speech coding shall not limit or overload other functionality of the terminal. The mobile terminal utilized in this thesis provides a potential to take advantage of the efficiency of a dual core processor. One of the processors is designed for general purpose operating systems, and the other one for signal processing operations. The designed software architecture combines the functionality of these processors and enables real-time speech coding (both playback and capture) in the device. The architecture was implemented and its performance was evaluated with different measurements and parameters. It was observed that the implementation outperforms the requirements set. It was also confirmed that the performance of the general purpose processor is inadequate for real-time operations with the chosen speech coder/decoder. Two patent applications were filed by the author during the writing of this thesis.

Ampumamelua tässä työssä käsiteltiin lähinnä ampumaratojen ja alueiden ympäristön kannalta, mahdollisena ympäristöhaittana. Työssä tarkasteltiin sekä kevyiden että raskaiden aseiden melua. Ampumamelu on hyvin impulsiivista ja voimakasta ja se eroaa monin tavoin merkittävästi muista ympäristömelulajeista. Erityisiä menetelmiä tarvitaan tarkkaan tehtävässä ampumamelun mittauksessa, leviämisen mallinnuksessa ja häiritsevyyden arvioinnssa. Ihmisen kuulon äänekkyyden aikaintegrointi ja vakioäänekkyyskäyrästöt tukevat F- ja A-painotusten käyttöä. Mittaus- ja mallinnusteknisestä näkökulmasta energiapohjaisten äänitasojen käyttö on suositeltavampaa kuin enimmäisäänitasojen käyttö. Tässä työssä tehdyt kahden kilpailevan emissiomittausmenetelmän simuloinnit ja mittaukset osoittivat, että kevyiden aseiden melupäästöt pitäisi mitata kovalla maalla mikrofoni lähellä maanpintaa Nordtestin menetelmän mukaisesti. Mikrofonin korkeuden nostaminen aiheuttaa ei-toivotun interferenssin. Raskailla aseilla mikrofoni kuitenkin pitää käytännössä nostaa ylös, jolloin maaheijastuksen vaikutus pitää laskea jälkikäteen pois tuloksesta. Tämän työn mittaustulosten analyysit osoittavat, että ympäristön aiheuttama sironta levittää impulssia ajassa etäisyyden kasvaessa, mikä vaikuttaa enimmäisäänitasoihin merkittävästi. Tavalliset laskentamallit ennustavat leviämistä melko tarkasti myötätuuliolosuhteissa energiatasoja laskettaessa. Pohjoismaisessa ja ISO:n laskentamalleissa ampumamelun etenemisen laskenta on samanlainen estevaimennusta lukuun ottamatta. Teorian ja mittausten perusteella luodin aiheuttama yliäänipamaus voi olla jopa voimakkaampi kuin suupamaus ainakin kevyillä aseilla., Environmental noise from shooting ranges and areas was considered. Both small arms and heavy weapons noise was studied. Shooting noise is very impulsive and strong and it differs considerably in many respects from other environmental noises. Special methods are needed in order to measure, model and assess shooting noise in the environment accurately. Temporal loudness integration and the equal-loudness contours support the use of the F- and A-weightings for the assessment of annoyance at long distance. From technical measurement and modelling point of view, energy-based level quantities are preferred over maximum level quantities. In this work, simulations and measurements were made using two competing emission measurement methods. It was found that small-calibre weapon emission should preferably be measured by placing the microphone on flat hard ground according to Nordtest method. Raising the microphone above the ground produces unwanted interference. With heavy weapons, nevertheless, the microphone needs to be raised and the ground reflection compensated afterwards. The measurement data analyses in this thesis showed that the scattering in the environment makes the impulses spread in time with increasing distance. This affects the maximum level quantities considerably. Conventional propagation models predict fairly accurately energy-based levels in downwind conditions. With the ISO and Nordic calculation models the propagation of shooting noise is calculated similarly except for the barrier effect. Based on theory and measurements, the noise resulting from supersonic bullets can be stronger than the muzzle blast, at least with small-calibre weapons.

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.

Tämän diplomityön tavoitteena on ollut tutkia ja kehittää tapoja, joilla voidaan digitaalisesti parantaa kitaramikrofonisignaalien äänenlaatua. Työn lähtökohtana on ollut luonnollisen kuuloinen tallamikrofonisignaalin toistaminen. Tyypillisesti esiintymistilanteissa kohdataan ongelma ettei käytetty mikrofoni aisti akustisen kitaran onton kaikukopan vaikutusta. Seurauksena mikrofonin ulostulo kuulostaa epäluonnolliselta verrattuna ilmateitse säteilevään ääneen. Eräs ratkaisu tähän ongelmaan on käyttää tilanteeseen sopivalla tavalla suunniteltua digitaalista suodinta. Sopiva suodin pystyy syntetisoimaan onton kaikukopan vaikutukset tallamikrofonisignaaliin. Aluksi tämä diplomityö käsittelee akustisen ja sähkökitaran toimintaa ja mikrofoneja, joita niissä tyypillisesti käytetään. Tämän perusteella esitellään systeemin signaalitiet. Tämän jälkeen kuvataan työssä käytetyt kitarankopan mallinnusmenetelmät, tekniikat ja mittausjärjestelyt. Sen jälkeen käsitellään suotimien toteutusmenetelmiä ja mallinnusaiheeseen liittyviä muita kysymyksiä. Lopuksi esitellään työn tulokset sekä pohditaan aiheeseen liittyviä kysymyksiä ja mahdollisia jatkotutkimusmahdollisuuksia. Työssä käsitellyt menetelmät pystyvät mallintamaan onton kitarakopan ominaisuuksia. Menetelmiä voidaan käyttää tallamikrofonilla varustetulle akustiselle kitaralle. Lisäksi sähkökitara saadaan digitaalisuotimella kuulostamaan lähes akustiselta kitaralta. Kaikukopan havaittua kokoa voidaan myös muuttaa, niin että pienikoppainen kitara saadaan kuulostamaan suurikoppaiselta ja päinvastoin. Tapa, jolla tämä on toteutettu, mahdollistaa myös kaikukoppamallin käytön aikamuuttuvana ääniefektinä., The objective of this thesis was to study and develop ways to digitally enhance the timbre of guitar pickup signals. The basis for this work was natural sounding reinforcement of an undersaddle pickup signal. A problem typically encountered in a live performance situation is that the microphones often used in acoustic guitars do not capture the effect of the hollow body of the acoustic guitar. As a consequence, the audible timbre of the microphone output sounds unnatural, compared to the air-radiated sound. A solution to this problem is to use a properly designed digital filter. A proper digital filter is able to synthesize the effect of a hollow guitar body to the undersaddle pickup signal. First, this thesis discusses the behaviour of the acoustic and electric guitar, and microphones typically used in them. Based on this, the signal paths of the system are described. Thereafter, the modeling methods, techniques, and measurement setups are described as used in this work to synthesize the hollow body of a guitar. Different ways to realize the modeling digital filters are discussed, with some further issues related to the subject. Finally, the work describes the results obtained, and discusses possible future work plans. The methods discussed in this work are able to model the characteristic of a hollow guitar body. The modeling schemes can be used for acoustic guitars with an undersaddle pickup. In addition, the electric guitar can be filtered to sound more like an acoustic guitar. The perceived size of the modeled body can also be changed, i.e., a small-bodied guitar can be made to sound like a large one, and vice versa. The way this is implemented enables the use of the modeling filter as a time-varying sound effect.

Langattoman viestinnän siirtonopeudet ovat tällä hetkellä varsin rajalliset. Kehittyneiden koodausmenetelmien avulla siirrettävä tieto saadaan pakattua pienempään muistiin. Äänisignaalien pakkaaminen on edistynyt paljon kuluneina vuosina, ja yksi tämän mahdollistanut menetelmä on ollut kaistanlaajennus. Tässä diplomityössä tutkitaan nykyisiä kaistanlaajennusmenetelmiä. Menetelmiä analysoidaan tavoitteena löytää keinoja niiden parantamiseen. Diplomityön tekijä on kehittänyt kaksi uutta menetelmää. Modifioituun diskreettiin kosinimuunnokseen (MDCT) perustuvaa menetelmää on käytetty selvittämään kuinka eri parametrit vaikuttavat kaistanlaajennuksen lopputulokseen. Toinen menetelmä käyttää lineaarista ennustusta (LPC) äänisignaalin ominaisuuksien mallintamiseen. Uusia menetelmiä vertailtiin toisiinsa ja yhteen olemassaolevaan menetelmään kuuntelutesteissä. Testien tuloksina todettiin, että uusia menetelmiä voidaan käyttää pakkaustehokkuuden parantamiseen korkealaatuisessa audiokoodauksessa., In mobile telecommunications the transmission speed is currently very limited. Advanced coding methods are used to pack transmitted information into a smaller memory space. The coding of audio signals has developed a lot in the past years, and one method enabling better coding efficiency has been bandwidth extension. In this thesis, the current bandwidth extension methods are studied, and analysis is made to find out if the methods could be improved. Two new methods have been developed by the author. A method based on modified discrete cosine transform (MDCT) has been used to examine how different parameters affect the result of bandwidth extension. The second method uses linear prediction (LPC) in modeling the properties of audio signals. The new methods were compared against each other and one previous bandwidth extension method in listening tests. The results of the tests were that the new methods can be used to improve coding efficiency in high-quality audio coding.

Human voice production was studied using three methods: inverse filtering, digital high-speed imaging of the vocal folds, and electroglottography. The primary goal was to evaluate an inverse filtering method by comparing inverse filtered glottal flow estimates with information obtained by the other methods. More detailed examination of the human voice source behavior was also included in the work. Material from two experiments was analyzed in this study. The data of the first experiment consisted of simultaneous recordings of acoustic speech signal, electroglottogram, and high-speed imaging acquired during sustained vowel phonations. Inverse filtered glottal flow estimates were compared with glottal area waveforms derived from the image material by calculating pulse shape parameters from the signals. The material of the second experiment included recordings of acoustic speech signal and electroglottogram during phonations of sustained vowels. This material was utilized for the analysis of the opening phase and the closing phase of vocal fold vibration. The evaluated inverse filtering method was found to produce mostly reasonable estimates of glottal flow. However, the parameters of the system have to be set appropriately, which requires experience on inverse filtering and speech production. The flow estimates often showed a two-stage opening phase with two instants of rapid increase in the flow derivative. The instant of glottal opening detected in the electroglottogram was often found to coincide with an increase in the flow derivative. The instant of minimum flow derivative was found to occur mostly during the last quarter of the closing phase and it was shown to precede the closing peak of the differentiated electroglottogram., Ihmisen puheentuottoa tutkittiin kolmella menetelmällä: käänteissuodatuksella, äänihuulten digitaalisella suurnopeuskuvauksella ja elektroglottografialla. Päätavoitteena oli tarkastella erään käänteissuodatusmenetelmän toimintaa vertailemalla näillä menetelmillä saatua informaatiota äänihuulten värähtelystä. Lisäksi tutkittiin tarkemmin eräitä äänilähteen käyttäytymisen yksityiskohtia. Tutkimuksessa analysoitiin aineistoa kahdesta koejärjestelystä. Ensimmäisessä kokeessa tallennettiin samanaikaisesti äänisignaali, elektroglottogrammi ja suurnopeuskuvamateriaalia äänihuulista koehenkilöiden tuottaessa pitkiä vokaaleita. Käänteissuodatuksella saaduista glottisvirtausestimaateista sekä kuvamateriaalin ilmaisemasta ääniraon pinta-alavaihtelusta laskettiin pulssiparametreja, joiden avulla vertailtiin virtauksen ja ääniraon pinta-alan käyttäytymistä. Toisen koejärjestelyn aineisto koostui äänisignaalista ja elektroglottogrammista, jotka oli tallennettu vokaaliääntöjen aikana. Tämän materiaalin perusteella analysoitiin ääniraon avautumis- ja sulkeutumisvaihetta. Tarkastellun käänteissuodatusmenetelmän todettiin tuottavan enimmäkseen luotettavia virtausestimaatteja edellyttäen, että menetelmän parametrit asetetaan tarkoituksenmukaisesti, mikä vaatii käyttäjältä kokemusta käänteissuodatuksesta ja ihmisen puheentuotosta. Glottisvirtauksen avautumisvaiheen havaittiin olevan useissa virtausestimaateissa kaksivaiheinen siten, että virtauksen kasvu voimistuu nopeasti kahdessa kohdassa sulkeutumisen ja maksimivirtauksen välillä. Virtauksen kasvun todettiin usein voimistuvan elektroglottogrammista tunnistetun ääniraon avautumishetken lähellä. Virtauksen derivaatan minimikohdan havaittiin sijoittuvan enimmäkseen virtauksen sulkeutumisvaiheen viimeiseen neljännekseen, ja sen osoitettiin esiintyvän ennen elektroglottogrammin derivaatan minimikohtaa.

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.

Henkilökohtaisten tietokoneiden käyttö tosiaikaisina soitinsovelluksina on mahdollistunut lisääntyneen laskentakapasiteetin myötä. Tässä diplomityössä kuvataan em. kaltaisen ohjelmistopohjaisen äänisyntetisaattorin suunnittelu- ja toteutusprosessi, jonka päätavoitteena oli useista eri perussynteesitekniikoista koostuvan synteesiarkkitehtuurin kehittäminen. Työssä läpikäydään lukuisia äänisynteesi-, muokkaus- ja modulaatiotekniikoita, minkä jälkeen tarkastellaan joitakin jo olemassaolevia laitteisto- ja ohjelmistopohjaisia järjestelmiä. Toteutettavan sovelluksen vaatimusmäärittelyyn ja tätä seuraavaan järjestelmäarkkitehtuurin suunnitteluvaiheeseen sovellettiin yleiskäyttöistä oliopohjaista suunnittelumetodiikkaa. Varsinainen toteutusvaihe pilkottiin sovelluskehyksen ja sen varaan rakennetun laajennusosion kesken. Työn tulosten arviointiin käytetään ääni- ja lähdekoodianalyysia. Työssä kehitetty kokoava synteesiarkkitehtuurirakenne osoittautui intuitiiviseksi ja toteutuskelpoiseksi ratkaisuksi. Käytetty suunnittelumetodiikka soveltui hyvin äänisynteesijärjestelmien suunnitteluun, mutta sitä pidettiin liian työläänä menetelmänä lähinnä ylläpitovaatimusten vuoksi. Toteutusvaiheessa hyvin tehdystä suunnittelusta oli luonnollisesti hyötyä, vaikkakin käyttöliittymäkoodin suhteellisen suuri määrä aiheutti analyysivaiheessa yllätyksen. Syntetisaattorin tuottaman äänimateriaalin monipuolisuus oli positiivinen havainto, minkä lisäksi äänen laatu osoittautui vertailukelpoiseksi, ellei jopa parempitasoiseksi kuin vastaavissa kaupallisissa sovelluksissa., Increased processing power of personal computers has enabled their use as real-time virtual musical instruments. In this thesis, such a software sound synthesizer is designed and implemented, with the main objective being in the development of a composite synthesis architecture comprising several elementary synthesis techniques. First, a survey of sound synthesis, effects processing and modulation techniques was conducted, followed by an investigation to some existing implementations in hardware and software platforms. Next, a formal object-oriented design methodology was applied to capture the requirements of the implementation, and an architectural design phase was carried out to ensure that the requirements were fulfilled. Thereafter, the actual implementation work was divided between the reusable application framework library and the extended implementation packages. Finally, evaluation of the results was made in form of sound and source code analysis. As a conclusion, the composite synthesis architecture was found to be relatively intuitive and realizable. The generic object-oriented design methodology applied appeared to be well suited to the design of sound synthesis systems in general, but was considered to be too laborious to follow in every detail. The implementation work benefitted from the properly done design phase, however. The relative amount of man machine interface code compared to other subsystems was still surprisingly large. The timbral dimension of the realizable sound palette appeared to be quite wide, and the quality of the audio output was comparable, or even better than that of the existing implementations.

Audion tallennus- ja toistolaitteiden valikoiman kasvaessa on tärkeää, että kaikenlaisilla välineillä tallennettua sekä syntetisoitua audiota voidaan muokata toistettavaksi kaikenlaisilla äänentoistojärjestelmillä. Tässä diplomityössä esitellään menetelmä, jolla binauraalinen audiosignaali voidaan muokata toistettavaksi monikanavaisella kaiutinjärjestelmällä säilyttäen signaalin suuntainformaation. Tällaiselle muokkausmenetelmälle on tarvetta esimerkiksi etäläsnäolosovelluksissa keinona toistaa binauraalinen äänitys monikanavaisella kaiutinjärjestelmällä. Menetelmässä binauraalisesta signaalista estimoidaan ensin äänilähteiden suunnat käyttäen hyväksi korvien välistä aikaeroa. Signaali muokataan monofoniseksi, ja tulosuunnan estimoinnin antama tieto tallennetaan sivuinformaationa. Monofoninen signaali muokataan sen jälkeen halutulle monikanavaiselle kaiutinjärjestelmälle panoroimalla se tallennetun suuntainformaation mukaisesti. Käytännössä menetelmä siis muuntaa korvien välisen aikaeron kanavien väliseksi voimakkuuseroksi. Menetelmässä käytetään ja yhdistellään olemassaolevia tekniikoita tulosuunnan estimoinnille sekä panoroinnille. Menetelmää testattiin vapaamuotoisessa kuuntelukokeessa, sekä lisäämällä ääninäytteisiin binauraalista taustamelua ennen muokkausta ja arvioimalla sen vaikutusta muokatun signaalin laatuun. Menetelmän todettiin toimivan kelvollisesti sekä suuntainformaation säilymisen, että äänen laadun suhteen, ottaen huomioon, että sen kehitystyö on vasta aluillaan., The increasing diversity of popular audio recording and playback systems gives reasons to ensure that recordings made with any equipment, as well as any synthesised audio, can be reproduced for playback with all types of devices. In this thesis, a method is introduced for upmixing binaural audio into a multichannel format while preserving the correct spatial sensation. This type of upmix is required when a binaural recording is desired to be spatially reproduced for playback over a multichannel loudspeaker setup, a scenario typical for e.g. the prospective telepresence appliances. In the upmix method the sound source directions are estimated from the binaural signal by using the interaural time difference. The signal is then downmixed into a monophonic format and the data given by the azimuth estimation is stored as side-information. The monophonic signal is upmixed for an arbitrary multichannel loudspeaker setup by panning it on the basis of the spatial side-information. The method, thus effectively converting interaural time differences into interchannel level differences, employs and conjoins existing techniques for azimuth estimation and discrete panning. The method was tested in an informal listening test, as well as by adding spatial background noise into the samples before upmixing and evaluating its influence on the sound quality of the upmixed samples. The method was found to perform acceptably well in maintaining both the spatiality as well as the sound quality, regarding that much development work remains to be done.

Tässä työssä tutkitaan pianon äänentuottomekanismia sekä akustisia ominaisuuksia. Tarkoituksena on luoda lähtökohdat pianon äänen parametriselle mallintamiselle. Lisäksi tutkitaan pianon äänen tärkeimpiä ominaisuuksia, kuten epäharmonisuutta, osaäänesten monimutkaista vaimenemisprosessia, kaikupohjan ja pedaalin ominaisuuksia sekä näiden tekijöiden vaikutuksia ääneen. Flyygelin ja pystypianon eroja tarkastellaan lyhyesti. Koska digitaalinen aaltojohtomallinnus tarjoaa parhaat lähtökohdat fysikaaliseen soitinmallinnukseen, tämä työ pohjautuu tähän tekniikkaan. Digitaalisen aaltojohtomallinnuksen pääpiirteet esitellään, kuten myös pianon kannalta olennaisimmat mallinnukseen liittyvät asiat. Lisäksi esitellään uusi tekniikka häviösuotimen suunnittelua varten, sekä annetaan muutama esimerkki käytännön suodinsuunnittelusta tällä tekniikalla. Tämän lisäksi tarkastellaan kaikupedaalin mallintamista sekä suoritetaan signaalianalyysi tehokkaan mallinnusalgoritmin löytämiseksi. Analysoitavat signaalit on äänitetty kahdessa äänityssessiossa vuoden 2005 aikana., In this thesis, an overview of the sound production mechanism of the piano is given. The acoustical properties of the instrument are studied in order to make a baseline for a physical and parametric model for the piano. In addition, the most important features of the piano sound, such as inharmonicity, the complicated decay process of the tones and the properties of the soundboard and the pedals, are investigated. The differences between the grand piano and the upright piano are considered in brief. As the digital waveguide technique is the most feasible physics-based sound synthesis technique at the moment, the synthesis procedure that is followed in this thesis is based on this technique. An overview of the main aspects of this synthesis scheme is given, and the most important modeling issues are taken into account from the piano sound synthesis point of view. A novel filter design technique for modeling the losses occurring in the piano sound is presented with some practical design examples. In addition, the modeling of the sustain pedal is discussed and signal analysis is performed in order to gather information for the synthetic sustain pedal algorithm. The analyzed signals are obtained from two recording sessions which were carried out in two parts during the year 2005.

Tämä työ käsittelee puheen spektraalista mallinnusta, autoregressiivisiä (AR) malleja apuna käyttäen. Lineaariset puheentuottomallit pyrkivät etsimään ihmisen puheentuotosta kommunikaation kannalta tärkeimmät tekijät. Tämä tehdään yleisesti jakamalla lineaarinen puheentuottomalli lähteeksi ja ääntöväylän suotimeksi. Tällainen jako voidaan toteuttaa AR-mallinnuksella, missä puheen lyhytaikaisen spektrin verhokäyrä saadaan mallinnettua tehokkaasti. Seitsemän AR-mallia määriteltiin ja formuloitiin yhtenäisiä merkintätapoja käyttäen, minkä seurauksena menetelmiä voitiin vertailla keskenään teoreettisella tasolla. Aika-alueessa optimisoitujen AR-mallien stabiilisuus ominaisuudet formuloitiin rakentavalla ja osittain uudella tavalla. Tämän seurauksena painotetulle lineaariselle ennustusmenetelmälle (WLPC) johdettiin uusi stabiilisuusalue käytettävän painofunktion suhteen. Kyseisten seitsemän AR-menetelmän ominaisuuksia, kohinaisen puhesignaalin spektriä mallinnettaessa, vertailtiin objektiivisten ja subjektiivisten mittojen valossa. Molemmissa tapauksissa kohinana käytettiin korreloimattomia Gaussin ja Laplacen jakautuneita satunaislukuja. Objektiivisena mittana käytettiin logaritmista spektrin eroavaisuustunnuslukua (SD) ja subjektiivisena mittana kuuntelukokeita. Kuuntelukokeissa käytettiin diskreettiä näytteen huonontuma skaalaa (DCR). WLPC menetelmä, missä painofunktiona käytettiin puhesignaalin lyhytaikaista energiaa, toimi selvästi parhaana menetelmänä molemmissa testeissä. Kyseiset mitat (SD ja DCR) osoitettiinkin korreloivan huomattavan hyvin keskenään., In this work, we study spectral modelling of speech using all-pole models. With those mathematical speech production models, our objective is to find the essential information in natural speech communication. The underlying assumption is that speech can be modelled with the so-called source-filter model. The all-pole model is an implementation of such source-filter models and it model the spectral envelope of the short-time spectrum of speech. Seven different methods for obtaining the parameters of all-pole models were presented. All methods were formulated using the same notation, in order to present a uniform thery covering the all-pole methods in question. The stability regions of the all-pole models optimised in the time domain were analysed and derived thoroughly. Moreover, a new stability region for the weighted linear prediction (WLPC) model was derived. The spectral modelling properties of these all-pole models were compared using both objective and subjective testing. This was done be comparing their behaviour in the presence of uncorrelated Gaussian and Laplacian background noise. A certain objective measure used was the logarithmic spectral differences and the subjective test was carried out as listening tests where the Degradation Category Rating testing procedure was used. In both tests, the WLPC model, where the weighting function was the short time energy of the speech signal, gave the best results. The correlation between the objective and subjective results was found to be remarkable strong.

Tässä työssä tutkittiin jälkikaiunta-ajan estimointia binauraalisesta äänisignaalista. Jälkikaiunta-aika (RT) on yksi tärkeimmistä akustisista parametreista, jonka tuntemisesta olisi hyötyä useissa sovelluksissa, kuten laajennetussa äänitodellisuudessa, matkaviestinnässä ja älykkäissä kuulolaitteissa. Tämän tyyppisissä sovelluksissa estimaattia jälkikaiunta-ajasta ei yleensä ole saatavilla eikä sitä ole mahdollista mitata standardimenetelmillä. Jälkikaiunta-ajan estimointia varten kehitettiin automaattinen menetelmä, joka ei vaadi mitään etukäteistietoa ympäröivästä akustisesta tilasta ja toimii mielivaltaisella binauraalisella signaalilla, toisin kuin perinteiset mittausmenetelmät. Algoritmin perusideana on ensin paikantaa jälkikaiunta-analysiin sopivat signaalin osat ja sen jälkeen laskea jälkikaiunta perustuen Schröderin käänteiseen integrointimenetelmään. Jälkikaiunta-aikaestimaatti saadaan lopulta tilastollisen analyysin tuloksena. Binauraalisuutta hyödynnetään käyttämällä kanavien välistä koherenssifunktiota analyysissä. Käänteiseen integrointiin ja sitä seuraavaan suoran sovitukseen liittyvien rajojen etsintään keksittiin muutamia uusia metodeja. Algoritmista totetuttiin reaaliaikaversio C++ -kielellä ja algoritmin toimintaa arvioitiin sekä synteettisillä että todellisilla nauhoitetuilla signaaleilla. Tulokset osoittavat, että algoritmi kykenee estimoimaan jälkikaiunta-ajan melko tarkasti useimmissa tapauksissa, vaikka eri akustisten tilojen välillä onkin vaihtelua., This thesis concentrates on the task of estimating reverberation time from binaural audio signals. The reverberation time (RT) is one of the most important acoustic parameters describing the acoustic behavior of a space. An estimate of this parameter would be advantageous to many audio applications, such as augmented reality audio, mobile communications and intelligent hearing aids. Usually in these kind of applications no estimates of the room acoustic parameters are available and it is not possible to acquire the parameters online using standard measurement techniques. An automatic algorithm for estimating the reverberation time was developed. This algorithm requires no a priori knowledge of the surrounding space and operates on an arbitrary binaural input signal, as opposed to standard acoustic measurement techniques. The basic idea of the algorithm is to first locate suitable signal segments for subsequent analysis and then calculate the reverberation time by applying the standard Schroeder integration method to each segment followed by some statistical analysis to derive a final RT estimate. The binaural nature of the input signals is also taken advantage of by using the inter-channel coherence in the analysis. Some new ideas for finding the integration and line fitting limits were also developed. A real-time version of the algorithm was implemented in C++. The algorithm performance was evaluated with both synthetic signals and real recordings. The results show that the algorithm can determine the reverberation quite accurately in most cases, even though there is some degree of variability between different rooms.

Tässä työssä tutkitaan tietokoneavusteista opetusta (TAO) signaalinkäsittelyssä. Työ koostuu signaalinkäsittelyyn soveltuvan TAO-ympäristön kehittämisestä ja esimerkkisovelluksen "Introduction to Signal Processing" rakentamisesta. TAO-sovellus oli käytössä "Akustiikan perusteet I" -opintojaksolla lisämateriaalina ja tämän perusteella suoritettiin käyttöanalyysi. Aluksi tehdään katsaus tietokoneavusteisen opetuksen teoriaan ja periaatteisiin. Kaksi TAO-suunnitelumenetelmää: Lifländerin menetelmä ja Lessonware malli, sekä useita TAO-kehitystyökaluja käydään erityisesti läpi. Signaalinkäsittelyn opetusta arvioidaan laajalti. TAO-menetelmien soveltuvuus signaalinkäsittelyn opetukseen osoitetaan. Joukko signaalinkäsittelyn työkaluja ja esimerkkejä opetuskäytöstä esitellään. Common Lisp -kieleen pohjautuva signaalinkäsittely-ympäristö QuickSig esitellään ja uudet hypermediapiirteet kuten kuumat alueet, graafinen käyttöliitymä sekä navigointityökalu käydään yksityiskohtaisesti läpi. Järjestelmään rakennettu lokisysteemi login- ja logout-dialogeineen on esitelty. TAO-sovellusta "Introduction to Signal Processing" tarkastellaan yksityiskohtaisesti. Sovelluksen opetussisältö perustuu Teknillisen Korkeakoulun signaalinkäsittelyn opetushenkilökunnan keskuudessa suoritettuun kyselyyn sekä alan kirjallisuuteen. Sovelluksen kohderyhmä sekä tavoitteet ovat niinikään selvitetty. Käyttöanalyysin tulokset esitellään. Lopuksi esitetään yhteenveto ja arvioidaan tulevaisudennäkymiä., In this work, computer based education (CBE) methods are applied to signal processing. The work consists of developing a CBE environment for signal processing education and as a case study, building a CBE application "Introduction to Signal Processing" with that environment. The application was used as training material within the course "Fundamentals of Acoustics I" and based on that, a user feedback analysis was performed. An overview of computer based education theory and principles is presented. Also, two CBE design methods, the Lifländer method and the Lessonware method along with several authoring tools are discussed. Signal processing education has been evaluated in this thesis. The suitability of CBE methods in signal processing has been proven. A number of signal processing software tools and education related examples are presented. The signal processing software environment QuickSig based on Common Lisp language is introduced and new hypermedia features including "HotAreas", graphical user interface (GUI), and navigation tool needed for CBE developing are discussed. A log-system with appropriate login and logout dialogs for later usage analysis is also presented. A CBE application "Introduction to Signal Processing" is examined. The educational contents of the application is based on a query performed with the Helsinki University of Technology signal processing education staff and on literature of the field. Interactive excercises are presented with examples. The target group and goals for the application are explained. The user feedback analysis results are discussed. Finally, the work is summarized and future prospects are examined.