2. Plan de la thèse
3.3 Extraction des paramètres
Dans un système de RAP, les paramètres acoustiques permettant de décrire le signal de parole sont généralement définis sur une échelle d’information de niveau local. Le signal continu de parole est fourni en entrée du système de RAP après une conversion sous la forme d’échantillons sonores. Une suite de vecteurs représentatifs, appelés vecteurs acoustiques ou vecteurs d’observation, est alors retournée en sortie du module de paramétrisation acoustique.
Les paramètres acoustiques définis pour la représentation acoustique du signal de parole devraient respecter les critères de (Deviren 2004):
pertinence. Les paramètres acoustiques doivent représenter de manière précise le signal de parole. Leur nombre doit cependant rester limité afin de conserver un coût de calcul raisonnable lors de leur exploitation dans les modules de calcul des paramètres acoustiques et de reconnaissance des formes.
57
discrimination. Les paramètres acoustiques doivent représenter de manière caractéristique les différents éléments représentatifs des unités linguistiques afin de les rendre facilement distinctes.
robustesse. Les paramètres acoustiques doivent résister aux effets perturbateurs liés aux distorsions du signal de parole émis (Milner and Darch 2011).
Dans le processus de traitement du signal acoustique d’un système de RAP, un découpage du signal de parole analysé retourne une séquence de segments d’échantillons sonores appelés trames. La durée de ces trames est choisie de telle sorte que le signal de parole est considéré stationnaire (Boite et al. 2000). Cette segmentation permet alors d’extraire les propriétés locales du signal de parole. Le continuum de parole est donc représenté par une suite de vecteurs d’observation calculés sur des trames du signal de courte durée par exemple de l’ordre de 20 ms, par fenêtre glissante asynchrone ou synchrone au pitch (Young et al. 2006). Les vecteurs d’observation peuvent représenter le signal de parole sous la forme de différents types de coefficients qui constituent les paramètres acoustiques.
Ces paramètres sont choisis pour être le plus utile à la représentation du signal de parole dans l’objectif de décrire le message linguistique. Se basant sur l’analyse des caractéristiques physiologiques de l’oreille (Dallos 1973), de nombreux types de paramètres acoustiques sont utilisés dans la littérature pour la RAP (Davis and Melmerstein 1980; Eyben et al. 2010).
Parmi les principaux types de paramètres exploités dans les systèmes de RAP, on peut distinguer :
3.3.1 Énergie du signal
Après la phase de numérisation et surtout de quantification, le paramètre intuitif pour caractériser le signal ainsi obtenu est l'énergie. Cette énergie correspond à la puissance du signal. Elle est souvent évaluée sur plusieurs trames de signal successives pour pouvoir mettre en évidence des variations. La formule de calcul de ce paramètre est :
𝐸 fenêtre =
𝑛 𝜖 fen être|𝑛|
2(3.1)
Il existe des variantes de ce calcul. L'une des plus utilisées réalise une simple somme des valeurs absolues des amplitudes des échantillons pour alléger la charge de calcul, les variations restant les mêmes. D'autres, comme celle de (Taboada et al. 1994) proposent la modification suivante du calcul intégrant une normalisation par rapport au bruit ambiant.58
𝐸 fenêtre = log
|𝑛|
2𝑅
𝑛 𝜖 fen être
(3.2)
Dans cette équation, R est la valeur moyenne de l'énergie du bruit. Le résultat de ce calcul tend vers 0 lorsque la portion considérée est une zone où il n'y a que le bruit de fond. Tout le problème de cette variante réside dans l'estimation du facteur de normalisation R.
3.3.2 Coefficients MFCC
Le principe de calcul des MFCC (Mel-scaled Frequency Cepstral Coefficients) est issu des recherches psychoacoustiques sur la tonie et la perception des différentes bandes de fréquences par l’oreille humaine.
Un vecteur acoustique MFCC est formé de coefficients cepstraux obtenus à partir d’une répartition fréquentielle selon l’échelle de Mel (Bogert et al. 1963) (voir figure 3.1). L’utilisation d’échelles de fréquence non-linéaires, telles les échelles de Mel (Stevens et al. 1937) ou Bark (Zwicker 1961), permettent une meilleure représentation des basses fréquences qui contiennent l’essentiel de l’information linguistique pour la majeure partie du signal de parole. La correspondance entre les valeurs de fréquence en Hertz 𝐹𝐻𝑒𝑟𝑡𝑧et en Mel 𝐹𝑀𝑒𝑙 est
calculée par (O'Shaughnessy 1987) :
𝐹𝑚𝑒𝑙
= 2.595. log(1 +
𝐹𝐻𝑒𝑟𝑡𝑧700
) (3.3)
Par ailleurs, il est possible de calculer des coefficients cepstraux à partir d’une répartition fréquentielle linéaire sans utiliser une échelle de Mel mais en conservant la répartition linéaire des échelles de fréquence. Ces coefficients sont alors appelés LFCCs (Linear Frequency Cepstral Coefficients) (Rabiner and Juang 1993).
Afin de séparer la source spectrale de la réponse fréquentielle, l’opération de méthode cepstrale se base sur la propriété du logarithme qui permet de transformer un produit en addition. Une transformée discrète en cosinus (Discret Cosinus Transform, DCT) permet ainsi d’obtenir les N coefficients cepstraux désirés (Ahmed et al. 1974). Considérant f la fonction de transformation spectrale, le kme coefficient cepstral C(k) est donc obtenu par :
𝐶 𝑘 = 2 𝑁
𝑓 𝑖 . 𝑐𝑜𝑠
𝜋𝑘 𝑁(𝑖 − 0.5)
𝑁 𝑖+1 (3.4)59
Cette analyse a pour avantages un nombre réduit de coefficients par vecteur acoustique et un faible indice de corrélation entre ces différents coefficients. Les coefficients MFCCs sont réputés plus robustes que ceux issus d’une analyse spectrale (Lockwood et al. 1992).
Les coefficients de type MFCC sont souvent associés à la valeur d'énergie contenue dans la trame de signal de parole appelée sous le terme de coefficient C(0) (Young et al. 2006). De surcroît, l’utilisation des dérivées premières et secondes de ces coefficients fournit de l’information utile sur la dynamique du signal de parole. En effet, l’information complémentaire apportée par le filtrage temporel introduit par les dérivées des coefficients MFCCs permet une plus grande robustesse des paramètres acoustiques dans les systèmes de RAP face à l’usage des seuls coefficients MFCCs statiques (Yang et al. 2007). Dans ces conditions, ces paramètres acoustiques prennent souvent la forme de vecteurs de 39 coefficients formés par les 12 premiers coefficients MFCCs, l’énergie C(0) (et leurs dérivées premières et secondes.
Cette information complémentaire apporte toutefois un complément utile dans la classification de certaines consonnes (Liu et al. 1997). Par ailleurs, il est possible de ré- synthétiser un message intelligible sur de la parole propre à partir d’une analyse des seuls coefficients MFCCs, c’est-à-dire à partir des spectres et cepstres en échelle de Mel (Demuynck et al. 2004). Donc dans le cas de parole propre, un signal d’excitation basé sur une analyse du pitch est utilisé pour cette opération de re-synthèse (Collen et al. 2007). Dans ce cas, l’information initiale de phase n’est alors pas utile. Par contre, dans le cas d’un signal de parole bruitée, les informations de phase et de résolution spectrale fine sont très utiles pour la bonne reconnaissance des composantes du message linguistique (Murty and Yegnanarayana 2006).
60
3.3.3 Taux de passage par zéro
Le taux de passage par zéro (zero crossing rate en anglais) représente le nombre de fois que le signal, dans sa représentation amplitude/temps, passe par la valeur centrale de l'amplitude (généralement zéro). Il est fréquemment employé pour des algorithmes de détection de section voisée/non voisée dans un signal. En effet, du fait de sa nature aléatoire, le bruit possède généralement un taux de passage par zéro supérieur à celui des parties voisées.
Le comptage du nombre de passages par zéro est très simple à effectuer. Dans un premier temps, il faut enlever le décalage d'amplitude (offset en anglais), produit par la majorité des matériels d'acquisition, pour centrer le signal autour de zéro. Ensuite, pour chaque trame, il suffit de dénombrer tous les changements de signe du signal. Pour éliminer certains phénomènes parasites, (Taboada et al. 94) ont proposé une méthode nommée le band- crossing. Un seuil d'amplitude S permet de définir une zone autour du zéro de largeur 2xS au sein de laquelle les oscillations ne sont pas prises en compte. La formule du band-crossing pour chaque fenêtre analysée est donc :
𝑏𝑐𝑟 fenêtre = 𝑓 𝑛 − 𝑓 𝑛 − 1 𝑎𝑣𝑒𝑐 𝑓 𝑛 =
1 𝑠𝑖 𝑛 > 𝑆
𝑓 𝑛 − 1 𝑠𝑖 − 𝑆 ≤ 𝑛 ≤ 𝑆 −1 𝑠𝑖 𝑛 < −𝑆
𝑛 𝜖 fen être (3.5)
Cette mesure se montre très intéressante, dans le cadre d'une détection de parole en amont d'un système de reconnaissance, pour la détection de fricative en fin de signal à reconnaître ou d'attaque de plosive.
3.3.4 Autres paramétrisations du signal
Nous n'énumérerons pas tous les types de paramètres employés dans le domaine de la recherche en parole car il y en a énormément et ce n'est pas le propos de notre thèse. Pourtant, il est à noter que d'autres approches plus proches de l'audition humaine, telles les modèles d'oreille, ont été étudiées. De plus, le lecteur trouvera des informations sur différents paramètres très largement utilisés pour le codage LPC (Linear Predictive Coding) présent dans la norme GSM, pour les PLPs (Perceptual Linear Predictive) et pour les RASTA-PLP, version approfondie des PLP (Laprie 2000). Cette liste ne se veut pas exhaustive mais permet d'avoir un aperçu des différents paramètres qu'il est possible d'extraire d'un signal de parole.
61
Figure 3.2 – Schémas de calcul les paramètres PLP et LPC.
3.3.5 Dérivées première et seconde
Le but final de l'extraction des paramètres est de modéliser la parole, un phénomène très variable. Par exemple, même si elle a de l'importance, la simple valeur de l'énergie n'est pas suffisante pour donner toute l'information portée par ce paramètre. Il est donc souvent nécessaire de recourir à des informations sur l'évolution dans le temps de ces paramètres. Pour cela, les dérivées première et seconde sont calculées pour représenter la variation ainsi que l'accélération de chacun des paramètres. Même si la robustesse de la représentation obtenue est accrue, cela implique aussi de multiplier par 3 l'espace de représentation.