G.729 音声区間検出

最新のリリースでは、このページがまだ翻訳されていません。このページの最新版は英語でご覧になれます。

この例では、ITU-T G.729 音声区間検出 (VAD) の実行方法を説明します

はじめに

音声区間検出 (VAD) は、音声符号化、音声認識、音声強調などの多くの音声/オーディオアプリケーションにおける重要な課題です。たとえば、ITU-T G.729 規格では、VAD モジュールを使用して無音区間の伝送速度を低減しています。

アルゴリズム

最初の段階で、4 つのパラメーター特性が入力信号から抽出されます。抽出されるパラメーターは、全帯域フレームエネルギー、低帯域フレームエネルギー、線スペクトル周波数 (LSF) のセットおよびフレームのゼロクロッシング率です。フレーム番号が 32 より小さい場合には、長期間平均の初期化段階が発生し、LPC 解析のフレームエネルギーが 21 dB を超えた場合には、有音判定は強制的に 1 となります。それ以外の場合、有音判定は強制的に 0 となります。フレーム番号が 32 と等しい場合、バックグラウンドノイズ特有のエネルギーの初期化段階が発生します。

次の段階では、差分パラメーターのセットが計算されます。このセットは、現フレームのパラメーターとバックグラウンドノイズ特性の移動平均との間の差分量として生成されます。次の 4 つの差分量が計算されます。

a) A spectral distortion

b) An energy difference

c) A low-band energy difference

d) A zero-crossing difference

最初の有音判定は、4 つの差分量の空間における多境界判定領域を使用して、次の段階で行われます。有音判定は判定領域の結合として与えられ、無音判定はその相補的な論理判定です。エネルギー量の考慮事項は、隣接する過去のフレームの判定と合わせて判定の平滑化に使用されます。移動平均は、音声がある場合ではなく、バックグラウンドノイズがある場合にのみ更新されなければなりません。適応しきい値がテストされ、しきい値の条件が満たされた場合に限り、更新が行われます。

VAD 実装

vadG729 はアルゴリズムの実装を含む関数です。

初期化

音源をセットアップします。この例ではオーディオファイルリーダーを使用します。

audioSource = dsp.AudioFileReader('SamplesPerFrame',80,...
                               'Filename','speech_dft_8kHz.wav',...
                               'OutputDataType', 'single');
% Note: You can use a microphone as a source instead by using an audio
% device reader (NOTE: audioDeviceReader requires an Audio System Toolbox
% (TM) license)
% audioSource = audioDeviceReader('OutputDataType', 'single', ...
%                              'NumChannels', 1, ...
%                              'SamplesPerFrame', 80, ...
%                              'SampleRate', 8000);
% Create a time scope to visualize the VAD decision (channel 1) and the
% speech data (channel 2)
scope = dsp.TimeScope(2, 'SampleRate', [8000/80 8000], ...
                      'BufferLength', 80000, ...
                      'YLimits', [-0.3 1.1], ...
                      'ShowGrid', true, ...
                      'Title','Decision speech and speech data', ...
                      'TimeSpanOverrunAction','Scroll');

ストリーム処理ループ

% Initialize VAD parameters
VAD_cst_param = vadInitCstParams;
clear vadG729
% Run for 10 seconds
numTSteps = 1000;
while(numTSteps)
  % Retrieve 10 ms of speech data from the audio recorder
  speech = audioSource();
  % Call the VAD algorithm
  decision = vadG729(speech, VAD_cst_param);
  % Plot speech frame and decision: 1 for speech, 0 for silence
  scope(decision, speech);
  numTSteps = numTSteps - 1;
end
release(scope);

クリーンアップ

オーディオ入力デバイスの終了とリソースの解放

release(audioSource);

MEX ファイルの生成と使用

MATLAB Coder を使用して、関数 vadG729 の C コードを生成できます。MEX ファイルを生成するには、以下のコマンドを実行します。

codegen vadG729 -args {single(zeros(80,1)), coder.Constant(VAD_cst_param)}

速度の比較

MEX ファイルを作成すると、シミュレーションの実行時間が短縮されることが多くあります。次のコード行は、はじめに MATLAB 関数でかかる時間を測定し、次に対応する MEX ファイルの実行時間を測定します。高速化係数は、マシンによって異なる場合があることに注意してください。

audioSource = dsp.AudioFileReader('speech_dft_8kHz.wav', ...
                              'SamplesPerFrame', 80, ...
                              'OutputDataType', 'single');
clear vadG729
VAD_cst_param = vadInitCstParams;
tic;
while ~isDone(audioSource)
  speech = audioSource();
  decision = vadG729(speech, VAD_cst_param);
end
t1 = toc;

reset(audioSource);

tic;
while ~isDone(audioSource)
  speech = audioSource();
  decision = vadG729_mex(speech, VAD_cst_param);
end
t2 = toc;

disp('RESULTS:')
disp(['Time taken to run the MATLAB code: ', num2str(t1), ' seconds']);
disp(['Time taken to run the MEX-File: ', num2str(t2), ' seconds']);
disp(['Speed-up by a factor of ', num2str(t1/t2),...
    ' is achieved by creating the MEX-File']);

RESULTS:
Time taken to run the MATLAB code: 0.35153 seconds
Time taken to run the MEX-File: 0.081699 seconds
Speed-up by a factor of 4.3028 is achieved by creating the MEX-File

参照

ITU-T Recommendation G.729 - Annex B: A silence compression scheme for G.729 optimized for terminals conforming to ITU-T Recommendation V.70