جداسازی گفتار از موزیک و سکوت با ویژگی جدید و زمان- بلند نرخ گذر از میانگین چند بانده

برای شناسایی و نشانه گذاری قطعه هایی از سیگنال های صوتی که شامل گفتار عادی (نه موسیقایی) انسان است و جداسازی آن قسمت ها از قسمت هایی که شامل گفتار نمی باشد مانند سکوت، موزیک و نویز، از سیستم های جداساز گفتار استفاده می شود. با این تعریف، سیستم های جداساز گفتار از موزیک را می توان نوع خاص و شاید دقیق تری از سیستم های آشکارساز گفتار به حساب آورد زیرا که در سیستم های جداساز گفتار از موزیک، در برخی حالات باید گفتارهای عادی انسان از گفتار های موسیقایی تمایز داده شوند و این امر نیازمند دقت بالاتری برای تمایز این حالت از گفتار می باشد. در اینجا می خواهیم یک ویژگی جدید و موثر در سیستم های جداسازی گفتار را با عنوان ویژگی زمان بلند نرخ گذر از میانگین چندبانده Long-Term Multi-Band Average-Crossing Rate (LTMBACR) ، معرفی کنیم که از مشخصه های آن می توان به مقاوم بودن در برابر نویز به دلیل زمان بلند بودن این ویژگی و همچنین دقت بالا و خطای پایین این ویژگی اشاره کرد. آزمایش های انجام شده بر روی مجموعه داده ی GTZAN حاکی از آن است که ویژگی پیشنهاد شده در مقایسه با عملکرد سایر ویژگی ها و با استفاده از روش های گوناگون دسته بندی در فرآیند یادگیری ماشین، دقت بسیار مناسب تر و خطای EER کمتر از 0.4 درصد را با وجود استفاده ی غیر ترکیبی آن با سایر ویژگی ها، به خود اختصاص داده است.

کلیدواژه ها:

جداسازی گفتار از موزیک ، آشکارسازی گفتار ، ویژگی زمان بلند ، LTMBACR ، speech/music discrimination (SMD) ، voice activity detection (VAD