Um Ambiente para Processamento Digital de

Sinais Aplicado Comunicao Vocal

Homem-Mquina
Mrcio G. Passos e Patric L. Silva
marcio_passos@yahoo.com.br e lacouth@gmail.com

Silvana Luciene do N. Cunha Costa 1

silvanacunhacosta@gmail.com

Benedito G. Aguiar Neto e Joseana M. Fechine

bganeto@cct.ufcg.edu.br e joseana@dsc.ufcg.edu.br

Resumo: Este trabalho trata do estudo e implementao de tcnicas de processamento digital de sinais que
so utilizadas em sistemas de resposta vocal como: sistemas de reconhecimento de voz, reconhecimento de
locutor e sistemas de sntese de voz. Foi utilizada a linguagem de programao C na elaborao de funes
que caracterizam os sinais de voz. Foram implementados algoritmos para converso amostras-texto,
deteco de incio e fim, pr-nfase, janelamento de Hamming e extrao de parmetros temporais. Estes
parmetros incluem energia, taxa de cruzamento por zero, nmero total de picos, diferena no nmero de
picos e coeficiente de correlao normalizado. Foram propostos algoritmos diferenciados para a taxa de
cruzamento por zero e para o detector de incio e fim. Com o intuito de criar um ambiente didtico,
construiu-se uma interface grfica amigvel utilizando uma plataforma de desenvolvimento orientada a
eventos.

Palavras Chave: processamento de sinais, comunicao vocal homem-mquina.

1. Introduo pois atuam no sentido de fornecer no somente a

Dentre as vrias reas que compem o campo da
comunicao por voz, a rea da comunicao vocal uma reduo considervel na quantidade de
homem-mquina uma das mais interessantes e
estimulantes. O desejo, bem como a necessidade das
pessoas se comunicarem com as mquinas da
maneira mais natural de comunicao a voz
humana tem dado grande impulso ao crescimento
desta rea (RABINER; SHAFER, 1978).
Por no requererem nem as mos nem os olhos
do usurio para a sua operao, os sistemas de
entrada vocal podem ser utilizados em diversas
aplicaes, como por exemplo: controle de trfego
areo, auxlio a portadores de deficincia fsica,
controle de qualidade e inspeo e controle de
acesso a ambientes restritos.
Dos sistemas de entrada vocal hoje disponveis,
destacam-se os sistemas de reconhecimento
automtico de voz (RAV) e os sistemas de
reconhecimento automtico de locutor (RAL). Nas
aplicaes RAV e RAL necessria uma preparao x = sinal amostrado
ou pr-processamento dos sinais da voz. As tcnicas
de pr-processamento permitem a extrao de
caractersticas que realmente merecem destaque,
informao de interesse ao processamento de
determinada amostra de som, mas tambm ocasionar
informaes a serem processadas. Tais informaes
sero responsveis pela produo de padres entre
determinada referncia registrada (PETRY et al,
2000).
Este trabalho apresenta os resultados obtidos
utilizando-se tcnicas para processamento digital de
sinais da fala. A primeira seo tratar do processo
de aquisio, gravao e digitalizao da voz. Em
seguida, apresentado um algoritmo diferenciado
para deteco de incio e fim de palavras, bem como
as tcnicas de pr-nfase, segmentao, janelamento
das amostras e extrao de alguns parmetros
temporais do sinal da fala.
Nomenclatura
a = constante, igual a 0,95.
y = sinal pr-enfatizado
M = nmero total de amostras
s = amostra aps janelamento
L = tamanho (tempo) da janela de Hamming

PRINCIPIA, Joo Pessoa, n.14, Dezembro 2006. 25

Na = tamanho (amostras) da janela de Hamming B Deteco de incio e fim das palavras
Eseg = energia segmental
COR = coeficiente de autocorrelao normalizado Durante o processo de gravao da voz,
PNEG = picos negativos inevitavelmente, parte do tempo alocado para a
PPOS = picos positivos elocuo ocupado com silncio ou rudo ambiente.
NTP = nmero total de picos Assim, quando uma palavra gravada, as amostras
DPN = diferena do nmero de picos sem informao til podem ser descartadas de
TCZ = taxa de cruzamento por zero maneira segura. A separao das amostras
representativas de voz das amostras de silncio
ndices chamada de deteco de incio e fim de palavra.
n relativos amostra Em sistemas de palavras isoladas, a deteco de
incio e fim fundamental por duas razes principais
2. Processamento do Sinal de Voz (COSTA, 1994):
1. A classificao correta da palavra
A Aquisio do sinal criticamente dependente da preciso dessa
deteco.
A aquisio dos sinais de voz realizada 2. Os clculos necessrios para o
inicialmente utilizando-se um microfone. Este processamento do sinal de voz so
converte as variaes que a fala causa na presso do minimizados quando o incio e o fim so
ar em variaes de tenso eltrica. O prximo passo localizados com preciso.
do sistema a amostragem e digitalizao das O algoritmo para deteco de incio e fim,
variaes de tenso. Geralmente a passagem do sinal proposto neste trabalho, mostrado na Fig. (1).
de voz da forma analgica para a digital feita
utilizando a modulao por codificao de pulsos
(PCM pulse code modulation). Com a finalidade
de ser manipulado por um sistema digital, o sinal de
voz representado por uma seqncia de pulsos
binrios, codificados com uma quantidade de bits
proporcional a qualidade e fidelidade desejadas. Para
sinais de voz, esta codificao feita geralmente
com 8 ou 16 bits.
Neste trabalho, para a aquisio dos sinais de voz
utilizou-se um microcomputador PC com placa de
som e microfone comum. O software usado para
gravao do som em mdias digitais foi o
GoldWave verso 4.26, e o formato de gravao
escolhido foi o padro WAV. Este formato de
gravao um dos mais utilizados para este tipo de
aplicao, e contm um cabealho de 44 bytes com
informaes sobre o prprio arquivo.
Com a obteno do arquivo WAV, contendo o
sinal de voz na forma digital, pode-se agora
Figura 1. Fluxograma do algoritmo para deteco
manipul-lo no ambiente de processamento digital
de incio e fim de palavras.
de sinais implementado. Como passo inicial, foi
implementado um algoritmo que extrai as
Este algoritmo consiste na leitura ordenada de
informaes do cabealho do arquivo WAV. Estas
amostras individuais na busca de um grupo de 5
informaes incluem nmero de amostras,
amostras consecutivas que ultrapassam um limiar
freqncia de amostragem, tipo de modulao e
pr-determinado. Encontrado este grupo, indica-se
nmero de bits por amostra. Foi elaborado um
que o incio da palavra a primeira amostra deste
algoritmo para converter arquivos WAV para o modo
grupo. Aps a determinao do incio da palavra, o
texto. Para manter a compatibilidade, as amostras
algoritmo passa a buscar o fim desta.
so multiplicadas por constantes de valores
Esta busca feita atravs da anlise ordenada de
previamente estabelecidos, a fim de que o software
amostras, de forma que se 1000 dessas amostras
GoldWave possa fazer a reproduo audvel dos
consecutivamente estiverem abaixo de um limiar
arquivos de voz tambm no modo texto.

26 PRINCIPIA, Joo Pessoa, n.14, Dezembro 2006.

previamente estabelecido, ento delimitado
provisoriamente o fim da palavra.
Mesmo aps essas deteces, o algoritmo
continua a ler as amostras procura de um novo
grupo, desta vez com 20 amostras seguidas, que
estejam acima de um certo limiar. Caso seja
encontrado este ltimo grupo, reiniciada a busca
pelo fim da palavra. Isto evita que o algoritmo venha
a identificar incorretamente o fim de elocues que
possuem intervalos curtos de silncio entre fonemas.
De posse das amostras que compem o sinal,
criado um novo arquivo de extenso WAV que
possui a palavra delimitada. As Fig. (2) e (3)
ilustram a forma de onda da elocuo esquerda,
codificada com 8 bits e taxa de amostragem de
11025 Hz, antes e depois da deteco de incio e fim
respectivamente.
Figura 2. Forma de onda da palavra "esquerda"
com codificao em 8 bits e taxa de amostragem
de 11025 Hz.
Figura 3. Forma de onda da palavra "esquerda"
com incio e fim detectados .
C Pr-nfase
O sinal de voz apresenta baixas amplitudes nas
altas freqncias o que as torna especialmente
vulnerveis ao rudo. Tais freqncias so
responsveis pela gerao dos sons surdos (COSTA,
1994).
PRINCIPIA, Joo Pessoa, n.14, Dezembro 2006.
A pr-nfase objetiva eliminar uma tendncia
espectral de aproximadamente 6dB/oitava na fala
irradiada dos lbios. Essa distoro espectral no
traz informao adicional e pode ser eliminada
atravs de um filtro, que proporcione um ganho de
+6dB/oitava, fazendo com que o espectro se nivele.
Em um sistema digital a pr-nfase pode ser
implementada como um circuito analgico,
precedendo o amostrador, ou diretamente na
informao digital atravs de um filtro do tipo de
resposta ao impulso finito (finite impulse response)
FIR de primeira ordem (PETRY et al, 2000). A Eq.
(1) descreve o processo de pr-nfase realizado neste
trabalho:
y (n) = x(n) ax(n 1) , com 1 n <M (1)
em que:
y(n) = sinal pr-enfatizado
x(n) = sinal amostrado
M = nmero de amostras
a = constante, neste caso, usou-se a = 0,95
A Fig. (4) ilustra o processo de pr-nfase, com a
elocuo esquerda.
Figura 4. Forma de onda da palavra "esquerda"
original e pr-enfatizada.
D Segmentao e Janelamento
Em processamento digital de sinais de voz,
necessrio trabalhar com segmentos ou frames do
sinal. Estes segmentos so da ordem de
milisegundos, assumindo que nestes pequenos
intervalos os sinais podem ser considerados
razoavelmente estacionrios. Foi definido um frame
de voz como sendo o produto de uma janela discreta
w(n) de tamanho L, pela seqncia de voz pr-
enfatizada (PETRY et al, 2000).
Neste trabalho, optou-se por utilizar a janela de
Hamming. Este tipo de janela apresenta boas
caractersticas espectrais bem como atenua a
27
transio entre quadros adjacentes. O ambiente de
processamento de sinais permite que o usurio
estabelea o tamanho das janelas, em milisegundos,
de acordo com a sua necessidade. As janelas
geralmente so sobrepostas entre si, para que haja
uma variao gradual dos parmetros entre elas. Foi
utilizada uma sobreposio fixa entre janelas de
50%. A representao matemtica do janelamento
de Hamming descrita na Eq. (2).

0 n<0 Figura 5. Energia segmental da palavra

2 n
s (n) = 0,54 0,46 cos 0 n < L (2)
330 1
0 nL
3. Extrao de Parmetros Temporais do Sinal
de Voz
Para aplicaes em RAV e RAL, necessria a
extrao de informaes teis sobre o sinal da voz.
Para se obterem tais informaes, foram utilizadas
tcnicas baseadas no domnio do tempo, pois
apresentam baixo custo computacional e produzem
informaes teis acerca do sinal processado. Segue-
se uma explanao sobre cada um dos parmetros
obtidos pelo ambiente de processamento de sinais.
A Energia
A energia segmental, Eseg, utilizada para
diferenciao do silncio, sons surdos, sons sonoros
e fricativos. Este parmetro obtido simplesmente
somando-se os quadrados das amplitudes das Na
amostras da janela em anlise. A energia por
segmento para sinais estacionrios dada pela Eq.
(3) (RABINER; SHAFER, 1978).
A Fig. (5) mostra a variao da energia ao longo
da elocuo esquerda.
Na 1
Eseg = [s(n)] 2
(3)
n=0
"esquerda".
Usualmente este parmetro definido por Eq. (4)
e (5):
1 Na 1
TCZ = | sgn[s(n)] sgn[s(n 1)] |
2 n=1
(4)
em que:
1 , se s (n) 0
sgn[ s (n )] = (5)
1 , se s (n) < 0
Em janelas que apresentam elevado nmero de
amostras de valor nulo, esta definio no
corresponde realidade, pois, na transio de uma
amostra negativa para uma amostra nula ser
contado um cruzamento por zero mesmo que a
prxima amostra tambm seja negativa.
Neste trabalho, proposto um algoritmo que
fornea uma maior preciso no resultado final da
Taxa de Cruzamento por Zero. Em sntese, o
algoritmo ignora as amostras nulas e incrementa a
TCZ, apenas, quando houver realmente uma
inverso dos sinais das amostras consecutivas no
nulas. A Fig. (6) ilustra a variao da Taxa de
Cruzamento por Zero ao longo da palavra
esquerda e a Fig. (7) o fluxograma do algoritmo
em questo.

B Taxa de Cruzamento por Zero

As aplicaes em que se utilizam mtodos de
anlise no domnio do tempo, a Taxa de Cruzamento
por Zero (TCZ) um parmetro usado na deteco
de blocos com sons surdos (ex. consoante s),
sonoros (ex. vogal a) e consoantes fricativas (ex.
consoante f) (RABINER; SHAFER, 1978).

Figura 6. Variao da TCZ ao longo da palavra

"esquerda".

28 PRINCIPIA, Joo Pessoa, n.14, Dezembro 2006.

 NTP = PPOS + PNEG;
DPN = PPOS PNEG;

A Fig. (8) ilustra o Nmero Total de Picos da

elocuo esquerda e a Fig. (9) ilustra a variao da
Diferena entre o Nmero de Picos na mesma
elocuo.

Figura 8. Variao do parmetro NTP na palavra

"esquerda".
Figura 7. Fluxograma do algoritmo
implementado para clculo da TCZ.

C Nmero Total de Picos e Diferena entre o

Nmero de Picos

O sinal de voz apresenta trechos que se repetem

quase periodicamente e trechos basicamente
aleatrios, sem nenhuma periodicidade. Em sistemas
que trabalham com reconhecimento ou sntese de
voz, a deteco de diferentes modos de excitao
permite a classificao dos sinais de voz em: sons Figura 9. Variao do parmetro DPN na
sonoros, sons surdos e sons explosivos. palavra "esquerda".
O Nmero Total de Picos (NTP) um parmetro
que auxilia a deteco de fricativos surdos de D Coeficiente de Autocorrelao Normalizado
pequena intensidade como o /f/. A Diferena entre o Este parmetro tem bastante utilidade na
Nmero de Picos (DPN) ajuda o reconhecimento de distino de sons surdos e sonoros. Esse coeficiente
sons fricativos sonoros que podem ser facilmente tem valores prximos a unidade para sons sonoros,
confundidos com vogais de pequena intensidade por serem sinais que possuem alta concentrao de
(VIEIRA, 1989). energia. Logo, para sons com baixa concentrao de
O algoritmo a seguir mostra o procedimento de energia como os sons surdos este parmetro
clculo do NTP e DPN. As variveis Picos Positivos aproxima-se de zero (LIMA, 1994).
(PPOS) e Picos Negativos (PNEG) correspondem ao O valor do coeficiente de autocorrelao
nmero de picos da parte positiva e da parte negativa determinado pela Eq. (6):
do sinal, respectivamente.
PPOS = 0 N
PNEG = 0 [s n s n -1 ]
COR = n =1
(6)
para [i = 1; i < N; i = i + 1] N
N -1

se [(sn 0) e (sn sn-1) e (sn > sn+1)] s 2n s 2n
n =1 n =0
PPOS = PPOS + 1;
A Fig. (10) ilustra a variao do Coeficiente de
se [(sn < 0) e (sn sn-1) e (sn < sn+1)]
Correlao ao longo dos blocos da palavra
PNEG = PNEG + 1;
esquerda.

PRINCIPIA, Joo Pessoa, n.14, Dezembro 2006. 29


Figura 10. Variao do parmetro COR ao longo
da palavra esquerda.
4. Interface Grfica
De forma a tornar-se mais compreensveis as
etapas do processo de extrao de caractersticas a
partir de um arquivo WAV , foi implementada uma
interface grfica, atravs do ambiente de
desenvolvimento Borland C++ Builder, amigvel e
intuitiva que contm todos os algoritmos,
anteriormente, discutidos. As figuras contendo os
resultados obtidos neste trabalho foram retiradas do
software implementado. A Fig. (11) apresenta a
interface inicial do programa.
Figura 11. Interface inicial do ambiente de
processamento digital de voz.
5. Concluses
Neste trabalho foram implementadas rotinas que
podem servir de base para qualquer sistema de
reconhecimento de voz, de locutor ou sistemas de
sntese de voz. O programa final flexvel, pois
permite que se trabalhe com arquivos WAV de 8 ou
16 bits, alm de executar passo-a-passo o
processamento do sinal da voz o que facilita a
compreenso de cada procedimento.
Na fase de deteco de incio/fim de palavras foi
proposto um algoritmo que demonstrou bons
30
resultados em ambiente de laboratrio, mas que deve
ainda ser otimizado.
A extrao de parmetros que o programa
executa retorna variveis expressivas para
caracterizao do sinal da fala. Neste estgio foi
implementado um algoritmo diferenciado, do
geralmente utilizado, para a contagem da Taxa de
Cruzamento pelo Zero, que obteve resultados
excelentes na caracterizao de sinais de 8 bits.
Outros passos devem ser dados para
implementao de um sistema de reconhecimento de
voz ou de locutor como a determinao dos
coeficientes LPC, Mel, Mel-Cepstrais entre outros.
As tcnicas de parametrizao dos modelos como
Modelos de Markov Escondidos (HMM), Redes
Neurais Artificiais ou tcnicas hbridas podem ser
utilizadas. No entanto, o trabalho at aqui realizado
serve como base para um sistema que use qualquer
dessas tcnicas.
Pretende-se ainda, em etapas posteriores, avaliar
o desempenho dos algoritmos aqui propostos com os
algoritmos existentes na literatura.
6. Referncias
COSTA, W. C. da A. Reconhecimento de Fala
Utilizando Modelos de Markov Escondidos
(HMMs) de Densidades Contnuas. 1994.
Dissertao (Mestrado em Engenharia Eltrica)
Departamento de Engenharia Eltrica, UFPB,
Campina Grande.
LIMA, A. B. O. Sistema de Resposta Vocal
VOCODER LPC. 1994. Relatrio Tcnico
Departamento de Engenharia Eltrica, UFPB,
Campina Grande.
PETRY, A..; ZANUZ, A.; BARONE, D. A. C.
Utilizao de tcnicas de processamento digital de
sinais para identificao automtica de pessoas
pela voz. 2000. Relatrio Tcnico UFRGS, Porto
Alegre.
VIEIRA, M. N. Mdulo Frontal para um Sistema
de Reconhecimento Automtico de Voz. 1989.
Dissertao (Mestrado em Engenharia Eltrica)
Departamento de Engenharia Eltrica, UNICAMP,
Campinas.
RABINER, L. R., SHAFER, R. W., Digital
Processing of Speech Signals, Prentice Hall, 1978.
PRINCIPIA, Joo Pessoa, n.14, Dezembro 2006.
Responsabilidade de autoria
As informaes contidas neste artigo so de
inteira responsabilidade de seus autores. As opinies
nele emitidas no representam, necessariamente,
pontos de vista da Instituio e/ou do Conselho
Editorial.

PRINCIPIA, Joo Pessoa, n.14, Dezembro 2006. 31