Puheanalyysi

Puheanalyysi (myös äänianalyysi; engl. speech analysis, engl. voice analysis) on puheteknologiassa puhe- ja lauluäänen sekä muitten äänitaajuisten (20–20 000 Hz) äänten kuten vaikkapa musiikkisoittimien äänten, keuhkoäänten, lasten itkujen, puheessa havaittavien emootioiden, hyvän radioäänen, puheäänen kuormittuneisuuden analysoimista, eri kielten ja murteitten äänteiden vertailun tutkimusta digitaalisen signaalinkäsittelyn keinoin.

Intelligent Speech Analyser™ (ISA) -laitteisto ja -ohjelmisto (1986–)

Puheanalyysin tekniikka

Yleensä digitaaliseen signaalinkäsittelyyn perustuvat puheanalyysit sisältävät:

• erilaisia ihmisäänen yksittäisspektrianalyysejä (FFT-spektri (engl. FFT spectrum), kepstri (engl. cepstrum), LPC-spektri (engl. LPC spectrum), auditorinen spektri (engl. auditory spectrum), auditorinen äänekkyysspektri (engl. auditory loudness spectrum)) $Hz$-, $Bark$-, $ERB$-asteikoilla.
• erilaisia ihmisäänen FFT-keskiarvospektrianalyysejä eli LTAS-analyysejä (engl. LTAS analyses) $Hz$-, $Bark$-, $ERB$-asteikoilla.
• erilaisia ihmisäänen FFT-, LPC-, auditorisia spektrogrammeja (engl. auditory spectrograms) $Hz$-, $Bark$-, $ERB$-asteikoilla.
• erilaisia ihmisäänen FFT-, kepstri-, LPC-, auditorisia spektrisarjoja (engl. auditory waterfalls) $Hz$-, $Bark$-, $ERB$-asteikoilla.
• erilaisia puheen perustaajuuden (äänenkorkeuden) F0-analyysejä (engl. F0 analyses) käyrinä aika mukana ja ilman aikaa $Hz$-, $Bark$-, $ERB$-, $mel$-, $st$-asteikoilla.
• erilaisia puheen amplitudin A0-analyysejä (engl. A0 analyses) käyrinä aika mukana ja ilman aikaa $amplitudi_{dB}$-asteikolla.
• erilaisia puheen äänenvoimakkuustason SPL-analyysejä (engl. SPL analyses) käyrinä ja erilaisia mittauksia $SPL_{dB}$-asteikolla.
• erilaisia puheen jitter- ja shimmer-analyysejä (engl. jitter and shimmer analyses) käyrinä ilman aikaa $Hz$-asteikolla ja $amplitudi_{dB}$-asteikolla.
• erilaisia puheen äänekkyysanalyysejä (engl. loudness analyses) käyrinä ja spektreinä $soni$-asteikolla (engl. sone scale).
• puheen äänikenttäanalyysejä (engl. voice field analyses) kaksi- ja kolmiulotteisina esityksinä $st/amplitudi_{dB}$-asteikoilla.
• puheen fonetogrammianalyysejä (engl. fonetogram analyses) kaksiulotteisina esityksinä $st/SPL_{dB}$-asteikoilla.
• puheen erilaisten mitattavien suureitten jakauma-analyysejä (engl. histogram analyses) ja jakaumien perussuureita kuten keskiarvo, keskihajonta, vaihteluväli.
• puheen formanttimittauksia (engl. formant measurements) ja formanttikarttoja (engl. formant charts) $Hz$-, $Bark$-, $ERB$-, $mel$-, $st$-asteikoilla.

Yleensä puheanalyysiohjelmissa on:

• valmiita tuloskuvapohjia monenlaisille suureille ja monenlaisilla asteikoilla.
• tuloskuvat muodostavat uusia analyysejä, jotka toimivat aika- ja taajuussynkronoidusti muitten analyysien kanssa.
• analyysikuvissa on ajassa liikkuva kursori ja taajuuksissa liikkuva kursori.
• puheen yksi- tai monikanavainen sisäänotto analysoitavaksi.
• puheen yksi- tai monikanavainen kuuntelu.
• puheen yksi- tai monikanavainen editointi ja suodatus.
• puheen signaalikuva ja verhokäyräkuva ja erilaisten segmenttirajojen asettaminen niihin ja muihin analyysikuviin.
• puheen osien kuten äänteiden, tavujen, lauseitten ja virkkeitten aikakestojen analyysejä puhesignaalista, sen verhokäyrästä ja erilaisista aikaa sisältävistä analyysikuvista.
• puheen rytmin analyysejä aikaa sisältävistä analyysikuvista.
• aika-akselin sisältävissä analyysikuvissa on siirrettävä aikakursori ja taajuusakselin sisältävissä analyysikuvissa lisäksi myös siirrettävä taajuuskursori.
• analyysikuvat on aikasynkronoitu toisiinsa niin, että siirrettäessä missä tahansa analyysikuvassa aikakursoria se siirtyy myös muissa analyysikuvissa.
• analyysikuvat on myös taajuussynkronoitu toisiinsa niin, että siirrettäessä missä tahansa analyysikuvassa taajuuskursoria se siirtyy myös muissa analyysikuvissa riippumatta erilaisista .taajuusakseliesityksistä.
• kullakin analyysillä on oma kuvansa, joka on vapaasti siirreltävissä ja kooltaan zoomattavissa.
• analyysikuvat päivittävät automaattisesti itsensä käyttäjän tekemän muutoksen jälkeen.

Digitaalisen signaalinkäsittelyn menetelmien algoritmit perustuvat kompleksilukujen ja kompleksilukumuunnosten käyttöön.

Puheanalyysin taajuussuureitten muunnoskaavoja

• Hertsit Barkkeina: $7\ln[f/650+{\sqrt {(1+(f/650)^{2})}}]$, f on taajuuden arvo hertseinä.
• Barkit hertseinä: $650\sinh(x/7)$, x on taajuuden arvo Barkkeina.
• Hertsit ERB:einä: $21,3\log _{10}(1+f/228,7)$, f on taajuuden arvo hertseinä.
• ERB:it hertseinä: $228,7({10^{x/21,3}-1})$, x on taajuuden arvo ERB:einä.
• Hertsit meleinä: $2595\log _{10}(1+f/700)$, f on taajuuden arvo hertseinä.
• Melit hertseinä: $700({10^{x/2595}-1})$, x on taajuuden arvo meleinä.
• Hertsit puolisävelinä: $Y+12\log _{2}(f/440)$, f on taajuuden arvo hertseinä, $Y$ vastaa 440 hertsin puolisävelarvoa. Esim. 880 hertsin st-arvo on $Y+12$ ja 220 hertsin st-arvo on $Y-12$. Eli taajuuden hertseinä kaksinkertaistuessa puolisävelet lisääntyvät määrällä 12 ja taajuuden hertseinä puolittuessa puolisävelet vähenevät määrällä 12. Puolisävel-asteikko on tasavälinen asteikko.
• Puolisävelet hertseinä: $440({2^{(st-Y)/12}})$, st on taajuuden arvo puolisävelinä, $Y$ vastaa 440 hertsin puolisävelarvoa.

Puheanalyysin laskentakaavoja

• Jos $x_{a}$ on mikrofonin jännitesignaali, niin $x_{a}$(nT) = k$P_{a}$(nT), jossa $P_{a}$ on paine, k on vakiokerroin, T on näytevälin pituus.
• Amplitudiverhokäyrä: $10\log _{10}[x(n)^{2}],n=0...N-1$, x(n) on signaalinäytteen arvo hetkellä n.
• $Amplitudi_{dB}$: $10\log _{10}[max(n)^{2}]$, max(n) on ilmaistavan signaalin maksimiarvo hetkellä n.
• Tavallinen $SPL_{dB}$: $10\log _{10}[(\sum _{n=0}^{N-1}x(n)^{2})/N]$, x(n) on signaalinäyte hetkellä n.
• Äänekkyys N soneina: $N=2^{(L_{N}-40)/10}$, $L_{N}$ on äänekkyystaso foneina.

Puheanalyysin teoriakaavoja ja teoriakuvauksia

• Digitaalisen signaalinkäsittelyn kompleksinen perusteoria perustuu osaltaan z-muunnoksen ja sen käänteismuunnoksen olemassaoloon ja käyttöön. $X(z)=\sum _{n=-\infty }^{\infty }{x(n)z^{-n}}$. $x(n)=\oint _{C}{X(z)z^{n-1}dz}$. x(n) on signaalinäyte, z on kompleksinen muuttuja.

• Digitaalisen signaalinkäsittelyn kompleksinen perusteoria perustuu myös osaltaan diskreetin Fourier-muunnoksen DFT:n ja sen käänteismuunnoksen IDFT:n olemassaoloon ja käyttöön. $X(k)=\sum _{n=0}^{N-1}{x(n)W_{N}^{kn}}$, $0\leqslant k\leqslant N-1$, muulloin $X(k)=0$. $x(n)={\frac {1}{N}}\sum _{n=0}^{N-1}{X(k)W_{N}^{-kn}}$, $0\leqslant n\leqslant N-1$, muulloin $x(n)=0$. $W_{N}=e^{-i(2\pi /N)}$, N on signaalin x(n) näytteiden määrä.

• DFT tehollisessa muodossa: $|X(k)|^{2},k=0...N/2-1=|\sum _{n=0}^{N-1}{w(n)x(n)e^{-i(2\pi /N)kn}}|^{2}$, x(n) on signaalinäyte hetkellä n, w(n) on painotusikkuna, k on spektrikanavan/spektripisteen kohta. Spektrissä kanavien määrä N/2 on aina puolet signaalipisteiden määrästä N. Jos painotusikkunan leveys on signaalipisteitten määrää N pienempi asetetaan painotusikkunan molempiin päihin nollia niin paljon, että signaalin pituus ja painotusikkunan leveys saadaan käytännössä samaksi. Kaava lasketaan nopeaa Fourier-laskentahajotelmaa FFT käyttäen.

• Hamming-painotusikkuna $w(n)=0.54-0.46cos(2\pi n/(N-1))$.

• Blackman-Harris-painotusikkuna $w(n)=0.35875-0.48829cos(2\pi n/(N-1))+0.14128cos(4\pi n/(N-1))-0.01168cos(6\pi n/(N-1))$.

• DFT dB-muodossa: $|X(k)|_{dB}=10\log _{10}|X(k)|^{2},k=0...N/2-1$.

• LTAS tuotetaan laskemalla keskiarvo tehollisessa muodossa $|X(k)|^{2}$ olevista DFT:eistä ja lopuksi tehollinen keskiarvo muutetaan dB-muotoon $|X(k)|_{dB}$.

• Usean LTAS-spektrin keskiarvo lasketaan tehollisessa muodossa olevien LTAS-spektrien keskiarvona ja lopuksi tehollinen keskiarvo muutetaan dB-muotoon.

• Puheanalyysiin käyttökelpoinen kepstri syntyy laskemalla dB-muodossa $|X(k)|_{dB}$ olevasta DFT:stä uusi DFT $|X(k)|$.

• Äänen äänekkyystaso foneina on yhtä suuri kuin yhtä äänekkäältä tuntuva 1kHz:n ääneksen äänenpainetaso desibeleinä. Äänekkyys on kuuntelijan subjektiivinen vaikutelma äänen voimakkuudesta. Sen yksikkö on soni. Soni-asteikko on laadittu niin, että soni-määrän kaksinkertaistuminen vastaa myös äänekkyyden kaksinkertaistumista.

FFT-spektri

Ihmisäänen FFT-spektri dB-asteikolla tuotetaan yllä olevia DFT:n kaavoja käyttäen. FFT-spektri käytännössä lasketaan nopeaa Fourier-muunnoshajotelmaa FFT:tä käyttäen. Vaihtoehtoja nopeaksi Fourier-muunnoshajotelmaksi on monta.

Kepstri

Puheanalyysissä kepstri saadaan aikaan seuraavasti. Otetaan ensin Fourier-muunnos äänisignaalista. Näin saadaan uusi signaali seuraavaa Fourier-muunnosta varten. Seuraava Fourier-muunnos laskee uudesta signaalista uuden Fourier-käyrän. Fourier-käyrän voimakkain huippu kuvaa alkuperäisen äänisignaalin perustaajuutta ja huipun avulla voidaan määrittää äänen perustaajuus. Kepstrihuipun avulla perustaajuuden määritys on tarkempi kuin ensimmäisen Fourier-muunnoksen ensimmäisestä harmoonisesta mitattu perustaajuus.

Puheanalyysiin käyttökelpoinen kepstri tuotetaan dB-muodossa olevasta DFT:stä laskemalla siitä uusi DFT.

Minkä tahansa ajassa muuttuvan signaalin perustaajuus on määrättävissä kepstrin avulla.

LPC-spektri

LPC-spektrin tuottamiseen on käytettävissä monta erilaista LPC-laskentamenetelmää. Kun LPC halutaan tulostaa myös FFT-spektrin taustakuvana on PARCOR-menetelmä käytännössä kaikkein toimivampia ja mahdollisimman kaunista kuvaesitystä tuottavaa. LPC-spektri esitetään dB-asteikolla. LPC-spektristä formantit F1, F2, F3 ja F4 voidaan tunnistaa suodattamalla LPC-spektriä sopivalla kaistanpäästösuodatuksella, jolloin vain formanttien kohdalle muodostuu kumpuja.

• 
  FFT- ja LPC-spektrit pitkästä a-vokaalista.
• 
  FFT- ja LPC-spektrit pitkästä e-vokaalista.
• 
  FFT- ja LPC-spektrit pitkästä i-vokaalista.
• 
  FFT- ja LPC-spektrit pitkästä o-vokaalista.
• 
  FFT- ja LPC-spektrit pitkästä u-vokaalista.
• 
  FFT- ja LPC-spektrit pitkästä y-vokaalista.
• 
  FFT- ja LPC-spektrit pitkästä ä-vokaalista.
• 
  FFT- ja LPC-spektrit pitkästä ö-vokaalista.

LTAS-spektri

Ihmisäänen LTAS-spektri tuotetaan laskemalla keskiarvo tehollisessa muodossa olevista DFT:stä ja lopuksi tehollinen keskiarvo muutetaan dB-muotoon.

LTAS-spektrien keskiarvospektri

Usean ihmisäänen LTAS-spektrien keskiarvospektri lasketaan tehollisessa muodossa olevien LTAS-spektrien keskiarvona ja lopuksi tehollinen keskiarvo muutetaan dB-muotoon.

FFT-, kepstri-, LPC-spektrisarjat

FFT-, kepstri-, LPC-spektrisarjat tuotetaan laskemalla muutaman kymmenen millisekunnin välein liukuvasti spektrejä ja sisällyttämällä analyysikuvaan myös aika-akseli.

FFT-spektrogrammi

FFT-spektrogrammi tuotetaan laskemalla muutaman millisekunnin välein liukuvasti FFT-spektrejä dB-asteikolla ja muuttamalla kunkin spektrin kanavien voimakkuudet harmaansävyiksi analyysikuvaan.

LPC-spektrogrammi

LPC-spektrogrammi tuotetaan laskemalla muutaman millisekunnin välein liukuvasti LPC-spektrejä dB-asteikolla ja ilmaisemalla sen jälkeen kaistanpäästösuodatuksella spektreistä neljä ensimmäistä formanttitaajuutta ja tulostaen ilmaistut formantit harmaansävyinä analyysikuvaan.

Perustaajuusanalyysi (äänenkorkeusanalyysi)

Puheen perustaajuusanalyysin algoritmi perustuu joko aikatasossa tapahtuvaan tai taajuustasossa tapahtuvaan ilmaisuun. Jotkut aikatasossa tapahtuvista ilmaisuista poikkeavat taajuustasossa tapahtuvista ilmaisuista ensisijaisesti siinä, että aikatasossa on mahdollista ilmaista ja numeroida yksitellen jokainen puheen perusjakso. Taajuustasoilmaisussa puheen perustaajuus havaitaan tiettynä ajanhetkenä liukuvan aikaikkunan sisällä. Jokaisen perusjakson yksitellen ilmaisevaa algoritmia tarvitaan myös tarkan F0-jakauman luontiin ja siitä tehtävien tarkkojen tilastosuureitten luontiin. Jos F0-jakauman laskennassa on mukana muutakin kuin pelkästään kaikkien todelliset perusjaksojen taajuudet on tilastosuure epätarkka. Aikatason ilmaisuista voidaan mainita kaistanpäästöesisuodatukseen & suoraan säännöillä signaalista tapahtuvaan ilmaisuun perustuvat menetelmät ja autokorrelaatioon perustuvat menetelmät. Taajuustasossa tapahtuvista ilmaisuista voidaan mainita kaksinkertaiseen DFT:hen eli kepstriin perustuvat menetelmät. Kepstriin perustuvat F0-analyysit toimivat vaikka signaalin perustaajuuskomponentti puuttuisikin. Aikataso- ja taajuustasoilmaisuissa voidaan esisuodatuksena käyttää kaistanpäästösuodatusta sekä käänteissuodatusta, jotka pyrkivät yksinkertaistamaan analysoitavaa puhesignaalia.

Jitter ja shimmer

Jitter ja shimmer kuvaavat puheen perusjaksojen taajuuden ja amplitudin muutoksia perusjaksosta toiseen. Algoritmi perustuu aikatasossa tapahtuvaan perustaajuusilmaisuun, joka ilmaisee ja numeroi yksitellen jokaisen puheen perusjakson, sen perustaajuuden ja maksimiamplitudin. Jitter lasketaan $Hz$-asteikolla ja shimmer $amplitudi_{db}$-asteikolla.

Äänikenttä

Äänikenttä tuotetaan aikatasossa tapahtuvalla perustaajuusanalyysillä (äänenkorkeusanalyysillä), joka ilmaisee ja numeroi yksitellen jokaisen puheen perusjakson, sen perustaajuuden (äänenkorkeuden) ja maksimiamplitudin. Äänikenttäkuvassa $amplitudi_{db}$-asteikko on pystysuunnassa ja $st$-asteikko tai $Hz$-asteikko vaakasuunnassa. Kuvaan tulostetaan myös molempien suureitten jakaumat.

• 
  Puheäänikenttä.
• 
  Puheen fonetogrammi.

Formanttikartta

Formanttikartta on kaksiulotteinen kuva puheen vokaalien formanttitaajuuksien mittaustuloksista taajuusasteikolla, joissa taajuussuureena on yleensä Hz, Bark tai ERB. Taajuusasteikot tekevät kuvassa tarvittaessa taajuusmuunnoksia. Historiallisesti formanttikarttoja tehtiin aluksi Hz-asteikolla. Auditorisen ajattelun mukaan tullessa asteikoksi tuli myös Bark-asteikko. Vähän myöhemmin ERB-asteikko. Bark-asteikkoa käytettäessä formanttikarttaan tulee lisäpiirteenä pisteitten merkitseminen 1 Bark:in kokoisina ympyröinä, jolloin ajatuksena on, että kun vokaalien ympyrät eivät mene kartassa päällekkäin niin ne ovat toisistaan hyvin erottuvia. Jos taas menevät päällekkäin saattaa siitä seurata, että vokaalit eivät erotu hyvin toisistaan. Näin vokaalien erotettavuutta toisistaan voidaan eksaktisti ja havainnollisesti mitata formanttikarttakuvan avulla.

• 
  Bark-asteikkoinen F1/F2-formanttikartta.
• 
  ERB-asteikkoinen F1/F2-formanttikartta.
• 
  Bark-asteikkoinen F1/F2-formanttikartta.
• 
  ERB-asteikkoinen F1/F2-formanttikartta.

Auditorisen ja auditiivisen ero

Auditorinen viittaa kuuloelimiin liittyvään asiaan ja auditiivinen viittaa ulkoiseen kuuloon liittyvään asiaan.

Auditorinen spektri

Auditorinen spektri eli Auditory Spectrum on Otaniemessä Akustiikan laboratoriossa 1982–1983 kehitettyyn Bark-asteikkoiseen tekniseen kuulon malliin ja suodinpankkilaskentaan perustuva spektriesitys kuvaamaan ihmisääntä kuuloalueella 20–10 000 Hz. Auditorinen spektri tuotetaan suodattamalla auditorisella kaistanpäästösuodinpankilla ääntä muutaman kymmenen millisekunnin ajan ja laskemalla lopussa äänikomponenttien voimakkuudet kriittisen kaistan eli 1 Bark:in levyisistä taajuuskaistoista 1/2 Bark:in välein ja tuottamalla siitä 48 arvoa sisältävä spektri. Kehitettyä auditorista spektriä tutkittiin ja sovellettiin professori Matti A. Karjalaisen ja DI Raimo Olavi Toivosen toimesta akateemisesti Akustiikan laboratoriossa Suomen Akatemian Modelling of Auditory and Speech Communication -tutkimushankkeessa 1982–1986 .

• 
  Auditorinen spektrisarja sanasta "ui" Teknillisen korkeakoulun Akustiikan laboratorion 48-kanavaisella Bark-asteikkoisella kuulon mallin mukaisella suodinpankilla (1983)

Auditorinen suodinpankki

Auditorinen suodinpankki eli Auditory Filter Bank poikkeaa muista auditorisista kuulonmalleista siinä, että se sisältää taajuuspeiton lisäksi myös aikatason esi- ja jälkipeiton. Puheentunnistuksessa ja puhujantunnistuksessa käytetyt auditoriset mallit eivät sisällä puheanalyysissä tärkeää aikatason esi- ja jälkipeittoa ja ovat siksi epätarkempia kuulonmalleja eivätkä siksi niin hyvin sovellu ihmispuheen ominaisuuksien tutkimiseen eri tieteen aloilla. Kehitettyä auditorista suodinpankkia tutkittiin ja sovellettiin professori Matti A. Karjalaisen ja DI Raimo Olavi Toivosen toimesta akateemisesti Akustiikan laboratoriossa Suomen Akatemian Modelling of Auditory and Speech Communication -tutkimushankkeessa 1982–1986 .

Auditorinen spektrisarja

Auditorinen spektrisarja eli Auditory Waterfall tuotetaan laskemalla auditorisella kaistanpäästösuodinpankilla muutaman kymmenen millisekunnin välein liukuvasti auditorisia spektrejä. Kehitettyä auditorista spektrisarjaesitystä tutkittiin ja sovellettiin em. tutkimushankkeessa.

Auditorinen spektrogrammi

Auditorinen spektrogrammi eli Auditory Spectrogram tuotetaan kaistanpäästösuodattamalla auditorisen spektrisarjan kukin spektri Bark-asteikolla niin, että saadaan aikaan spektriesitys, jossa näkyy vain löydetyt ihmisäänen auditoriset formanttitaajuudet harmaansävyinä. Kehitettyä spektrogrammiesitystä tutkittiin ja sovellettiin em. tutkimushankkeessa.

Äänekkyyden ja äänekkyystason ero

Äänekkyyden yksikkö on soni ja äänekkyystason yksikkö on foni.

Auditorinen äänekkyysspektri

Auditorinen äänekkyysspektri eli Auditory Loudness Spectrum tuotetaan auditorisesta spektristä muuntamalla kunkin kriittisen kaistan eli Bark-kaistan arvo soneiksi ja tuottamalla näin uusi spektriesitys. Kehitettyä spektriesitystä tutkittiin ja sovellettiin em. tutkimushankkeessa.

Auditorinen kokonaisäänekkyys

Auditorinen kokonaisäänekkyys eli Auditory Loudness tuotetaan summaamalla äänekkyysspektrissä kaikki kriittisten kaistojen 24 soni-arvoa. Kehitettyä äänekkyysesitystä tutkittiin ja sovellettiin em. tutkimushankkeessa.

Auditorinen äänekkyyskäyrä

Auditorinen äänekkyyskäyrä eli Auditory Loudness Curve tuotetaan laskemalla kokonaisäänekkyysarvoja tasa-aikavälein ja tuottamalla siitä käyräesitys aika-asteikolla. Kehitettyä käyräesitystä tutkittiin ja sovellettiin em. tutkimushankkeessa.

Auditorinen äänekkyysmuutoskäyrä

Auditorinen äänekkyysmuutoskäyrä eli Auditory Chance in Loudness Curve tuotetaan suodattamalla/derivoimalla äänekkyyskäyrää niin, että saadaan aikaan käyrä, jossa näkyy kumpuina vain muutoskohdat. Kehitettyä käyräesitystä tutkittiin ja sovellettiin em. tutkimushankkeessa.

Auditorinen sointispektri

Auditorinen sointispektri tuotetaan auditorisesta spektristä ilmaisemalla jokaisesta kriittisen kaistan eli 1 Bark:in levyisestä äänikaistasta kepstrissä näkyvä perustaajuuspiikin (äänenkorkeuspiikin) voimakkuus ja laskemalla nämä 1/2 Bark:in välein 24 Bark:in taajuusalueelta. Näin saatu uusi spektri kuvaa miten vahvasti perustaajuus (äänenkorkeus) ja äänen harmoonisuus näkyvät 24 Bark:in levyisellä taajuusalueella. Tämä menetelmä toimii vaikka äänen FFT-spektristä puuttuisi perustaajuuskomponentti. Kehitettyä spektriesitystä tutkittiin ja sovellettiin em. tutkimushankkeessa.

Auditoriset usean samanaikaisen äänen sointispektrit

Auditoriset usean samanaikaisen äänen sointispektrit voidaan auditorisen sointispektrin laskennalla erottaa tosistaan seuraamalla usean samanaikaisen äänen perustaajuutta (äänenkorkeutta) kepstrillä ja ilmaisemalla kunkin perustaajuuspiikin (äänenkorkeuspiikin) voimakkuus. Näin saadut uudet spektrit kuvaavat miten vahvasti perustaajuus (äänenkorkeus) ja äänen harmoonisuus näkyvät 24 Bark:in levyisellä taajuusalueella kun kyseessä on useita samanaikaisia eri perustaajuisia ääniä. Tämä menetelmä toimii vaikka äänten FFT-spektreistä puuttuisi perustaajuuskomponentti. Kehitettyä spektriesitystä tutkittiin ja sovellettiin em. tutkimushankkeessa.

Auditorinen usean samanaikaisen perustaajuuden (äänenkorkeuden) ilmaisu

Auditorinen usean samanaikaisen perustaajuuden (äänenkorkeuden) ilmaisu tuotetaan auditorisen usean samanaikaisen äänen sointispektrin laskennalla erottamalla ilmaistut eri perustaajuudet omiksi F0-käyrikseen. Tämä menetelmä toimii vaikka äänen FFT-spektreistä puuttuisi perustaajuuskomponentti.

Katso myös

• Intelligent Speech Analyser™ (ISA)
• Puheteknologian historiaa Suomessa
• Ihmisääni
• Psykoakustiikka
• Matti A. Karjalainen
• Raimo O. Toivonen
• Kalevi Wiik
• Mikko Kuronen
• Anna-Liisa Lehessaari
• Anne-Maria Laukkanen
• Timo Leino
• Kari Suomi
• Juhani H. Toivanen
• Reijo Aulanko
• Rauno Nieminen
• Stanley Smith Stevens
• Eberhard Zwicker
• Harvey Fletcher
• Wilden Munson
• James F. Kaiser
• Alan V. Oppenheim
• Ronald W. Schafer
• Alan S. Willsky
• Lawrence R. Rabiner
• Bernard Gold
• Sanjit K. Mitra
• Kenneth N. Stevens
• Charles Rader
• James L. Flanagan
• Gunnar Fant
• Johan Sundberg
• Raymond D. Kent
• Charles Read
• Thomas D. Rossing
• Minoru Hirano
• Pieter Helbert jr. Damsté
• Osamu Fujimura
• Antoni Pruszewicz

Kirjallisuutta

Suomalaisia teoksia

• Toivanen, Jarmo: Teknillinen akustiikka. 362. Otakustantamo, 1976. ISBN 951-671-123-5.

• Karjalainen, Matti & Virtanen, Markku: Puhesignaalin särö ja sen mittaaminen. Raportti 26. Espoo: TKK, Akustiikan laboratorio, 1981. ISBN 951-752-376-9.

• Karjalainen, Matti & Virtanen, Markku: Puheen tuottamisen ja kuulemisen mallit ja niiden käyttö särötutkimuksessa ja -mittauksessa. Raportti 27. Espoo: TKK, Akustiikan laboratorio, 1982. ISBN 951-752-587-7.

• Karjalainen, Matti & Nuuttila, Petri: Signaaliprosessorien käyttö puheen- ja äänenkäsittelyssä. KTM:n rahoittaman tavoitetutkimuksen loppuraportti. Raportti 28. Espoo: TKK, Akustiikan laboratorio, 1983. ISBN 951-752-902-3.

• Karjalainen, Matti: Kokemuksia auditiivisen spektrianalyysin käytöstä. Papers from the 12th Meeting of Finnish Phoneticians (Tikka, T., Ikonen, U. eds.). Joensuu: Joensuun yliopisto, 18.–19.5.1984. ISBN 951-69-6523-7.

• Karjalainen, Matti: Tietokone puheentutkimuksessa – uusia suuntia. XIII Fonetiikan päivät – Turku 1985. (toim. Aaltonen O. & Hulkko T.) Suomalaisen ja yleisen kielitieteen laitoksen julkaisuja, 26, s. 141–160. Turku: Turun yliopisto, 1985. ISBN 951-642-751-0.

• Karjalainen, Matti (toim.): Puheen kuulemisen mallintaminen. (On the modelling of speech perception). Raportti 29, Suomen Akatemian tutkimushanke. Espoo: TKK, Akustiikan laboratorio, 1987. ISBN 951-754-154-6.

• Karjalainen, Matti (toim.): Digitaaliaudion signaalinkäsittelymenetelmiä, Akustiikan seminaari. Raportti 41. Espoo: TKK, Akustiikan ja äänenkäsittelytekniikan laboratorio, 1996. ISBN 951-22-3309-7.

• Välimäki, Vesa & Karjalainen, Matti (toim.): Signaalinkäsittely audiotekniikassa, akustiikassa ja musiikissa, Äänenkäsittelyn seminaari. Raportti 50. Espoo: TKK, Akustiikan ja äänenkäsittelytekniikan laboratorio, 1998. ISBN 951-22-4311-3.

• Karjalainen, Matti (toim.): Kuulon mallit ja niiden sovellukset. Raportti 52. Espoo: TKK, Akustiikan ja äänenkäsittelytekniikan laboratorio, 1999. ISBN 951-22-4507-8.

• Karjalainen, Matti: Kommunikaatioakustiikka. Oppikirja. Espoo: TKK, Akustiikan ja äänenkäsittelytekniikan laboratorio, 1999. ISBN 951-22-4412-8.

• Karjalainen, Matti: Hieman akustiikkaa (PDF) 16.10.2000. Espoo: TKK, Akustiikan ja äänenkäsittelytekniikan laboratorio. Arkistoitu 31.8.2020. Viitattu 21.11.2016. (suomeksi)

• Wiik, Kalevi: Fonetiikan perusteet. Oppikirja. Helsinki: WSOY, 1981. ISBN 951-0-10324-1.

• Suomi, Kari: Johdatusta puheen akustiikkaan. Oppikirja. Logopedian ja fonetiikan laitoksen julkaisuja 4. Oulu: Oulun yliopisto, 1990. ISBN 951-42-2922-3.

• Laukkanen, Anne-Maria & Leino, Timo: Ihmeellinen ihmisääni – Äänenkäytön ja puhetekniikan perusteet, arviointi, mittaaminen ja kehittäminen. Oppikirja. Helsinki: Gaudeamus, 1999. ISBN 951-662-782-X.

• Van Bergeijk, William A. & Pierce, John R. & David, Edward E., jr: Aallot ja korva. Luonto tieteen valossa 4. Alkuteoksen nimi Wawes and the ear. Suomentanut Reino Tuokko. Helsinki: WSOY, 1960.

Vieraskielisiä suomalaisia julkaisuja

• Mutanen, Antti: Factors conditioning consonant duration in consonantal context with special reference to initial and final consonant clusters in english. Helsinki: Suomalainen tiedeakatemia, 1973. ISBN 951-41-0099-9.

• Iivonen, Antti & Toivonen, Raimo: Computer in der psychoakustischen analyse und representation der vokale und vokalsysteme. Computergestützte Sprachverarbeitung für Phonetik und Diagnostik (Gall, V., Hollmach, U. Hrsg.), Martin-Luther Universität Halle-Wittenberg, Wissenschaftliche Beiträge 1990/36 (F98), pp. 34–37, June 12–14 1989.

• Iivonen, Antti & Toivonen, Raimo: Simulation of the psycho-acoustical vowel space for linguistic applications. Paris: Eurospeech 89, European Conference on Speech Communication and Technology, Vol. 2, pp. 289–292, June 12–14 1989.

• Iivonen, Antti: Regional German Vowel Studies. Fonetiikan laitoksen monisteita 15. Helsinki: Helsingin yliopisto, April 1989.

• Wiik, Kalevi & Raimo, Ilkka (editors): Nordic Prosody IV. Papers from a Symposium. Turku: University of Turku Phonetics, July 1990. ISBN 1-56593-379-6.

• Riederer, Klaus & Lahti, Tapio (editors): Nordic Acoustical Meeting, 12–14 June 1996. Proceedings. Helsinki: The Acoustical Society of Finland, 1996. ISBN 951-22-3134-4.

• Kuronen, Mikko: Om morfologiskt komplexa ords prosodi i rikssvenska och finlandssvenska – en kontrastiv studie. 92 sivua. Tampereen yliopiston pohjoismaisen filologian laitos, 1993. Teoksen verkkoversio. (Arkistoitu – Internet Archive) (Pro gradu)

• Kuronen, Mikko: Vokaluttalet i sverigessvenska och finlandssvenska. 36 sivua. Helsingin yliopiston fonetiikan laitos, 1995. Teoksen verkkoversio. (Arkistoitu – Internet Archive) (Sivuainetutkielma)

• Kuronen, Mikko: Vokaluttalets akustik i sverigesvenska, finlanssvenska och finska. 162 sivua. Tampereen yliopiston pohjoismaisen filologian laitos, 1997. Teoksen verkkoversio. (Arkistoitu – Internet Archive) (Lisensiaattityö) Sisältää 88 Intelligent Speech Analyserilla tehtyä kuvaa.

• Kuronen, Mikko: Vokaluttalets akustik i sverigesvenska, finlandssvenska och finska. 233 sivua. Jyväskylän yliopisto, 20.5.2000. ISBN 951-39-0645-0. Teoksen verkkoversio. (Väitöskirja) Sisältää 181 Intelligent Speech Analyserilla tehtyä kuvaa.

Kansainvälisiä teoksia

• Gold, Bernard & Rader, Charles M. & Stockham, Thomas G. & Oppenheim, Alan V.: Digital processing of signals. New York: McGraw-Hill, Inc., 1969. ISBN 0-07-023642-9.

• Oppenheim, Alan V. & Schafer, Roland W.: Digital Signal Processing. Prentice-Hall, Inc., 1975. ISBN 0-13-214635-5.

• Rabiner, Lawrence R. & Gold, Bernard: Theory and Application of Digital Signal Processing. Prentice-Hall, Inc., 1975. ISBN 0-13-914101-4.

• DeFatta, David J. & Lucas, Joseph G. & Hodgkiss, William S.: Digital Signal Processing, A Systems Design Approach. John Wiley & Sons, Inc., 1988. ISBN 0-471-63765-3.

• Proakis, John G. & Manolakis, Dimitris G.: Digital Signal Processing Principles, Algorithms, and Applications. Macmillan Publishing Company, 1992. ISBN 0-02-396815-X.

• Ifeachor, Emmanuel C. & Jervis, Barrie W.: Digital Signal Processing, A Practical Approach. Addison-Wesley, 1993. ISBN 0-201-54413-X.

• Mitra, Sanjit K.: Digital Signal Processing, A Computer-Based Approach. McGraw-Hill, 1998. ISBN 0-07-115793-X.

• Tan, Li & Jiang, Jean: Digital Signal Processing, Fundamentals and Applications. Academic Press, 2013. ISBN 978-012-415893-1.

• Mitra, Sanjit K. & Kaiser, James F. (eds.): Handbook for Digital Signal Processing. John Wiley and Sons, 1993. ISBN 978-0471619956.

• Wanhammar, Lars & Saramäki, Tapio: Digital Filters Using MATLAB. Springer, 2020. ISBN 978-3-030-24062-2, 978-3-030-24063-9.

• Hess, Wolfgang: Pitch Determination Of Speech Signals – Algorithms and Devices. Springer-Verlag, 1983. ISBN 3-540-11933-7.

• Sadaoki Furui: Digital Speech Processong, Synthesis, and Recognition. Marcel Dekker, Inc., 1989. ISBN 0-8247-7965-7.

• Kent, Ray D. & Read, Charles: The Acoustical Analyses of Speech. Singular Publishing Group, Inc., 1992. ISBN 1-56593-364-8.

• Rossing, Thomas D. & Moore, Richard F. & Wheeler, Paul A.: The Science of Sound. Pearson Education Limited, Third Edition, 2014. ISBN 1-292-03957-4.

• Pulkki, Ville & Karjalainen, Matti: Communication Acoustics – An Introduction to Speech, Audio and Psychoacoustics. Oppikirja. John Wiley & Sons, Ltd, 2015. ISBN 978-1-118-86654-2. Teoksen verkkoversio.

• Baken, Ronald J.: Clinical Measurement of Speech and Voice. Taylor & Francis Ltd, 1983. ISBN 0-85066-651-1.

• Sundberg, Johan: The Science of Singing Voice. Northern Illinois University Press, 1987. ISBN 0-87580-120-X.

• Sundberg, Johan: The Science of Musical Sounds. Academic Press, 1991. ISBN 0-12-676948-6.

• Hirano, M.: Clinical Examination of Voice. Springer-Verlag, 1981. ISBN 3-211-81659-3.

• Stevens, Kenneth N. & Hirano, Minoru (editors): Vocal Fold Physiolocy. University of Tokio Press, 1981. ISBN 0-86008-281-4.

• Bless, Diane M. & Abbs, James H. (editors): Vocal Fold Physiolocy, contemporary research & clinical issues. College-Hill Press, 1983. ISBN 0-933014-87-2.

• Gauffin, Jan & Hammarberg, Brita (editors): Vocal Fold Physiolocy, Acoustic, Perceptual, and Physiological Aspects of Voice Mechanisms. Singular Publishing Group, Inc, 1991. ISBN 1-879105-51-9.

• Fujimura, Osamu & Hirano, Minoru (editors): Vocal Fold Physiology, Voice Quality Control. Singular Publishing Group, Inc, 1995. ISBN 1-56593-379-6.

• Orlikoff, Robert F. & Baken, Ronald J.: Clinical Speech and Voice Measurement, Laboratory Exercises, Instructor´s Manual. Singular Publishing Group, Inc, 1993. ISBN 1-56593-215-3.

• Lehder, Steven: Understanding Lung Sounds. W.B.Sounders Company, 1984. ISBN 0-7216-1066-8.

• Luchsinger, Richard & Arnold, Godfrey Edward: Voice – Speech – Language, Clinical Communicology: Its Physiology and Pathology. Wadsworth Publishing Company, Inc., 1965. ISBN 978-0534006808.

• Fant, Gunnar: Acoustic Theory of Speech Production. Mouton De Gruyter, The Hague, 1970. ISBN 90-279-1600-4.

• Stanley Smith Stevens: A scale for the measurement of the psychological magnitude: loudness. In: APA Journals (Hrsg.): Psychological Review, 1936:43:5:405–416. [3]

• Fletcher, Harvey & Munson, Wilden A.: Loudness, its definition, measurement and calculation, The Journal of the Acoustical Society of America, 1933:5:2:82–108. [4]

• Zwicker, Karl Eberhard: Subdivision of the audible frequency range into critical bands, The Journal of the Acoustical Society of America, 1961:33:2:248–248. [5]

• Harvey Fletcherin artikkelit Acoustical Society of American (ASA) sivulla.

• Wilden A. Munsonin artikkelit Acoustical Society of American (ASA) sivulla.