Darbe pristatomas naujas algoritmas balsiams nuo priebalsių atskirti. Šis algoritmas pasižymi greitu požymio, gebančio atskirti balsius nuo priebalsių apskaičiavimu. Jis paremtas filtruoto signalo energijų suma esminiuose signalo regionuose. Požymio tikslumas ir gebėjimas atskirti balsius nuo priebalsių patikrintas atliekant eksperimentą su vyriškos ir moteriškos šnekos garso įrašais. Darbo objektas: balsių nustatymo algoritmas. Darbo tikslas: realizuoti ir eksperimentais patikrinti balsių nustatymo požymį pagrįstą pagrindinio tono ir harmonikų dažnių energijos suma. Hipotezė: tiriamas balsių nustatymo požymis gali būti taikomas Lietuvių kalbos balsiams atskirti nuo priebalsių. Darbo uždaviniai: 1. apibūdinti pagrindinio tono sąvoką, jo paieškos ypatumus, paieškos poreikį ir galimą praktinį taikymą; 2. išanalizuoti ir ištirti eksperimentu plačiausiai taikomus pagrindinio tono nustatymo algoritmus; 3. išanalizuoti esamus balsių nustatymo algoritmus, naudojamus balsių identifikavimo požymius; 4. išanalizuoti plačiausiai taikomus skaitmeninius filtrus; 5. iš analizės ir eksperimentinių rezultatų sudaryti tiriamo požymio algoritmo modelį; 6. realizuoti informacinę sistemą tiriamam požymiui apskaičiuoti; 7. atlikti pagrindinį eksperimentą tiriamo požymio tikslumo įvertinimui; 8. atlikti papildomus eksperimentus tiriamo požymio rezultatų patikslinimui. Tyrimo metodai: 1. kokybiniai tyrimo metodai: pagrindinio tono paieškos metodų kalbos signaluose klasifikacija, balsių atpažinimo... [toliau žr. visą tekstą] / New algorithm for consonants and vowels differentiation is revealed in this paper. This signifacally fast algorithm calculates a feature based on the sum of energies of a filtered signal. This feature allows determining whether a vowel or a consonant is an exploratory. An experiment is done to make estimations how reliable the feature is. The main aim of this paper is to realize and evaluate by the experiments consonants and vowels differentiation algorithm based on the calculation of pitch and the sum of energies of a filtered signal. The object of this paper is the algorithm of consonants and vowels differentiation in speech signal. To realize the main aim there are several tasks to be resolved: 1. describe the definition of the pitch, pitch detection methods and their possible practical use; 2. evaluate mostly used pitch detection methods; 3. analyze existing vowels differentiation and recognition algorithms; 4. analyze mostly used digital filters; 5. according to analysis results implement an algorithm model; 6. realise information system to calculate desired feature; 7. evaluate feature precision and quickness; For these tasks to be resolved there are several research techniques used. 1. Qualitative techniques: pitch detection methods classification, vowel recognition methods classification, scientific literature analysis and filing and UML for algorithm modeling. 2. Quantitative techniques: performance evaluation and comparison of algorithms using mathematical and... [to full text]

Šiame darbe yra analizuojami sprogimo kalbos signale nustatymo metodai bei aprašomi nauji sprogstamųjų priebalsių požymiai: fonemos energijos minimumų ir maksimumų santykių skaičiavimas bei eksperimentų rezultatai. Su aprašytuoju algoritmu buvo atlikti du eksperimentai. Eksperimentai buvo atlikti panaudojant LTDIGITS garsyno įrašus (100 diktorių: 50 vyrų ir 50 moterų). Pirmojo eksperimento metu buvo gautas 89.82% bendras fonemų skirstymo tikslumas. Antruoju bandymu atpažinimo tikslumas buvo pagerintas iki 90.67%. Panaudojant papildomų požymių skaičiavimus buvo atpažinta 221 sprogstamaisiais priebalsiais daugiau. / In this paper analyzed methods for burst detection in speech, described new algorithm and finally presented experiments results. Burst recognition methods used in the world are based on occlusive before plosion detection, various variations of amplitude in phoneme. These methods usually show about 90% of stop consonants recognition. In this paper described algorithm based on occlusive and maximum variation of energy detection, which lets achieve 90.67% accuracy to stop consonants dividing into stop consonants and non-stop phonemes groups. Using these calculations 221 stop consonant were recognized more than without.