سیگنال صوتی و شنیداری یا Audio احساس ارتعاشات و نوسانات هوا توسط گوش انسان است. اگر این صوت در محدوده فرکانسی 20Hz – 20KHz باشد با رسیدن به گوش و سپس انتقال به مغز و پردازش روی آن باعث درک مفهوم در ذهن انسان می گردد. سیگنال گفتار Speech زیر مجموعه ای از سیگنال Audio می باشد که توسط انسان ایجاد می شود. در نمودار زیر بخش سیاه شنیده نمی شود, شنیدن بخش قرمز آزار دهنده است و بخش سبز شنیده می شود.
از جمله کاربردهای پردازش گفتار میتوان به موارد زیر اشاره کرد:
- مخابره صدا به همراه تصوير و سایراطلاعات
- دادن فرمانها و دستورات كنترلي توسط صدا
- كنترل دستگاه ها و تجهيزات صنعتي و آزمايشگاهها توسط صدا
- دادن فرامين صوتي در جاهايي كه دست انسان مشغول است مثل هواپيما و اتوموبيل
- ديكته اتوماتيك
- انجام عملیات بانکی پس از تایید هویت توسط صدا
- کلید و قفل صوتی و بازشناسی هویت افراد قبل از ورود آنها به اماکن با درجه امنیت بالا
- شناسائی خودکار زبان گوینده در سیستم های ترجمه اتوماتیک و یا پذیرش هتل های بین المللی
- فروش خودکار بلیط در ایستگا ه های قطار و مترو و اتوبوس و غیره
- پردازش زبان برای نا بینایان
اکثر کاربردهای ذکر شده در یکی از سه شاخه زیر قرار میگیرند:
- آنالیز گفتار برای تشخیص اتوماتیک و استخراج اطلاعات
- دریافت برخی از اطلاعات فیزیولوژیکی گوینده
- ارتباط گفتاری بین انسان و ماشین در اساسی تری شکل طبیعی آن
اما بطور کلی میتوان موارد زیر را به عنوان شاخه های پردازش گفتار نام برد:
- کد کردن و فشرده سازی گفتار
- سنتز گفتار
- تشخیص و درک گفتار
- تأیید هویت گوینده
- تشخیص هویت گوینده
- غنی سازی گفتار
- ترجمه شفاهی گفتار
- تعیین سن، جنس، لهجه، حالت روحی و روانی و نا هنجاری گفتار
برای تولید گفتار بسیاری از اندام ها به صورت هماهنگ نیاز به فعالیت دارند. که بطور کلی میتوان آن ها را در دو بخش vocal tract و nasal tract تقسیم بندی کرد.
Vocal Tract: شامل حلق(اتصال از مری به دهان) و محفظه دهانی میباشد. میانگین طول vocal tract برای آقایان حدود 17.5 سانتیمتر میباشد و سطح مقطع آن که توسط موقعیت زبان, لبها, فک و غشا(یک دریچه در پشت محفظه دهانی که vocal tract و nasal tract را برای تولید صداهای دماغی شبیه /m/,/n/ به هم وصل می کند) تعیین میگردد و از صفر(بسته شدن کامل) تا 20 سانتیمتر مربع متفاوت است.
Nasal Tract: از غشا تا سوراخ بینی گفته میشود.
با کمک اندام های گفتاری میتوانیم صداهای متفاوتی ایجاد کنیم و با کنار هم قرار گرفتن پیوسته این صداها گفتار شکل میگیرد به عنوان مثال شکل مجرای گفتار را در هنگام ادای بعضی حروف به شکل زیر داریم:
واکه ها (vowel) و همخوانهای(consonant) زبان فارسی با توجه به شیوه تولید و واک(voice) یا بی واک(unvoice) بودن در جدول زیر قابل مشاهده هستند:
برای مطالعه بیشتر میتوانید به سایت ویکیپدیا یا سایت یارکد مراجعه نمایید.
