به منظور طراحی و پیاده سازی سیستمهای پردازش گفتاری نیاز است درباره اندامها و نحوه تولید گفتار در انسان مطلع بود. گفتار در حنجره و دهان بوجود می آید. تارهای صوتی که با فرکانس پایه خاصی ارتعاش دارند، مقدار متغیر با زمانی را ایجاد میکنند که اصطلاحا pitch نام دارد و مجموعه ای از اندامها که تشکیل شده از دندانها، لبها و بینی بعنوان مدولاتور برای صداهای مختلف بکار گرفته میشوند.

 

شکل فوق یک مدل آناتومی برای تولید گفتار را نشان میدهد. فرایند با تولید هوا در ششها که بالاخره به حنجره میرسد، شروع میشود. در این لحظه تارهای صوتی یا کشیده شده و مرتعش مشوند و یا در حال استراحت هستند که باعث تولید صداهایی با کیفیت مختلف میشوند. این باعث اولین طبقه بندی از صداها به صدادار و بی صدا شده که در شکل زیر نمونه ای از یک حرف بی صدا و یک حرف صدا دار (voiced و unvoiced) را میتوان دید.

 

بعد از طی این مرحله، هوا راهش را به محفظه رزونانس که از ارگانهایی که قبلا اشاره شد تشکیل شده، ادامه میدهد. آن مولفه های فرکانسی که نزدیک فرکانسهای تشدید محفظه هستند، تقویت شده در حالی که بقیه فیلتر میشوند. نتیجه ایجاد موجی است که از طریق انتشار معمول موج به صورت صوت منتشر شده و به گیرنده یا همان گوش میرسد.

زمانیکه صحبت نمیکنیم تنفس بصورت منظم و حدود 15 بار در دقیقه اتفاق میافتد. البته این تعداد بستگی به فعالیت فیزیکی و سلامت جسمانی فرد دارد. در تنفس آرام، زمان دم و بازدم در هر دوره تنفسی تقریبا برابر است. در تولید گفتار اغلب از هوای بازدم برای تولید انرژی استفاده میشود.

بطورکلی جریان هوایی که از ششها خارج میشود نیروی لازم برای تولید صدا را فراهم میاورد، همانطورکه انرژی لازم برای ایجاد صداهای موسیقی در سازهای بادی از همین منبع تولید میشود. برای تلاش به ارتعاش دراوردن ذرات هوا و … نیز حنجره نقش عمده ایفا میکند و دآن تارهای صوتی مانند لبهای نوازنده نی برای تولید صدا عمل میکنند.

گوشها گیرنده صدا هستند و متشکل از تعدادی اندامهای داخلی و خارجی میباشند. قسمت بیرونی بعنوان آنتن صدا با پاسخ فرکانسی و نیز بهره خاصی است. قسمت داخلی مجموعه ای از اندامهای مختلف و پیچیده که فشار هوای وارده را به پالسهای الکتریکی که توسط مغز تعبیر و تفسیر میگردد، تبدیل میکند. اگرچه سیگنال گفتار، خودش مستقل از رفتارهای سیستم گیرنده است، فهمیدن عملکرد آن به منظور دانستن اینکه کدام مشخصات در سیگنال باید نگه داشته شو و از کدامیک تا چه حدودی باید صرفنظر شود، مهم است.