Дикторонезависимое распознавание шипящих без предварительной тренировки методом расчета энерго-частотной характеристики.
Суть метода заключается в расчете энергии исходного сигнала E0, далее определяется энергия сигнала после фильтрации полосовым фильтром.
Каждое значение E(i) делится на E0, после чего строится график.
Количество фильтров и соответственно точек равно 20000/частота полосового фильтра. При ширине 500Гц, кол-во равно 40 точек.
Распознавание фонемы С. 44100, 500Гц
Русскоязычный диктор, мужской или женский голос, продолжительность фонемы не имеет значения.
Значение максимума лежит ниже уровня 0.25 График имеет 2 близко расположенных пика (Твин Пикс ) Отношение частот пиков лежит в диапазоне 0.65...0.88 и увелич-ся с частотой. График частного - не прямая, а задирается вверх как перевернутая экспонента. Строить лень. Я нашел примерную формулу (подгонка).
Англоязычный диктор, мужской или женский голос, продолжительность фонемы не имеет значения.
Значение максимума лежит ниже уровня 0.25. 2-ой пик слабо выражен.
Прикреплённый файлs1_3sh.png (15,32 Кбайт, скачиваний: 520)

Добавлено 20.01.16, 08:13
Пики Ц лежат правее пиков С (взрывной звук вначале дает много высокочастотных гармоник)

График для Ш,Щ,Ч для Елены практически совпадают и накладываются др. на друга, причем при уменьшении ширины полосового фильтра до 100Гц график не распадается на отд. пики, те энергия этих фонем сосредоточена в одной узкой полосе, а значение всегда лежит выше уровня 0.6.

Добавлено 20.01.16, 08:14
0.45 .. 0.6

Еще 1 график.
Прикреплённый файлs_888math.png (47,92 Кбайт, скачиваний: 515)

Добавлено 20.01.16, 08:58
Независимомть к положению максимума ко второму пику (инвариантность?) достигается простыми алгоритмами:


Добавлено 20.01.16, 09:11
Метод будет работать только на предварительно размеченном звуковом файле.
Буду благодарен, если подскажете код чтения меток hts и инициализации массива меток в Матлаб.

Несколько слов о формировании фонемы С в русском языке. Во время поизношения язык придвигается к передним зубам, поэтому в образовании общего звука участвуют 2 вида потоков. Первый основной поток образуется при движ. воздуха между передней частью нёба (и губами). Этот поток однородный и похож на хвук Ш.
Второй вид потока образован несколькими турбулентными потоками воздуха, проходящего через щели в зубах. Этот поток напоминает свист.
Поэтому на графике распр-я энергии можно видеть максимум и еще 1 или несколько потоков поменьше. Мощность второго потока зависит от неск. факторов: скорости выдыхаемого воздуха и положения языка относительно неба и передних зубов. Поток от нёба может быть сведен к минимуму.

Графики голоса cmu_us_arctic_slt имеет 1, ярко выраженный пик. Возможно, что голос синтезирован или прошел спец. обработку.
На голосе Елена теория подтверждается практикой, тк 2 пика есть в любом случае.
Прикреплённый файлElena_a001.png (15,14 Кбайт, скачиваний: 525)

Добавлено 22.01.16, 07:58
После фильтрации узким полосовым фильтром в диапазоне частот от 8 до 15кГц звук С становится похож на сверчка.

Теперь мягкий звук "сь". В отличие от звука "с", который формируется направлением струи воздуха в верхние зубы, звук "сь" появляется при направлении струи воздуха в нижние зубы.
На слух сь слышится более свистящим - нижние зубы более мелкие.
Мягкие согласные отправляются в нижнюю челюсть, а их норм. аналоги - в небо и верхнюю челюсть.