Détection d'activité vocale basée sur un test d'homogénéité
##plugins.themes.bootstrap3.article.sidebar##
##plugins.themes.bootstrap3.article.main##
Résumé
Dans cet article, une nouvelle approche pour la détection d'activité vocale (VAD) est proposée. Cette technique est basée sur le test d'homogénéité de deux processus autorégressifs (AR) ; chacun modélise une fenêtre de parole et implique la mesure d'une distance définie. Le test d'homogénéité est formulé comme un test d'hypothèse avec un seuil dérivé analytiquement en fonction d'une probabilité de fausse alarme définie par l'utilisateur. Les résultats utilisant la base de données Aurora montrent l'efficacité de la technique proposée par rapport à d'autres méthodes et normes
Plum Analytics
Artifact Widget
##plugins.themes.bootstrap3.article.details##
Conformément à sa politique de publication en libre accès, la revue AL-Lisaniyyat reconnaît et garantit aux auteurs la titularité pleine et exclusive des droits d’auteur ainsi que des droits de propriété intellectuelle afférents à leurs contributions scientifiques.
La publication d’un article dans la revue n’entraîne aucun transfert, cession ou limitation de ces droits. Les auteurs conservent le droit de leurs travaux, sans qu’une autorisation préalable écrite de la revue ne soit requise.
Références
ple statistical models,” IEEE Trans Signal Processing, 2006, pp.1965-1976. [8] Morales-Cordovilla, JA, Ning Ma, Sanchez, V., Carmona, JL., Peinado,
A.M. and Barker, J., “A pitch based noise estimation technique for robust speech recognition with missing data,” Acous- tics, Speech and Signal Processing (ICASSP), 2011 IEEE International Con- ference on IEEE, 2011, pp. 4808—4811. [9] Rissanen J., “Modeling by shortest data description,” Automatica, vol.14, pp. 465—471, 1978. [10] Levinson N., “The Wiener RMS (Root Mean Square) error Criterion in filter de- sign and prediction,” J Math. Phys., vol. 25, 1947, pp. 261-278. [11] Martinez, R., Gomez, P., and Derouiche, K.,A test of homogeneity for auto- regressive processes ‘’, Int. J. Adapt. Control Signal Process. 2002; 16:213- 242. [12] Hirsch H. and Pearce D., “The Aurora experimental framework for the perfor- mance evaluation of speech recognition systems under noisy conditions.” ISCA ITRW ASR 2000, Paris, France, Septem- ber 18-20. [13] Sohn J., Kim N. S. and Sung W., “A
statistical model-based voice activity de- tection,” IEEE Signal Process. Lett., vol. 16, no. 1, pp. 1-3, Jan. 1999. [14] Benyassine A., Shlomot E..Su H.-Y.
Massaloux, D, Lamblin C. and Petit J-P., “Ttu-t recommendation g.729 annex b : A
silence compression scheme for use with g.729 optimized for v.70 digital simulta- neous voice and data applications. IEEE Communications Magazine, 35(9):64-73, September 1997. [15] European Standard (Telecommunications series). Voice activity detector (vad) for adaptive multi-rate (amr) speech trafic channels, 1999. ETSI EN 301 708 v7.11 standard description. [16] European standard (Telecomunications- nseries). Transmission and quality aspect
front-end feature extarction algorithm, 2007. ETSI ES 202050 standard descriprtion.