Pobieranie prezentacji. Proszę czekać

Pobieranie prezentacji. Proszę czekać

1 Dwięk w multimediach Ryszard Gubrynowicz Wykład 6.

Podobne prezentacje


Prezentacja na temat: "1 Dwięk w multimediach Ryszard Gubrynowicz Wykład 6."— Zapis prezentacji:

1

2 1 Dwięk w multimediach Ryszard Gubrynowicz Wykład 6

3 2 Sylaby fonetyczne Zmiany głośności między kolejnymi głoskami w strumieniu dźwięków mowy warunkują podział wypowiedzi na tzw. sylaby fonetyczne. Rdzeniem (ośrodkiem) sylaby fonetycznej jest segment głoskowy różniący się poziomem głośności od swego najbliższego otoczenia. Jego głośność jest niemal zawsze większa od głośności głoski występującej bezpośrednio przed nim i po nim.

4 3 Granice między sylabami Granice sylab fonetycznych wypadają w momentach zamknięcia toru głosowego lub powstania w nim znacznego zwężenia, ewentualnie w chwili wystąpienia tzw. pauzy akustycznej. Przebieg zmian intensywności

5 4 Struktura sylabiczna wypowiedzi Sylaba nie stanowi elementu funkcjonalnego jakim jest głoska. Jej jedyną funkcją jest segmentacja wypowiedzi, ułatwiająca artykulację i percepcję. Segmentacja ta dokonuje się poprzez rytmizację ciągu segmentów, spowodowaną podziałem tego ciągu na skutek chwilowych obniżeń poziomu emitowanego sygnału mowy. Obniżenia te są wywoływane przez zwarcia, bądź szczeliny będącymi źródłem pobudzenia szumowego o niskim poziomie. Ośrodkami sylab są głoski o najwyższym poziomie (na ogół są to samogłoski).

6 5 Poziom intensywności w sylabach uwydatnionych

7 6 Akcent wyrazowy Definicja akcentu: Jest to to proces uwydatniający wybrane segmenty w sygnale mowy ciągłej, np. sylab w wyrazach lub wyrazów w zdaniach. Uwydatnienie sylaby akcentowanej może polegać na silniejszym, a zarazem głośniejszym jej wypowiedzeniu, na bardziej precyzyjnym jej wymówieniu, co może spowodować jej wydłużenie czasu trwania. Może też wystąpić tylko podwyższenie (niekiedy obniżenie) częstotliwości pobudzenia krtaniowego.

8 W zależności od tego, który z tych czynników przeważa, akcent jest określany jako: dynamiczny – gdy czynnikiem dominującym w płaszczyźnie akustycznej są zmiany intensywności rytmiczny – gdy o wrażeniu akcentu decydują zmiany iloczasów sylab, lub melodyczny – gdy akcentowanie sylaby jest realizowane poprzez zmianę wysokości głosu Dla języka polskiego przyjmuje się, że akcent jest zazwyczaj dynamiczny, choć jest to dyskusyjne. 7 Akcent dynamiczny, rytmiczny i melodyczny

9 8 Położenie akcentu Przyjmuje się, że w języku polskim akcent wyrazowy jest stały i spoczywa w zasadzie na przedostatniej sylabie formy wyrazowej. Są formy wyrazowe nie mające samodzielnego akcentu np. się, ci, za, mnie itp. i dołączają się do wyrazu mającego swój akcent – np. pod_lasem. Akcent wyrazów zapożyczonych jest na ogół na 3-ej sylabie od końca – logika. To samo może wystąpić w niektórych formach czasownikowych – widzieliśmy. Dłuższe formy wyrazowe obok akcentu na sylabie przedostatniej mają także akcent na pierwszej sylabie (akcent główny) – prawdopodobnie (o tym zadecydowały względy rytmiczne i melodyczne)

10 9 Przykład analizy położenia akcentu tSI mopa Zemini Wpływ iloczasu na percepcję akcentu tSI mopa Zemini

11 10 Wpływ poziomu intensywności na percepcję akcentu

12 11 Wpływ F0 na percepcję akcentu

13 12 Przykład melodii zdania angielskiego –I wanted chocolate and cake kolor czarny – melodia standardowa; pozostałe kolory z przenoszeniem akcentu zielony – I czerwony– and niebieski – cake

14 13 Realizacja akcentu w płaszczyźnie akustycznej W zależności od języka mówca posługuje się jednym z akcentów jako dominującym dla danego języka. W przykładzie dla języka angielskiego (z dominującym akcentem melodycznym), mówca niekiedy dodaje również akcent dynamiczny, a niekiedy obserwuje się wydłużenie sylaby, by uzyskać na niej słyszalne podniesienie melodii.

15 Jak jest realizowany akcent w języku polskim? [dB] Czas [s] F0 [półtony] % czas trwania sylab - sylaby akcentowane 14

16 15 Wpływ zwiększenia iloczasu samogłoski /i/ w sylabie /bli/ i skrócenia samogłoski /e/ w /kle/

17 16 Wpływ spłaszczenia konturu melodycznego Iloczas sylab nie modyfikowany Iloczas sylab jednakowy Iloczas sylaby /bli/ zwiększony

18 17 Przykład zapisu muzycznego melodii mowy

19 18 Rozkład iloczasów sylab F0

20 Przebieg zmian F0, A i iloczasów samogłosek 19

21 20 Opis symboliczny melodii zdania T B L LH HL H H H L LH L

22 21 Funkcje melodii (intonacji) mowy W języku polskim zmiany wysokości tonu krtaniowego, charakteryzują wraz z rozłożeniem akcentów, tempem wypowiedzi itp. dłuższe niż głoska odcinki wypowiedzi. Zmiany F0 są nosicielami informacji o rozczłonowaniu składniowym tej wypowiedzi, o tym które jej fragmenty są szczególnie ważne, sygnalizują też koniec całej wypowiedzi, lub któregoś z jej członów.

23 22 Obniżenie melodii jest zazwyczaj w wypowiedziach stanowiących zamkniętą całość. Podobnie jest w pozbawionych emocji poleceniach i rozkazach. Na końcu tych odcinków wypowiedzi, które wyodrębniają się, ale nie stanowią jeszcze zamkniętej całości, a więc takich, po których ma nastąpić ciąg dalszy melodia się wznosi. Podobnie melodia wznosi się na końcu zdania pytającego. Wzmacnianie danej sylaby często odbywa się poprzez podniesienie częstotliwości F0 (w przykładzie na O!, czy Jak to..). Takie uwydatnianie nazywa się akcentem logicznym (zdaniowym). Na ogół, wymaga to ponadto zwiększenia iloczasu uwydatnianej sylaby. Wzmocnienie sylaby

24 23 porządkują i organizują strukturę czasową wypowiedzi są nosicielami informacji o jej podziale składniowym sygnalizują gramatyczną funkcję wypowiedzi (przede wszystkim melodia jest nosicielem tej informacji) sygnalizują stan emocjonalny Rola cech prozodycznych w mowie

25 24 Jakiego typu jest to fraza? Czas [s] F0 [półtony]

26 25 Było to zdanie niedokończone F0 [półtony] Czas [s]

27 26 Czy prozodia wpływa na artykulację ? Intensywność i rejestr głosu F0=262 Hz F0=466 Hz F0=349 Hz

28 Przykłady zapisu nutowego fraz wypowiedzianych przez K.Ch.

29 28 Muzyczna notacja dla mowy ? W dobie precyzyjnych pomiarów częstotliwości, czy ma jeszcze sens ? W muzyce podstawowym pojęciem jest interwał – różnica wysokości dwóch dźwięków wyrażona w jednostce miary, której podstawą jest oktawa i półton Muzyczny interwał jest muzyczną odległością między dźwiękami o różnej wysokości – ma bezpośredni związek z percepcją wysokości. Interwały są związane z częstotliwością, ale nie są identyczne (w różnych oktawach te same interwały są w skali częstotliwości różne) Tony 220 Hz i 440 Hz są muzycznie identyczne

30 29 Muzyczne interwały nie zależą od zakresu –Oktawa może być dzielona muzycznie na wiele sposobów –Melodia może wykorzystywać tylko jakąś część muzycznej przestrzeni dźwiękowej –Mowa rozciąga lub zmniejsza całą przestrzeń dźwiękową. W zmienionej przestrzeni nadal dźwięk Wysoki pozostaje nadal Wysoki bez względu na to, czy przestrzeń ta została rozciągnięta, czy pomniejszona. W muzyce pomniejszony interwał jest różny od rozciągniętego –Innymi słowy, muzyczna tonalność zmienia się w obrębie przestrzeni tonicznej, natomiast mowa tę przestrzeń sobie niemal dowolnie kształtuje Mowa a muzyka

31 Nieadekwatność notacji muzycznej mowy 30 Notacja nutowa sugeruje, że mowa jest muzyczna. Muzyczna notacja może być myląca, sugerując strukturę tonalną melodii mowy, o czym nie ma przekonywujących danych. Jednakże badania neurologiczne wskazują na związek między percepcją konturu melodycznego i intonacją, ale nie między intonacją (w sensie lingwistycznym) i muzyczną tonalnością.

32 Manipulacja prozodią w syntezie mowy praat 31 Po wczytaniu pliku wav, Go to Manipulation

33 Mowa jako ciąg krótkotrwałych segmentów 32

34 Modyfikacja czasu trwania Podwojenie lub usunięcie segmentu 33

35 SOLA-Synchronized Overlap and Add –Przesunięcie segmentów odpowiednio do wielkości współczynnika skalującego –Wzajemne ustawienie, przedział nakładania/sumowania, –Obliczenie korelacji wzajemnej w przedziale nakładania się –Tak przesunąć względem siebie segmenty, by w tym przedziale współczynnik korelacji wzajemnej był maksymalny –wzmacnianie/tłumienie j.w. –Dowolne przesunięcie czasowe Przetwarzanie segmentów czasowych - Segmentacja na ciągi x[n] w zachodzących na siebie ramkach 34

36 PSOLA Wariant metody OLA specjalnie dostosowany do przetwarzania mowy Podział sygnału na zachodzące na siebie okienka Podział zsynchronizowany z F0 –unikać miejsc z nieciągłościami F0 Konieczne jest wstępne zaznaczenie na przebiegu sygnału miejsca impulsów krtaniowych Analiza: –wyznaczenie okresów pobudzenia krtaniowego –ekstrakcja okienkowanych segmentów, których środki znajdują w miejscach impulsów krtaniowych 35

37 36

38 Synteza sygnału mowy Skalowanie czasowe: –Skalowane segmenty muszą być dodane lub usunięte bez zmiany odległości między sąsiednimi impulsami krtaniowymi Zmiana F0: –Po syntezie czas trwania segmentu nie ulega zmianie, natomiast konieczne jest przeskalowanie lokalnego okresu tonu krtaniowego Segmenty mogą być pomijane (kompresja/obniżenie wysokości głosu) Segmenty mogą być podwojone (rozciągnięcie/zwiększenie wysokości) Artefakty: –rozmazywanie tranzjentów, słyszalne cięcia, zniekształcenia błędami fazowymi 37

39 Zmiana skali czasu - zwiększenie Schematyczne przedstawienie odwzorowania osi czasu analizy w oś czasu syntezy 38

40 Modyfikowanie czasu – zmniejszenie 39

41 Modyfikowanie intonacji bez zmiany skali czasu 40

42 Multimedialna/multimodalna reprezentacja emocji 41

43 Jakie stany emocjonalne należy/można wyróżnić? 42

44 Uniwersalizm niektórych sposobów wyrażania stanów emocjonalnych Ekman wykazał, że niektóre stany emocjonalne są wyrażane w sposób niezależny od środowiska kulturowego: –radość –smutek –złość, gniew –strach, obawa –odraza, wstręt (dla niektórych środowisk) – zdziwienie, zaskoczenie (dla niektórych środowisk) Pozostałe są kulturowo zmienne, w tym i obojętność 43

45 Dlaczego ważne jest rozpoznawanie stanów emocjonalnych w dwustronnej komunikacji? Człowiek w codziennym komunikowaniu z otoczeniem wyraża swoje emocje Zrozumienie emocji i znajomość jak reagować w stosunku do ludzi wyrażających swoje emocje znacznie wzbogaca wzajemne oddziaływanie 44

46 Emocje w interakcji człowiek –komputer Znając emocje użytkownika system może się do niego lepiej dostosować Rozpoznając i reagując adekwatnie (!) do stanu emocjonalnego użytkownika system będzie oddziaływał na niego w sposób bardziej naturalny, przekonywujący i wiarygodny 45

47 Sposoby wyrażania emocji emocje znajdują swoje odzwierciedlenie w głosie, ruchach rąk i ciała, ale dla niektórych emocji, przede wszystkim w mimice twarzy 46

48 Multimodalna analiza twarzy Oparta jest na analizie: –Informacji o kolorze skóry –Cechy elipsoidalne głowy –Gradient luminancji/chrominancji –Wstępny podział obszarów twarzy –Określenie cech wyrazu twarzy –Analiza sygnałów mikrofonowych –… 47

49 Multimodalne środki emocji i jej rozpoznawanie Obiekt analizy i rozpoznawania: twarz (wyraz, mimika) + mowa (głos, treść) Rozpoznawanie emocji systemy inteligentne (nadmiarowość, niepewność, niespójność informacji) Modelowanie emocji synteza emocji Interakcja rzeczywiste emocje baza danych 48

50 Rozpoznawanie emocji w systemie dialogowym 49

51 Analiza semantyczna emocji I I_hateBadAdhorrence first_person Radość Negative Positive Disgust Poziom wejściowy wejściowy słowa kategoryzacja frazy kategory- zacja Wstręt I cant stand this nasty every tray traffic-jam cantstandnasty cannotstandbaddisgusting Interpretacja Good Złość Grupowanie Przetwarzanieciągów Grupowanie Grupowanie Wyszukiwanie słów kluczowych I_like... Leksykon wyrażeń emocjonalnych

52 Etapy multimodalnej analizy i syntezy emocji Multimodalna analiza twarzy mówiącej osoby (tzw. Face Tracking) Ekstrakcja cech mimiki twarzy Ekstrakcja cech głosu Multimodalne rozpoznawanie emocji Multimodalna synteza emocji 51

53 Anatomia a mimika twarzy Ekman opracował system kodowania ruchów mięśni twarzy -Facial Action Coding System (FACS): Opis mięśni twarzy szczęki i języka oparty na analizie anatomii twarzy 52

54 Określenie cech wyrazu twarzy Detekcja i śledzenie zmian cech –Lokalizacja : w procesie uczenia i/lub poprzez heurystykę –Ekstrakcja: wykorzystanie wiedzy a priori –Informacje dotyczące kształtu/konturu –Chwilowe zmarszczki –… 53

55 Określenie obszarów ekstrakcji cech wyrazu twarzy 54

56 Ekstrakcja cech wyrazu twarzy - kontury 55

57 Maska emocjonalna 56

58 Wektorowy opis mimiki twarzy wektory przesunięcia określonych elementów twarzy 57

59 Archetypy ekspresji wizerunku Source: F. Parke and K. Waters, Computer Facial Animation, A K Peters r Zwane są uniwersalnymi, bowiem są jednoznacznie rozpoznawane niezależnie od strefy kulturowej 58

60 Emocje niesione przez wyraz twarzy – synteza Niektóre emocje w wyrazie twarzy są niemal bezbłędnie rozpoznawane 59

61 Stopniowanie emocji w wizerunku twarzy 60


Pobierz ppt "1 Dwięk w multimediach Ryszard Gubrynowicz Wykład 6."

Podobne prezentacje


Reklamy Google