Синусоидальная модель высокого порядка для точного уточнения частот, амплитуд и фаз
Синусоидальная модель хорошо восстанавливает сигнал лишь тогда, когда частоты её компонент достаточно точны: небольшое начальное рассогласование портит и амплитуды, и фазу. Авторы объясняют пределы квазигармонических моделей QHM усечением до низкого порядка и предлагают структурированное разложение высокого порядка. Работа полезна для адаптивного анализа речевых гармоник, модификации голоса и синтеза, хотя по скорости пока остаётся вне реального времени.
Метод. Вместо независимых коэффициентов произвольного полинома сохраняются связи, заданные рядом Тейлора комплексной экспоненты частотной ошибки. Поэтому увеличение порядка не требует независимой подгонки всех полиномиальных коэффициентов: на компоненту остаются два комплексных параметра, из которых извлекаются амплитуда, фаза и поправка частоты. Оценивание выполняет алгоритм Левенберга—Марквардта; для речи начальный F0 задаётся YAAPT, обычно используются восемь итераций и модель четвёртого порядка 4th-SM.
Результаты. На синтетическом многокомпонентном сигнале при случайной ошибке начальных частот до ±50 Гц 4th-SM достигает отношения сигнал/ошибка реконструкции SRER 38,8 дБ; в опыте с белым шумом 15 дБ и ошибкой до ±80 Гц — 24,5 дБ. На 32 случайных фразах LJSpeech средний SRER составляет 12,7 дБ против 11,5 у eaQHM и 8,8 у QHM. Ошибка спектрального приближения также минимальна у 4th-SM.
Ограничения. Речевая проверка мала: 32 фразы из однодикторского англоязычного корпуса, без слушательских оценок и проверки на задаче распознавания. Устойчивость к шуму в основном изучается на синтетических синусоидах с белым шумом. Модель опирается на разумную начальную оценку частот и гармоническое приближение; результаты нельзя автоматически переносить на шумные и незвонкие компоненты.
Фишка из статьи. Таблица III показывает, сколько вычислений стоит более точная частотно-фазовая подгонка. Все реализации сравниваются покадрово на одном ядре Intel i7-8700K.
| Метод | Lspec ×10⁻², меньше лучше | SRER, дБ | RTF |
|---|---|---|---|
| QHM | 10,96 | 8,8 | 4,39 |
| eaQHM | 26,31 | 11,5 | 25,49 |
| 4th-SM | 9,38 | 12,7 | 9,49 |
Как это читать: 4th-SM одновременно точнее и примерно в 2,7 раза быстрее eaQHM, но обработка секунды речи занимает 9,49 секунды. Это перспективный инструмент точного анализа, а не готовый потоковый улучшатель; SRER здесь измеряет ошибку реконструкции и не заменяет PESQ, STOI или субъективную оценку.
Источники. Страница arXiv; PDF статьи. Оригинальное название: High-Order Sinusoidal Modeling for Precise Parameter Refinement.