Puhesignaali

Puhesignaali on akustinen signaali, joka välittää puhuttua kieltä. Se syntyy hengitysvirtauksen ja äänentuotannon elinten, kuten ääntelyelinten ja resonanssiväylien, yhteistoiminnan tuloksena ja tallentuu ilmanpaineen vaihteluina, joita mikrofonit mittaavat. Puhesignaalin ydin koostuu sekä lingvistisestä sisällöstä että puheen prosodisista piirteistä, kuten intonaatiosta, painotuksesta ja rytmistä, jotka auttavat sanojen erottamista ja merkityksen tulkintaa.

Puheen akustiset piirteet jakautuvat äännettä koskeviin ominaisuuksiin. Vokaalien muodostus tapahtuu äänentuotannossa, jolloin ääntökanavat voivat resonanssinsa kautta muuttaa signaalin taajuusominaisuuksia; näiden resonanssien eli formanttien paikat ja muutokset kuvaavat vokaalista sisältöä. Perusfrekvenssi F0 määrittää puheen korkeuden ja antaa prosodian, kuten sävelkorkeuden vaihtelun, tunnusmerkin. Konsonantit voivat tuottaa erilaisia painepiikkejä tai frikatiivisia äänteitä, mikä lisää signaalin rakennetta.

Puhesignaali voidaan analysoida sekä ajassa että taajuudessa. Yleisimmät käsittelymenetelmät ovat lyhyen aikavälin Fourier-analyyseihin perustuvat menetelmät ja niiden tuottamat spektrogrammit. Tärkeimpiä piirteitä ovat MFCC-ominaisuudet, F0, energiatasot sekä formanttien sijainnit ja seuranta.

Käyttökohteita ovat muun muassa puheentunnistus (ASR), puhesynteesi, puhujantunnistus sekä kielitieteellinen ja rekonstruktiotutkimus. Haasteita tuovat melu, kanavavaikutukset ja yksilöllinen vaihtelu puhujien välillä. Puhesignaalit tallennetaan usein WAV-tiedostoina; yleisiä näytteistystaajuuksia ovat noin 8–48 kHz sovelluksesta riippuen.