يك روش سريع براي تقطيع گفتار گويندگان بر اساس بسامد گام گفتار (RPSS)

A Method for Rapid Pitch-Based Speaker Segmentation (RPSS)

تقطيع و خوشه بندي گويندگان فرآيندي است كه طي آن قطعه بندي و برچسب گذاري براي گفتار حاصل از يك جلسه كه شامل چند گوينده است انجام مي‌شود و دنباله صوتي به بخش‌هايي تقسيم مي‌شود كه هر بخش شامل فقط يك گوينده است و با برچسب گذاري مشخص مي‌شود كه هر بخش مربوط به كدام گوينده است. تشخيص فعاليت گفتاري، تقطيع گفتار و خوشه بندي گويندگان، حداقل مراحل اصلي سامانه هاي تقطيع و خوشه بندي گفتار بر اساس گوينده محسوب مي شوند. براي مرحله ي تقطيع روش‌هاي متعددي وجود دارد كه تقطيع بر مبناي BIC يكي از روش‌هاي مرسوم است. اين روش به دليل محاسبات آماري آن، نياز به زمان محاسبات طولاني دارد. هدف اصلي اين مقاله ارايه ي روش تقطيع بر اساس بسامد گام گفتار است، كه هم داراي دقتي در حد روش‌هاي مرسوم است و هم داراي سرعت محاسبات بالا است، به طوري كه در مقايسه با تقطيع بر اساس BIC به طور ميانگين داراي مزيت 4/2 برابري در سرعت و افزايش يك درصد در دقت است.

Audio Segmentation has got a widespread application in underwater signal processing specially observation of passing objects using their acoustic signals and also in audio annotation of a recorded meeting, which also used by intelligence services that is one of instances of passive defense.Audio Segmentation is the process of partitioning an audio stream into regions each of which corresponds to only one audio source or one speaker.There are various methods for speaker segmentation the most common methods of which are based on BIC criteria. These methods needs heavy statistical computations and are very time consuming.The main goal of this paper is to propose a new audio segmentation method based on pith frequency with acceptable accuracy along with a higher computation speed than BIC-based methods. This algorithm is about 2.4 times faster than the BIC-based segmentation an about %1 higher than that of the BIC-based method in accuracy.