Äänen suodattamisen vaikutus puheentunnistuksen tarkkuuteen meluisassa ympäristössä

Abstract

Puheentunnistus on tekoälyn kehittymisen myötä helpottamassa niin arkiaskareita, terveydenhuoltoa, kuin monia muitakin tehtäviä. Jotta puheentunnistus olisi toimiva, on valittava käyttötarkoitukseen sopiva mikrofoni monenlaisten teknologioiden joukosta.

Puheentunnistuksen kannalta hyvin olennaista on äänen teoria, sillä ihmisen kuuloaisti ja mikrofoni eivät välttämättä reagoi samalla tavalla äänen taajuussisältöön. Eri mikrofoniteknologioita vertailemalla voitiin todeta tarkoitukseen sopivimmaksi mikrofoniksi MEMS-mikrofoni.

Valitun MEMS-mikrofonin tuottama signaali on amplitudiltaan hyvin pientä, joten signaalia täytyy vahvistaa. Signaalin vahvistaminen saatiin toteutettua suoraksi vahvistimeksi kytketyllä operaatiovahvistimella.

Mikrofonien ja vahvistimien aikaansaama signaali ei kuitenkaan ole puhdasta, vaan siinä esiintyy kohinaa eri lähteistä. Kohina saattaa heikentää puheentunnistuksen toimivuutta, mutta sitä voidaan vaimentaa muun muassa analogisilla suodattimilla.

Kun vaatimukset ja ympäristön aiheuttamat muuttujat olivat tiedossa, voitiin mikrofonin, vahvistimen sekä suodattimien teoria yhdistää piirilevyillä toimivaksi kokonaisuudeksi. Lisäksi käytettyjen komponenttien toimintaa simuloitiin tietokoneella ennen piirilevyjen jyrsintää ja juottamista.

Elektroniikkasuunnittelun jälkeen testattiin analogisen kaistanpäästösuodattimen toimintaa, jotta voitiin päättää suodattimelle sopivat ala- ja ylärajataajuudet. Äänitallenteita kuuntelemalla ja spektrianalyysin avulla todettiin, että rajataajuuksia 118Hz ja 1977Hz käyttäessä kohina väheni huomattavasti ja puheen laatu säilyi ennallaan.

Sopivien suodattimien löydyttyä testattiin puheentunnistuksen osumatarkkuutta. Testausta varten luotiin testiympäristö, jossa pyrittiin nauhoittamaan puheääntä erilaisilla taustamelun tasoilla. Kehitetty mikrofoni ylsi hiljaisessa tilassa noin 100% tarkkuuteen ja meluisassa ympäristössä noin 90% tarkkuuteen. Kun taustamelu ylitti puheen voimakkuuden, romahti tunnistuksen tarkkuus käyttökelvottomaksi.