Επεξεργασία και ανάλυση ήχου, ομιλίας και μουσικής

Abstract

Το παρόν σύγγραμμα είναι χωρισμένο σε τέσσερις βασικές ενότητες. Στην πρώτη ενότητα με τίτλο «Ήχος» γίνεται μια εισαγωγή στα ηχητικά σήματα και στον ψηφιακό ήχο. Παρουσιάζονται οι κύριες λειτουργίες του ανθρώπινου ακουστικού συστήματος και οι βασικές έννοιες της ψυχοακουστικής και της χωρικής ακουστικής. Περιγράφεται η συμπεριφορά του ήχου σε ανοιχτούς και κλειστούς χώρους, μαζί με βασικές έννοιες από τη θεωρία σημάτων και συστημάτων για την ανάλυση και περιγραφή της ακουστικής κλειστών χώρων. Επιπλέον, παρουσιάζονται οι σημαντικότεροι περιγραφείς που χρησιμοποιούνται στην ανάλυση, επεξεργασία αλλά και αναγνώριση ηχητικών σημάτων. Τέλος, παρουσιάζονται ορισμένες από τις κυριότερες εφαρμογές της Ψηφιακής Τεχνολογίας Ήχου και Ακουστικής. Στη δεύτερη ενότητα με τίτλο «Ομιλία» παρουσιάζονται οι βασικές έννοιες και θεωρίες της ψηφιακής επεξεργασίας σημάτων ομιλίας, με σκοπό τον σχεδιασμό και την υλοποίηση βασικών ταξινομητών για την επίλυση προβλημάτων αναγνώρισης ομιλίας, ομιλητή κ.ά. Παράλληλα, παρουσιάζονται τα βασικά στάδια μετατροπής του κειμένου σε ομιλία, με αναλυτική επισκόπηση των τεχνολογιών και αλγορίθμων που έχουν προταθεί και χρησιμοποιούνται από τους ερευνητές και όχι μόνο για τον σκοπό αυτό. Στην τρίτη ενότητα με τίτλο «Μουσική» γίνεται μια εισαγωγή στο μουσικό σήμα και στη μουσική πληροφορία, με ιδιαίτερη μνεία στις ιδιαιτερότητες του μουσικού σήματος σε σύγκριση με αυτό της ομιλίας. Παρουσιάζονται η μορφή της μουσικής πληροφορίας καθώς και οι τεχνικές κωδικοποίησης του μουσικού σήματος. Γίνεται παρουσίαση ενός σχετικά νέου ερευνητικού πεδίου, αυτού της Ανάκτησης Μουσικής Πληροφορίας (ΑΜΠ) και των κυριότερων εφαρμογών του. Τέλος, εξετάζονται ενδεικτικά αλγοριθμικά προβλήματα της περιοχής της ΑΜΠ, και πιο συγκεκριμένα εκείνα τα οποία αποτελούν προϋπόθεση για την υλοποίηση πλήθους εφαρμογών της. Στο τέταρτο και τελευταίο μέρος του συγγράμματος με τίτλο «Εργαστηριακές Ασκήσεις» παρουσιάζονται έντεκα ενδεικτικές εργαστηριακές ασκήσεις οι οποίες δίνουν την ευκαιρία στον αναγνώστη να δοκιμάσει και να εφαρμόσει στην πράξη όσα αναφέρονται στα προηγούμενα κεφάλαια.

This textbook is divided into four main sections. The first section, titled “Audio” provides an introduction to audio signals and digital sound. It presents the main functions of the human auditory system and the fundamental concepts of psychoacoustics and spatial acoustics. The behavior of sound in open and closed spaces is described, along with basic concepts from the theory of signals and systems for the analysis and description of room acoustics. Additionally, it presents the most significant descriptors used in the analysis, processing, and recognition of audio signals. Furthermore, it discusses some major applications of Digital Sound and Acoustics Technology. In the second section, titled “Speech” the basic concepts and theories of digital speech processing are presented. Its aim is to design and implement basic classifiers for speech recognition, speaker identification, and other applications. Moreover, it provides an overview of the basic stages of text-to-speech conversion, along with an analysis of the technologies and algorithms that are proposed in the literature. The third section, titled “Music”, provides an introduction to musical signals and music information. It covers the structure of music information and the techniques for encoding musical signals. Furthermore, it introduces a relatively new research area known as Music Information Retrieval (MIR) and explores its main applications. Lastly, it presents a variety of algorithmic problems in the field of MIR. In the fourth and final part of the textbook, titled “Lab Exercises”, eleven indicative lab exercises/projects are presented. These exercises offer readers the opportunity to test and apply the concepts that were discussed in all previous chapters.