TELKOM NIKA Indonesia n  Journal of  Electrical En gineering   Vol. 15, No. 2, August 201 5, pp. 368 ~  372   DOI: 10.115 9 1 /telkomni ka. v 15i2.837 4        368     Re cei v ed Ap ril 17, 2015; Revi sed  Jun e  29, 2015; Accepted July 1 4 ,  2015   Phonemes Classification Using the Spectrum      Ahmed El Ghaz i* 1 , Cher k i  Daoui 2   Lab orator y of Informatio n  Pro c essin g  an d Decisio n  Sup por t, F a culty   of Scienc es an d T e chni ques,    Béni Mellal, Morocco   *Corres p o ndi n g  author, e-ma i l : hmadgm @ y a hoo.fr 1 , daou ic @ y ah oo.com 2       A b st r a ct  In this work, we pres ent an  automatic speec h class i fication syst em  for  the Tama z i ght phonemes.   W e  based o n  the spectru m  pr esentati on of the spe e ch si gn al to mo de l the s e pho ne mes. W e  have use d  a n   oral databas e  of Tam a z i gh t  phonem es. To test the syst em ’s perfor m ances, we calculate the c l assific a tion  rate. T he obt ai ned r e sults  are satisfactory i n  co mp aris o n   w i th the refere nce d a tab a se  and th e q ual ity o f   speec h files.     Ke y w ords :  ph one mes, spectrum, g aussi an  mixtur e mod e l  tama z i g h t    Copy right  ©  2015 In stitu t e o f  Ad van ced  En g i n eerin g and  Scien ce. All  rig h t s reser ve d .       1. Introduc tion   Some stu d ie s sho w  that  Automatic  S peech Re cognition (AS R ) system s still  lack  perfo rman ce   whe n  comp a r ed to  hum a n  listen e rs in  con d ition s  t hat involve a dditive noi se  [1].  Such  sy stem s  can  imp r ov e pe rforman c e in th ose  condition s by addition al  lev e ls of  lan gua ge   and co ntext  mod e ling. Ho wever,   thi s  contextual  inform ation  will  be  mo st effe ctive  whe n   unde rlying ph oneme  seq u e n ce   is sufficie n tly  accu rate .  He nce, robu st ph one me  classificatio n  i s   a very im portant stag e of  ASR [2-4]. Acco rdi ngl y,  the front -en d  feature s   mu st be  sele cte d   carefully to ensu r e that th e best p hone me se que nce   is pre d icte d. In this pape r, we investig ate  the pe rform a nce s  of th e  spe e ch spe c trum a nd Ga ussian mixture.  Phonem e cla ssifi cation   is   comm only used for this pu rpose.  We  are p a rticularly inte re st ed in  Mo ro cc an T a ma zight  pho neme s  a nd  we  have  selecte d   the sp ect r al f eature s . Fo r i n stan ce, the   Mel Frequ en cy Cep s tral  Co efficients  (MF C C) i s  the m o st  popul ar featu r es u s ed to  model the  sp eech si gnal.  These featu r es a r e th e be st mod e ling o f  the  perceptio n a nd p r od uctio n  of h u man   device s . In t h is  wo rk,  we  use the  Ga ussian  mod e l  to  cla ssify the   Tama zight  p honem es. In  this  co ntext, we  too k  a   popul ation of  pho neme s  t hat  con s tru c t the  digits from o ne to ten;  we  m odel ea ch phon eme by  feature s   ve ctors.  P hone m e   cla ssifi cation  by Gaussia n   mixture pe rm its to co lle ct  t he aco u st i c   v e ct ors that have the sa me   cha r a c teri stics. Thi s   cla s sificatio n  can  be u s e d  in  hybrid  with  a hid den  Markov mo d e l in  particula r ap plicatio ns [4 -7]. The o b ta ined  cla ssifi cation rate is variabl e a c cording  to the  phon eme type and its cont ext.    Anyway, this pape r is org anized in th e  followi n g  ma nner. In  se cti on 2, we will  give a   descri p tion o f  spee ch  sp ectru m ; Sect ion 3 d e scri bes  a Ga ussian mixtu r e  for a  spe e c h   cla ssifi cation.  Section 4 p r esents th e experim ent s  results. Finall y , the study is end ed by a  con c lu sio n .       2. Speech  Spe c trum   The  spe e ch  spectrum i s  th e presentatio n of  si gnal  on  the three-di mensi onal  sp ace, th e   axis  X  prese n ts a time, freque ncy in t he axis  Y   an d the level of  each fre que ncy in the  axi s   Z .  This  analy s is is o b tained   by usin g bu n c h of f ilters  a nd Fo urie r transfo rm. Th e  followin g  fig u re   pre s ent s an e x ample of a spectrum for t he wo rd  ‘yan’  (numb e r o n e ) . The bla c k l e vels p r e s ent  a  con c e n tration  of frequen cie s  (Fig ure 1 a nd Figu re 2).       Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     Phonem es  Cl assificatio n  Using the Spe c trum  (Ahm ed El Ghazi )     369     Figure 1. Speech  spe c tru m  for the word ‘y an’  Figure 2. Spectrum of word  ‘SIN’ and  phon eme s  bo unda rie s       This  spe c tru m  is varia b le  according to t he sig nal form. The sp ee ch spe c trum is used to   improve ph o neme s  bou n darie s by det ecting the  a r eas of freq u ency con c ent ration (Fi gure  2 ) .  This  segm en tation is ap proximate; it is difficu lt to determin e  the  exact bou nd arie s in spee ch   sign al.       3. Gaussi ans  Mixture   The G a u ssi a n  mixture m o del (GMM) is an effe ctive  descri p tion of  data sets co mpri sing   clu s ters of vectors that a r e mo re  co mplex  than simple Gau s sian distri buti on.  A  Gau s sian   mixture mode l [1, 7], [9-11] is define d  as:        ∑ , µ ,∑      Whe r e  , µ ,∑  is the Gau ssi an  prob ability de nsity function  with mean  µ  and cova ria n ce  ∑ =  ,  x  is  a random D-dime nsio nal vecto r ,  , ,…,  and the   are weig hts which  descri b e  the  relative li kelih ood  of  classe s b e ing  ge ne rated  from  ea ch  of the  cl u s ters  and  mu st   sat i sf y ∑   , where  N is the num ber of cla s se s.  In order to g e nerate  the  G MMs f r om th e  ph onem e training  seque nce,  we  em ployed th e   Expectation -Maximizatio n  (EM) al gori t hm [ 10], [12-13].  The  EM algorithm for maximum - likeliho od e s timation of the para m eters of a GMM is an iterativ e pro c ed ure  in whi c h ea ch   iteration con s ists of two st eps: an e s tim a tion st ep (E -step), follo we d by a maximization  step (M- step). In the  E-step, the likeliho o d s , mean s and  covari an ce  matrix of GMMs are est i mated   depe nding  o n  the o b serv ation  sequ en ce. In th e M- step, the  ne w value s   of the e s timation  of   para m eters o f  the GMMs a r e co mpute d .  Suppo se that  we have a  sample of S points   , ,…, , j=1,…, S, drawn fro m  a   set of  point s  whi c h  are  a s sume d to  lie i n  N cl uste rs.  We i n itialize  N G a u ssi an s  with p r ob abili ties  p 1 =p 2 =…. =p n =1/ N , m ean s  µ 1 , µ 2 , …, µ n , which  can  either be  ra ndom  or  set  equal t o   N  of  the  data point s with a sm all pertu rbatio n, and covaria n c e matri c e s ∑ ,∑ ,…,∑ ,  set equ al to the  identity matrix [1].   In the E-step  we compute:   The total likeli hood:       ∑  , µ ,∑ , , , … ,      Where g is the Gaussi an pr obability density function,  the normali ze d likelihoods:     Evaluation Warning : The document was created with Spire.PDF for Python.
                             ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 15, No. 2, August 2015 :  368 –  372   370      , µ ,∑ /     The notion a l cou n t:       ∑  , , ,…,      The notion a l mean s:      ∑  / , , ,…,      And the notio nal sum s  of squares:         ∑  / , , ,… ,      In the M-step,  we co mpute  new valu es of   param eters of the Gaussi an model a s  follows:        /       µ        ∑         Whe r e i=1, 2,…, N.  The  Gau s sia n  mo del  ca n  be  assimil a ted to  a  hidd en M a rkov  model  with  o ne  state  (Figu r e 3). Ea ch state repre s ent s a phon eme with  n  G aussia n  com pone nts. The  observation s  o f   this  state a r e devid ed b e twee n the   Gau ssi an  co mpone nts.  In   the cla ssifi cation step, we  cal c ulate the l i kelih ood bet wee n  the inp u t feature s  an d all the Gau ssi an compo nents.           Figure 3. Gau ssi an mixture  with 2 comp onent s       4. Databa se   The traini ng data com p ri sed a small vo cab u lary  of ten isolated di g i ts in Tama zight (from   one to ten) spoken by ten spea ke rs  (5  males an d 5 females) a nd test data  spo k e n  by five   spe a kers. Th e produ ce d  si gnal s a r e  sa mpled  at 16   KHz. T hen, t hespee ch  dat a was win d o w ed  (25   ms) and  512 point sof FFTs  were computed  with   a 256   poi nts  (1 2,5ms) ad vance   bet we en   frame s . Th e  FFT  coeffici e n ts  we re  binn ed into 12 M e l - sp aced val u es to  p r od uce 12 -dim entio nal   featureve c tors [1]. The Ta ble 1 present s a traini ng d a taba se an d  Table 2 p r e s ents the li st of  phon eme s  used.         Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     Phonem es  Cl assificatio n  Using the Spe c trum  (Ahm ed El Ghazi )     371 Table 1. Training data b a s e   Numbers   Phonetic transcription  Tifinagh Tra n scription  1  Y  A   N   ⵢⴰⵏ 2  S  I  N  ⵙⵉⵏ 3  C   R   A  DD   ⴽⵕⴰⴹ 4  K  O   Z   ⴽⴽⵓⵣ 5  S   MM  U S   ⵙⵎⵎⵓⵙ 6  SS   DD  E  SS   ⵚⴹⵉ ⵚ 7  SS  A  ⵙⴰ 8  TT   A  M   ⵜⴰⵎ 9  T   Z   A   ⵜⵥⴰ   Table 2. Pho neme s  list used   Phoneme  Context   S y mbol   /Y / Y     ̴  A    ̴  N   ⵢ /I/,/ N/   S   ̴  I  ̴  N   ⵉ ,  ⵏ /C/,/R/  C    ̴  R   ̴  A    ̴  DD   ⴽ ,  ⵕ /K/, /O/   K   ̴  O  ̴  Z   ⴽⴽ ,  ⵓ /S/, /U/  S  ̴  MM  ̴  U  ̴  S   ⵙ ,  ⵓ /DD/  SS  ̴  DD  ̴  E  ̴  SS   ⴹ /A/, /SS/  SS  ̴ A   ⵙ ,  ⴰ /TT/, /M/   TT   ̴  A  ̴  M   ⵜ ,  ⵎ /T/, /Z/   T   ̴  Z   ̴  A   ⵜ ,  ⵥ     5.  Resul t s of P honemes  Classifica tion   The  cla s sifica tion sy stem  p e rmits to  affect ea ch  p hon eme to  its Ga ussian  comp onent. In   the classifica tion step, we  calcul ate the lik eliho od betwe en the phon eme fea t urein the in put  vectors and  all  the refe re nce s  Gau s si ans  comp on ents.  T he ob tained re sult s  a r e   sho w n   in     Table 3.       Table 3. Obta ined re sult s   Phone mes   Classific a tio n  r a te   Error rate   /Y/  74%  26%   /I/  72%  28%   /C/  78%  22%   /K/  62%  38%   /S/  79%  21%   /DD/   80%  20%   /A /   75,5%  24,5%   /TT/   72,66%  27,34%   /T/   70%  30%   /N/  81%  19%   /R/  82%  18%   /O/   78,5%  21,5%   /U/  68%  32%   /SS/  70,5%  29,5%   /M/  72%  28%   /Z/   76%  24%       The  error rate represents  the cl assification  error that  illust rates  the am biguity  between  phon eme s . At the aco u sti c  level, there  are  co m m on  cha r a c teri stics bet wee n  sp eech unit s . T he  Table 4 p r e s e n ts so me of these ambig u i t ies.         Table 4. Som e  ambiguitie s  betwee n  pho neme s   pho nem e s  i=/S/    j=/SS  i=/T/   j=/TT/   i=/O/    j=/U/  i=/C/  j=/K/  A m b i gui t y  rate  Ti/j     20%     24%     20%     25%   A m b i gui t y  rate  Tj/i  27%   25%   21%   26%   Evaluation Warning : The document was created with Spire.PDF for Python.
                             ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 15, No. 2, August 2015 :  368 –  372   372 The o b taine d  re sults illu strate the im portant  ambig u ity betwee n  p h oneme s . T h is sh ows  that, in a c o u stic level, it i s   difficult to  dist ingui sh between pho nem es.  T o  reme d y   this pro b le m,  it  need s a ling u istics stu d y to integrate  new p a ra m e ters th at pe rmitto determ i ne ca refully  the  phon eme s  bo unda rie s .  Ambiguity, in gene ral, take s pla c e b e tween the n e ig hbou r ph one mes o r  ph on emes th at  have n early t he  same  p r o nun ciation. In  this  co ntext, there i s   an  a m biguity bet ween /T/  and  /TT/,  /S/ and /SS/ and /O/ a nd / U /. The r e i s  a l so a not he r a m biguity bet ween p hon eme s  that a r e  clo s e   in spee ch  sig nal, for example betwe en /A/ and /DD/ in numbe r ‘ CR AD ’  (three). This ambig u i t y is   due to the intera ction of the aco u sti cs fe ature s .       6. Conclu sion   The p hon em es  cla s sificati on i s  the  met hod th at ca n  cla ssify a  sp eech u n its b a se d o n   the acou stics feature s . Th is  classification can  be u s ed  as a  cla ssifie r  fo r the  hidde n Ma rkov  model  or ne u r al  network a nd it  permits  to impr ove th e recognition  rate  an d  red u ce  the  spee ch   units’ am bigu ity. The Gau ssi an mixture  is the mo st popul ar mo d e l use d  in cl assication. It is  based on the  three - dime nsi onal present a t ion of data base d  on  the  ve ctors  of  the averag e an d    covari an ce m a trice s  th at model in  a bett e r  way  variati on of spee ch  sign al. The  obtaine d re su lts  sho w  that th ere i s  an  a m biguity bet wee n  ph one mes a nd the r e a r e n o  ex act bo und ari e s in  spe e ch si gnal . To re solve  this p r o b lem,  a speci a l la n guag e stu d y for e a ch dial e c t mu st be  m ade  to take into a c count othe r cha r a c teri stics of spe e ch si gnal.       Referen ces   [1]  Y Z hang, M Alder, R  T ogneri .   Using Gaussi an Mixture Mo deli ng for Pho n e m e Cl assific a tion . Centre  for Intellig ent Informatio n  Pro c essin g  S y ste m  Departm e n t of Electrical  an d Electron ic En gin eeri ng T h e   Univers i t y   of Western Austral i a . 2003.   [2]  S Jamouss i . Méthod es statisti ques  po ur  la c o mpré hens io n  automati q u e  d e  la  paro l e.  Ec ole doctora l e   IAEM Lorraine . 2004.   [3]  T  Pellegr ini, R  Duré e. Suivi d e  la voi x  p a rlé e  grâce au mo d è le d e  Markov  caché. 19 89.   [4]  A Cornijeol, L Miclet. A ppre n tissag e  Artificiel le: méthod es e t  concepts. 198 8.   [5]  SJ Young  et PC W oodl and.   T he use of state tying in c o ntinu ous sp ee ch recog n itio n .  Proc, ESCA  Eurosp eec h 19 93. Berli n , German y .  199 3; 3: 2203- 22 06.   [6]  H Bour lar d , CJ  Wellek ens, H   Ne y .   Co nn ecte d di git r e cog n it ion  usi ng v e ctor qu anti z at io n . Proc. IEEE  Int. Conf. ASSP San Die go.  CA. 1984.   [7]  RM Gray . Vector quantization.  IEEE ASSP  Mag.,  1984; 1( 2): 4-29.   [8]  JL Gauv ain,  C H  L ee. Ma ximu m a p o steri o ri  estima tio n  for  multivari a te Ga ussia n  mi xtur e  observ a tio n s   of Markov chai ns.  IEEE Trans, On Speech a nd Aud i o Proc essin g . 199 4; 2(2): 291-2 98.   [9]  D Jouv et, M Dautrem ont et   Q. Gossart.  Comp arais on  des mu lti mod è les  et des  d ensités m u lt i   gauss i en nes  p our l a  reco nn a i ssanc e de  la  paro l e p a r d e s  modè les d e   Markov . Actes  des 2 0  è m es  JEP . 1994: 15 9-16 4.  [10]  R Andr é-Obre cht. A ne w  sta t istical a ppro a c h   for the a u to matic segm ent ation  of contin uous s peec h   sign al.  IEEE Trans. On acoust i cs, speech, si gna l process i n g .  1988; 3 6 (1).   [11] F   Jelinek.  Co ntino u s speec h recog n itio n by s t atistical metho d s.  Proceed in g  of IEEE. 1976;  64(4): 532- 556.   [12] LA  Lip o race.  Maxi mu m Lik e lih oo d esti mation for  multi - va riant o b ser v ation of Mar k ov sources .  Procee din g  IEEE trans IT . 19 82; 28(5): 7 29- 734.   [13]  M H w a ng,  X H uan g.  Sub ph o netic mode li ng   w i th  Markov  mo de l.  Proceeding IEEE ICA SSP-92, San  F r ancisco, CA.  1992; 1: 33- 36 .   Evaluation Warning : The document was created with Spire.PDF for Python.