Windows-käyttiksen kanssa toimivan Intelligent Speech Analyser™ (ISA) -ohjelman olen 49 vuoden 1977-2026
DSP-kokemuksella ja erittäin optimoivalla C-kääntäjällä koodannut käyttämään tehokkaasti Intel-prosessorien
konekielisiä 512-bittisiä AVX-512 vektorikäskyjä.
Jokainen 512-bittinen AVX-512 vektorikäsky laskee yhtä aikaa joko kuudellatoista (16) 32-bittisellä liukuluvulla tai
kahdeksalla (8) 64-bittisellä liukuluvulla. Kaikki analyysit ovat myös reaaliaikaisia.
Jokainen 256-bittinen AVX-256 vektorikäsky laskee yhtä aikaa joko kahdeksalla (8) 32-bittisellä liukuluvulla tai
neljällä (4) 64-bittisellä liukuluvulla. Kaikki analyysit ovat myös reaaliaikaisia.
Toimii myös ilman AVX-käskyjä.
Tätä ISA-ohjelmaa olen kehittänyt vuodesta 2000 lähtien matemaattisen DSP-teorian tutkimusta, kehittämistä ja
simulointia varten. Kaikki mahdollinen koodi on itse tehtyä.
ISA:n käyttöliittymän olen koodannut C++ Builder kehittimellä.
Vektoroidut DSP-menetelmät olen koodannut dynaamiseksi kirjastoksi erittäin optimoivalla TDM-GCC
10.3.0 64-Release kääntäjällä. Alla mainitut analyysien laskentatehot on laskettu Intelin 11. sukupolven
i7-11800H (sisältää AVX-512 vektorikonekäskyt) prosessorilla 4.36GHz turbokellotaajuudella.
Kaikissa analyysikuvissa taajuudet mitataan Hz:einä, Bark:eina, ERB:einä ja st:einä.
Windows-tietokoneessa toimiva alla kuvattu Intelligent Speech Analyser™ (ISA) -ohjelma sisältää täysin nollasta saakka koodaamani ja opettamani tekoälyn.
Intelligent Speech Analyser™ (ISA) versio 2025:ssä on analyysit:
(1) 16-bittinen (max. yli 90 dB:tä dyn.), 24-bittinen (max. yli 140 dB:tä dyn.) ja 32-bittinen (max. yli 190 dB:tä dyn.)
äänen sisäänotto ja kuuntelu 1-, 2-, 4-, 8-kanavaisena
(2) signaalinäyttö ja amplitudiverhokäyränäyttö 16-bittisellä (max. yli 90 dB:tä dyn.),
24-bittisellä (max. yli 140 dB:tä dyn.) ja 32-bittinen (max. yli 190 dB:tä dyn.) signaalilla
-- signaalien segmentointi ja segmenttirajat
(3) signaalien generointi, suodatus ja editointi
(4) Signaalin luku wav-tiedostosta ja talletus wav-tiedostoon 1- , 2-, 4-, 8-kanavaisena
-- luettava wav-signaalitiedosto voi sisältää minkä tahansa näytteenottotaajuuden, joka on ensin määritelty ISA:an
(5) kaikki analyysit sekä reaaliaikaisena että ei-reaaliaikaisena
-- kaikissa analyysikuvissa taajuudet mitataan Hz:einä, Bark:eina, ERB:einä ja st:einä.
-- aikakursorien ja taajuuskursorien synkronointi analyysien välillä
-- valittavissa paljon tosistaan riippumattomia analyysi- ja painotusikkunakokoja
-- vaaka- ja pystysuuntaisen suureen mittaukset analyysi-ikkunoista
-- paljon suuritarkkuuksisia aputulostuksia
-- analyysikäyrähuippujen ja analyysilaaksojen mittaustarkkuutta lisätään polynomi-interpoloinnilla mikä lisää
huomattavasti formanttiarvojen, harmoonisten arvojen ja F0-arvojen mittaustarkkuutta
-- analyysi-ikkunakokonaisuus voidaan ladata lakanana tiedostosta ja tallettaa tiedostoon
(6) FFT-spektri
-- monta ampitudiasteikkoa, 36 painotusikkunaa, ikkunoita jopa yli 140 dB:n dynamiikalla
-- 1024: 148.000/sec
-- 512: 291.000/sec
-- taustakuvajono
-- myös spektrisarjana
(7) Kepstritasoitettu FFT -spektri eli FFT:n verhokäyrä
-- menetelmä perustuu matemaattiseen homomorfiseen kompleksista logaritmifunktiota käyttävään muunnokseen
ja kompleksista eksponenttifunktiota käyttävään käänteismuunnokseen, jota Alan Oppenheim on kehittänyt
1964 saakka. Menetelmä löytyy jo Oppenheim & Schaferin teoksesta "Digital Signal Processing", joka oli
jatko-opintokirjamme syksyn 1977 Tampereen teknillisen korkeakoulun elektroniikan laitoksella.
-- 1024: 20.600/sec
-- 512: 42.000/sec
-- taustakuvajono
-- myös spektrisarjana
(8) LPC-spektri jossa formantit lasketaan suoraan kompleksisen polynomin nollakohdista
-- menetelminä: PARCOR, Levinson, Burg, Shur
-- 1024 PARCOR: 65.000/sec
-- 512 PARCOR: 83.000/sec
-- taustakuvajono
-- myös spektrisarjana
(9) YIN F0-mittausta varten
-- luotettavin tunnettu F0-menetelmä
-- 256: 337.000/sec
-- 512: 98.000/sec
-- taustakuvajono
-- myös spektrisarjana
(10) Kepstri F0-mittausta varten
-- monta ampitudiasteikkoa
-- 1024: 110.000/sec
-- 512: 230.000/sec
-- taustakuvajono
-- myös spektrisarjana
(11) AMDF F0-mittausta varten
-- 256: 490.000/sec
-- 512: 120.000/sec
-- taustakuvajono
-- myös spektrisarjana
(12) Autokorrelaatio F0-mittausta varten
-- 256: 710.000/sec
-- 512: 180.000/sec
-- taustakuvajono
-- myös spektrisarjana
(13) FFT-spektrogrammi harmaansävyin
(14) Kepstritasoitettu FFT spektrogrammi harmaansävyin
(15) LPC-spektrogrammi harmaansävyin
-- menetelmänä: PARCOR
(16) LPC-spektrogrammi formanttikuluin harmaansävyin
-- menetelmänä: PARCOR
(17) spektrogammit sekä pitkäaikaisena että lyhytaikaisena ja myös reaaliaikaisena
(18) FFT-keskiarvospektri LTAS
-- taustakuvajono
-- myös spektrisarjana
(19) Formanttikartta Bark-asteikolla LPC:tä käyttäen, myös reaaliaikaisena
-- menetelminä: PARCOR, Levinson, Burg, Shur
-- taustakuvajono
-- myös spektrisarjana
(20) Äänikenttä Hz-, st- ja dB-asteikoilla
-- F0:n ilmaisu YIN:illä
-- taustakuvajono
-- myös spektrisarjana
(21) F0-käyrä Hz- ja st-asteikoilla
-- menetelminä: YIN, YIN+kepstri
-- 256 YIN: 337.000/sec
-- 512 YIN: 98.000/sec
-- taustakuvajono
-- myös spektrisarjana
(22) Homomorfinen käänteissuodatus kompleksilukulaskennalla
-- menetelmä poistaa signaalista formantit eri resonanssit ja jättää jäljelle signaalin jonka spektri on mahdollisimman
tasainen eli muistuttaa valkoista kohinaa alkuperäisellä perustaajuudella. Saatu signaali on kuunneltavissa.
(23) FFT homomorfisesti käänteisuodatetusta signaalista
-- FFT-spektri signaalista, jonka spektri on mahdollisimman suora
-- taustakuvajono
-- myös spektrisarjana
(24) LPC-käänteissuodatus
-- tarkoitus poistaa äänestä formantit ja tuottaa valkoista kohinaa
-- menetelmänä: PARCOR
(25) FFT LPC-käänteisuodatetusta signaalista
-- FFT-spektri signaalista, jonka spektri on valkoista kohinaa
-- menetelmänä: PARCOR
(26) Glottis-signaali LPC-käänteisuodatuksella. Saatu signaali on kuunneltavissa.
32-bittisenä mikrofonina esim. MiniDSP UMIK-2 mittamikrofoni (kalibroitu) USB-C Reference Measurement Microphone.
Painotusikkunat:
Suorakaide -13 dB
Hamming -43 dB
Exact Hamming -42 dB
HanningAlfa -43 dB, alfa = 2
Hanning -32 dB
Opt Blackman -62 dB
Blackman61 -62 dB
Exact Blackman -68 dB
Blackman67 -71 dB
Blackman74 -73 dB
Blackman-Harris92 -92 dB
Blackman-Harris176 -176 dB
Nuttall -93 dB
Blackman-Nuttall -98 dB
Flattop -93 dB
Triang -27 dB
Bartlett -27 dB
TukeyHann -26 dB
BartHann -46 dB
Welch -22 dB
CosineAlfa -47 dB, alfa = 4
HanningAlfa
Bohman -46 dB
Gaussian -72 dB, alfa = 3.5
Tukey -14 dB, alfa = 0.75
Hanning-Poisson -30 dB, alfa = 1
Poisson -28 dB, alfa = 4
Cauchy -31 dB, alfa = 3
Riemann -26 dB
Sinc -26 dB
Parzen -53 dB
Gabor -13 dB
Kaiser-Bessel -94 dB, alfa = 12.26
Kaiser-Bessel4 -74 dB
Dolph-Chebyshev -120 dB, alfa = 120
Yhtiöni Pitchsys Oy myy reaaliaikaista Intelligent Speech Analyser™ ISA-ohjelmistoa.