Identification of speaker gender by voice characteristics under background of multi-talker noise

Full Text

ВВЕДЕНИЕ

Изучение механизмов выделения целевого речевого сигнала в сложной акустической среде является одним из базовых направлений исследований в области физиологии слуха и восприятия речи, которое имеет теоретическую и практическую значимость в контексте развития технологий слухопротезирования и искусственного интеллекта (Balling et al., 2021; Lesica et al., 2021; Королева, 2022; Bharathi, Nalina, 2024).

Основной акцент в таких исследованиях сделан на процессах пространственной избирательности, энергетической и информационной маскировки, а также перцептивной группировки речевых потоков, восприятия речи целевого диктора на фоне шумовых помех и в условиях конкуренции речевых сигналов (Cherry, 1953; Bregman, 1990; Darvin et al., 2003; Bronkhost, 2015; Andreeva, 2018; Балякова и др., 2023).

Известно, что в свободном звуковом поле наиболее важными факторами, определяющими успешность выделения речевого сигнала в сложной сцене, выступают близость спектрально-временных характеристик источников речи и шумовой помехи, их пространственное расположение и эффекты бинаурального освобождения от маскировки (Shamma et al., 2011; Gutschalk, Dykstra, 2014; Bronkhost, 2015; Andreeva, 2018).

В условиях стимуляции через головные телефоны, когда бинауральные механизмы освобождения от маскировки не срабатывают, на первый план выходят гендерные и индивидуальные характеристики голоса диктора (основной тон, тембр, особенности произношения), фонемная связность и контекст речевого высказывания, слуховое селективное внимание (Darvin et al., 2003; Shamma et al., 2011; Moore, 2012; Gutschalk, Dykstra, 2014; Popper, Fay, 2015). Однако есть ряд трудностей в сопоставлении данных, полученных в этих условиях и в свободном поле, поэтому при исследовании влияния фактора голоса представлялась целесообразной попытка сблизить схему и параметры формирования используемых тестовых стимулов и фоновой помехи.

В этом контенксте рассматривалась эксперименальная модель, реализованная в исследовании (Andreeva et al., 2019). С ее помощью было показано, что пространственное разнесение (на два метра и более) близких по перцептивным характеристикам источников речи и речеподобной помехи (шум многоголосия) повышает вероятность обнаружения речевой цели в свободном звуковом поле. Дополнительный анализ данных показал, что в этих условиях также наблюдается влияние голосовых характеристик дикторов (частота основного тона, тембр) на результаты выделения речевого сигнала из речеподобного шума (Огородникова и др., 2020).

Целью нашей работы стало исследование слуховой оценки частоты основного тона (ЧОТ) и гендерной принадлежности голоса диктора в условиях, имитирующих сходную коммуникативную сцену при стимуляции через головные телефоны, т. е. без ее пространственной составляющей.

МЕТОДИЧЕСКИЕ УСЛОВИЯ ИССЛЕДОВАНИЯ

Для исследования использовали речевые стимулы и речеподобный шум (шум многоголосия), которые были включены в эксперименты в свободном звуковом поле в работах (Andreeva et al., 2019; Smirnova et al., 2019) при моделировании пространственной коммуникативной сцены.

Речевые стимулы представляли собой восемь двусложных слов: “пОчва”, “строкА”, “рубЕж”, “плАта”, “вЫпуск”, “кредИт”, “рУчка”, “набОр” с близкими частотами употребления (Ляшевская, Шаров, 2009) и основными гласными звуками русского языка в ударных позициях (выделены прописными буквами). Слова произносили четверо дикторов (двое мужчин – М1, М2 и две женщины – Ж1, Ж2) – носителей русского языка без речевых патологий. Средние значения частоты основного тона их голосов составили: 117 (М1), 139 (М2), 208 (Ж1) и 234 (Ж2) Гц.

Речеподобный шум был получен в результате микширования 32 аудиофайлов (8 слов × 4 диктора). Его предъявление создавало у испытуемых слуховые ощущения, подобные тем, которые возникают у слушателей, находящихся в многолюдной среде – шуме многоголосия.

Рабочее соотношение сигнал/шум составляло 1:1, что было перцептивно близко к варианту стимуляции при SNR = –14 дБ в пространственной сцене. Речевой сигнал располагался в центре отрезка шума, длительность которого составляла 2 с. Стимулы предъявляли диотически через головные телефоны Sennheiser HD 280 PRO с близкими амплитудно-частотными характеристиками левого и правого каналов (0.6–1.0 дБ в диапазоне 40 Гц – 15 кГц). Порядок предъявления стимулов был случайным.

Эксперименты проводили на комфортном уровне стимуляции (60–65 дБ) с помощью специальной компьютерной программы (Королева и др., 2013). Задача испытуемого состояла в определении гендерной принадлежности голоса диктора (мужской или женский голос) на фоне шума многоголосия. Оценивали количество правильных распознаваний, ошибок и время реакции.

В экспериментах приняли участие 42 взрослых испытуемых (10 мужчин и 32 женщины) в возрасте от 17 до 57 лет (средний возраст – 25.4±6.5 года). Дополнительно выделяли 3 возрастных подгруппы: 1 – 18.6±1.5 года (n = 27), 2 – 28±4.1 года (n = 7), 3 – 46±5.4 года (n = 8). Все испытуемые обладали нормальным слухом по данным аудиометрии (пороги слышимости в речевом диапазоне частот) и теста на обнаружение паузы в звуковом сигнале (Musiek, Chermak, 2014). Процедуры измерений с участием испытуемых, проведенные в рамках исследования, соответствовали требованиям этического комитета Института физиологии им. И.П. Павлова РАН и Хельсинкской декларации 1964 г. с ее последующими изменениями.

Для анализа результатов использовали непараметрические критерии Вилкоксона и Манна–Уитни для зависимых и независимых выборок, соответственно.

РЕЗУЛЬТАТЫ ИССЛЕДОВАНИЯ И ИХ ОБСУЖДЕНИЕ

Согласно усредненным по всей группе испытуемых данным, пол диктора на фоне шума многоголосия правильно распознавался в 69.8±1.4% случаев, среднее время реакции составляло 3.1±0.1 с. При этом проявились различия в оценке гендерных характеристик голоса. Так, доля успешных испытуемых (более 70% правильных ответов) при выделении женского голоса была существенно меньше, чем при выделении мужского – 45 и 60% соответственно. Усредненный показатель ошибок опознания (M±m) для женского голоса составил 32±2.5%, для мужского – 27±1.5%.

В целом доля ошибок опознания женского голоса от общего числа ошибочных распознаваний в группе составила 55%. Однако эти различия не достигали уровня статистической значимости. Достоверных различий в перцептивной оценке мужских и женских голосов не было выявлено и в отношении времени реакции, а также у испытуемых разного пола.

В то же время значимые различия в восприятии гендерной принадлежности голоса проявились при сопоставлении данных по ряду дикторов (рис. 1).

 

Рис. 1. Распределение ошибок при определении гендерной принадлежности голоса в шуме многоголосия среди дикторов. По горизонтали: условный ряд по показателям ЧОТ для голосов дикторов (М1, М2, Ж1, Ж2) и шума многоголосия. По вертикали: число ошибок в определении пола диктора, %. *, ** – соответственно уровни достоверности различий p < 0.05 и p < 0.01 по критерию Вилкоксона

 

Можно видеть, что максимальное число ошибок наблюдается для голосов дикторов М2 и Ж1, основной тон которых наиболее близок к диапазону ЧОТ шумовой помехи. Эти данные позволяют говорить о влиянии фактора ЧОТ (условно, высоты голоса), а также о действии механизмов частотной маскировки.

Достоверные различия в восприятии гендерных характеристик голосов дикторов обнаружены и при сравнении результатов в выделенных возрастных подгруппах (табл. 1).

 

Таблица 1. Средние показатели правильных ответов и ошибок (М±m) при определении пола диктора на фоне шума многоголосия в возрастных группах сравнения

Группа	Возраст, лет	Правильные ответы, %	Ошибки для женского голоса, %	Ошибки для мужского голоса, %	Критерий Вилкоксона
1 (n = 27)	17–21 (18.6±1.5)	69.1±1.8	31.2±4.3	29.1±4.2	–
2 (n = 7)	24–35 (28±4.1)	76.4±2.1	30.4±4.5	16.1±4.0	p < 0.05
3 (n = 8)	40–57 (46±5.4)	66.3±3.3	39.8±5.6	25.7±3.8	p < 0.05

 

Результаты сравнения выявили определенную зависимость эффективности слуховой оценки голоса в шуме многоголосия от возраста испытуемых. Наиболее успешными оказались испытуемые средней возрастной группы (группа 2). Их результат по опознанию пола диктора по голосу достоверно отличался и от группы 1 с испытуемыми более младшего возраста (p < 0.05) и от более старшей возрастной группы 3 (p < 0.01). Такая зависимость, по-видимому, обусловлена периодом оптимального функционирования слуховой системы и когнитивных процессов (внимания), который выделяют в жизненном цикле человека: первый период зрелого возраста – от 20 до 35 лет (Сапогова, 2001; Хухлаева, 2006; Лопотко и др., 2008; Davis et al., 2016).

Свой вклад в эти различия могли внести и возрастные особенности помехоустойчивости речевого слуха, связанные с ухудшением восприятия речи на фоне речевой помехи. Эти особенности могут проявляться достаточно рано (в возрасте около 40 лет) при сохранении других аудиологических показателей в пределах нормы (Fostick et al., 2013).

Другим направлением анализа результатов стало их сопоставление с данными, полученными в условиях пространственной сцены, где использовали тот же набор речевых стимулов и шум многоголосия (Andreeva et al., 2019). Сравнение показало, что, несмотря на различие в задаче испытуемого – обнаружение речевого сигнала vs опознание пола диктора, наблюдалась сходная зависимость правильных ответов от характеристик голоса диктора (рис. 2).

 

Рис. 2. Показатели правильных ответов при восприятии одного набора речевых стимулов и шума многоголосия в разных условиях. Непространственная сцена (НС): определение пола диктора по голосу при стимуляции через головные телефоны. Пространственные сцены: обнаружение речевого сигнала в свободном звуковом поле при локализации источников речи и шума на расстоянии 1 м от слушателя (Ш1Р1), при их разнесении по удаленности от слушателя – источник шума на 1 м, источник речи на 4 м (Ш1Р4). ** – достоверность различий p < 0.01 (критерий Манна–Уитни)

 

Можно также выделить условный ряд возрастания перцептивной успешности: непространственная сцена – сцена без разделения источников речи и шума в пространстве – сцена с пространственным разделением источников на 3 м. Ряд хорошо аппроксимируется линейной зависимостью для речевых сигналов, произнеенных как женским голосом (R² = 0.93), так и мужским (R² = 0.97). Он также свидетельствует, что помимо фактора ЧОТ, в пространственной сцене проявляется действие базового механизма бинаурального освобождения от маскировки, особенно выраженное при разнесении источников речи и шума по удаленности (p < 0.01).

Аналогичные проявления наблюдали и в случае сравнения данных по ряду дикторов (рис. 3).

 

Рис. 3. Распределения правильных ответов (%) по ряду дикторов с разными характеристиками голоса (ЧОТ). НС (непространственная сцена) – данные исследованя по определению пола диктора по голосу в шуме многоголосия. ПС (пространственная сцена) – результаты обнаружения речевого сигнала в пространственной сцене при разнесении источников речи и шума (Ш1Р4) и максимальном зашумлении (SNR = –14 дБ). ** – уровень значимости различий при восприятии женских голосов (p < 0.01, критерий Манна–Уитни)

 

Таким образом, полученные данные хорошо согласуются с общими представлениями о том, что основой слуховой оценки пола по голосу выступают тембр (спектральный профиль естественных голосов дикторов разного пола) и диапазон основной частоты – высоты голоса (Pernet, Belin, 2012). При этом условная категориальность восприятия пола (мужской или женский голос), формируемая в процессе сенсорного опыта, может отражаться не только в индивидуальных и возрастных различиях, но и в специфических реакциях слуховой коры головного мозга (Moore, 2012; Weston et al., 2014). Поэтому важным результатом работы стало сравнение особенностей восприятия гендерных характеристик голоса в разных экспериментальных условиях, что позволило продемонстрировать эффекты, связанные со слуховой оценкой голосов дикторов и механизмами бинаурального слуха, способствующими речевой коммуникации на фоне сильной помехи – шуме многоголосия.

ЗАКЛЮЧЕНИЕ

В рамках исследования подтверждена значимость характеристик голоса (тембр, основной тон) для слухового анализа сложных сцен: пространственных (свободное звуковое поле) и непространственных (стимуляция через головные телефоны). Кроме того, в условиях непространственной сцены получены новые данные о проявлении зависимости эффективности слуховой оценки гендерной принадлежности голоса диктора в шуме многоголосия от возраста испытуемых. Показано, что топ-возрастом в отношении помехоустойчивости восприятия голоса может выступать первый период зрелости человека (от 21 года до 35 лет).

В возрастных подгруппах старше 18–20 лет выявлены также достоверные различия в определении пола говорящего по голосу на фоне шума для дикторов-мужчин и дикторов-женщин (мужской или женский голос). Предполагается, что лучшее выделение мужского голоса при стимуляции через телефоны может определяться энергетической составляющей маскировки в области низких частот, а также начальными проявлениями снижения помехоустойчивости восприятия речи при воздействии речеподобной помехи у более возрастных испытуемых. При этом выигрыш в обнаружении женской речи в шуме в условиях свободного звукового поля может быть обусловлен включением высокочастотного механизма пространственного слуха.

Полученные результаты создают основу для продолжения исследования и сравнения особенностей восприятия голосовых характеристик в других условиях, в частности в пространственной сцене с нелокализованным источником помехи – интерализованным шумом многоголосия.

Данные имеют практическое значение для организации слухоречевого тренинга, ранней диагностики нарушений помехоустойчивости речевого слуха и центральных слуховых расстройств, а также развития помехоустойчивых систем автоматической верификации дикторов, технологий слухопротезирования и реабилитации пациентов с кохлеарными имплантами.

ИСТОЧНИКИ ФИНАНСИРОВАНИЯ

Работа поддержана средствами федерального бюджета в рамках государственного задания Института физиологии им. И.П. Павлова РАН (№ 1021062411645-5-3.1.8).

КОНФЛИКТ ИНТЕРЕСОВ

Авторы декларируют отсутствие явных и потенциальных конфликтов интересов, связанных с публикацией данной статьи.

ВКЛАД АВТОРОВ

Сбор данных литературы, проведение серий экспериментов (О.В. Лабутина), подготовка методики, обработка и анализ результатов (С.П. Пак, Е. А. Огородникова, О. В. Лабутина), подготовка рукописи и иллюстраций (О.В. Лабутина, Е. А. Огородникова, С. П. Пак).

БЛАГОДАРНОСТИ

Авторы выражают благодарность заведующему и сотрудникам лаборатории сравнительной сенсорной физиологии Института эволюционной физиологии и биохимии им. И.М. Сеченова РАН за помощь в проведении исследования.

About the authors

O. V. Labutina

Pavlov Institute of Physiology of the Russian Academy of Sciences

Email: ogorodnikovaea@infran.ru
Russian Federation, Saint Petersburg

S. P. Pak

Pavlov Institute of Physiology of the Russian Academy of Sciences

Email: ogorodnikovaea@infran.ru
Russian Federation, Saint Petersburg

E. A. Ogorodnikova

Pavlov Institute of Physiology of the Russian Academy of Sciences

Author for correspondence.
Email: ogorodnikovaea@infran.ru
Russian Federation, Saint Petersburg

References

Supplementary files