Automated Subjective Assessment of Speech Intelligibility in Various Listening Modes

Abstract

In this paper, the results of automated subjective assessment of Ukrainian speech intelligibility are presented. Speech monosyllables of the consonant-vowel-consonant (CVC) type were listened in two modes: through headphones and through acoustic monitors. The assessment was carried out with the help of specially developed software that allowed automating of articulation tests. Speech listening was done for four situations: pure language; speech distorted by noise; speech distorted by reverberation; speech distorted by the combined effect of noise and reverberation. In the first case, speech monosyllables of 3 articulation tables were listened, each of which contained 50 monosyllables. In the second case, speech distorted by the additive noise with the signal-to-noise ratios (SNR) varied in the range-15…+10 dB was listened. In this case, models of white, pink and brown noises were used, the masking properties of which are rather well-studied. In the third case, the reverberant speech for reverberation times in the range 0.3…2.7 s was modeled by convolution of pure speech signals with room impulse responces (RIRs) of various rooms, and in the fourth case the joint action of pink noise and reverberation was considered. It turned out that the masking ability of white noise exceeds one for brown noise for SNR less than minus 5 dB, which is not entirely consistent with preliminary predictive estimates. In addition, it turned out that listening to speech distorted by noise through acoustic monitors could lead to a significant increase in the speech intelligibility, compared to the case of listening through headphones. The analysis of possible causes of abnormal increase in speech intelligibility has been carried out. Early reflections, presence of two loudspeakers, binaural listening, psychophysical features of listeners, as well as peculiarities of software and articulatory testing organization were considered as possible reasons of the phenomenon. After correction of the software and some features of articulation tests it turned out that the results of the speech intelligibility estimation almost coincide when listening to the signals through the headphones and through acoustic monitors, if the distance between the listener and acoustic monitors does not exceed 0.6-0.8 meters. At the same time, these corrections did not differ in the behavior of the dependencies of speech intelligibility on the SNR for small (less minus 5 dB) SNR values The general conclusion may be that listening to speech signals distorted by noise and reverberation interferences, performed with the application of the proposed automated system of articulation tests, indicates the performance and high quality of the developed system. Ref. 13, fig. 7.

Subjective assessment of the intelligibility of noised speech in lecture room

“…Зростання розбірливості зі збільшенням дистанції до диктора можна пояснити поєднанням сприятливого ефекту ранніх відбиттів та бінауральним прослуховуванням. Цікаво порівняти ці результати з оцінкою розбірливості, наведеною в [10], де зашумлені склади прослуховувались через навушники (в діотичному режимі) та комп'ютерний динамік (Рис. 4).…”

“…Причину цього протиріччя можна пояснити наступним чином. Значення SNR в [10] Також необхідно вказати ще на один небажаний фактор, що може призвести до низьких значень розбірливості, наведених на Рис. 3а.…”

“…ВСТУП Суб'єктивна оцінка в режимі бінаурального прослуховування розбірливості (зрозумілості) мови, спотвореної шумом і реверберацією, має значний науковий і практичний інтерес. Така оцінка є важливою для вдосконалення математичних моделей слухової системи людини, калібрування систем об'єктивної оцінки розбірливості мовлення, а також сертифікації каналів і пристроїв зв'язку, приміщень, слухових апаратів, кохлеарних імплантатів тощо [1][2][3][4][5][6][7][8][9][10][11][12][13][14].…”

“…Результати автоматизованої суб'єктивної оцінки розбірливості української мови були представлені в роботі [10], де мовні склади типу приголосний-голосний-приголосний (CVC) прослуховувалися двома способами: через навушники (діотичне прослуховування) і через комп'ютерні колонки. Оцінки розбірливості виявилися майже однаковими, хоча для випадку колонок результати оцінювання розбірливості мовлення були трохи вищими (на 1-3%).…”

“…Було висловлено припущення, що найбільш імовірною причиною виявленого збігу є те, що відстань між комп'ютерними динаміками і слухачем зазвичай не перевищує 0,6-0,8 м, тому ранні відбиття практично не впливають на розбірливість мовлення. У [10] було запропоновано спробувати тестування артикуляції на більшій відстані між слухачами та комп'ютерними динаміками, де ефект ранніх відбиттів є більш помітним. Дійсно, в [11] Процес тестування містить п'ять етапів:…”