OʻZBEK TILIDAGI NUTQNING ASOSIY TON VA FORMAT CHASTOTALARINI ANIQLASH ALGORITMI

THE VI INTERNATIONAL SCIENTIFIC CONFERENCE “SCIENTIFIC FOUNDATIONS FOR THE USE OF INFORMATION TECHNOLOGIES OF A NEW LEVEL AND MODERN PROBLEMS OF AUTOMATION”, NOVEMBER 20, 2025 277 OʻZBEK TILIDAGI NUTQNING ASOSIY TON VA FORMAT CHASTOTALARINI ANIQLASH ALGORITMI Kamolov Nodirjon Ma’murjon o‘g‘li Muhammad al-Xorazmiy nomidagi Toshkent axborot texnologiyalari universiteti doktoranti https://doi.org/10.5281/zenodo.17767951 Annotatsiya. Ushbu maqolada nutq signallarida aktiv sohalarni aniqlash, formant chastotalarini baholash va asosiy ton chastotasini topishning zamonaviy usullari o‘rganiladi. Tahlilda formantlarning informatsion ahamiyati, shovqin ta’siri va qisqa segmentlar asosida spektral tahlilning samaradorligi ko‘rsatib beriladi. Taklif etilgan yondashuv veyvlet, chiziqli bashorat, Hilbert–Huang, Fourier tahlili hamda korrelyatsiya asosida formantlarni ishonchli aniqlashga imkon beradi. F0 aniqlashda avtokorrelatsiya, YIN, kepstral va RAPT algoritmlarining ishlash prinsipi va shovqinga chidamliligi solishtiriladi. Natijalar usulning nutq tahlili, korrektsiya robotlari va biometrik identifikatsiya tizimlarida samarali ekanini ko‘rsatadi. Kalit so‘zlar: nutq signallari, veyvlet transformatsiyasi, Fourier tahlili, korrelyatsiya funksiyasa, avtokorrelatsiya (ACF), HMM modeli. Abstract. This article explores modern methods for detecting active regions in speech signals, evaluating formant frequencies, and finding the fundamental tone frequency (F0). The analysis shows the informational significance of the formants, the effect of noise, and the effectiveness of spectral analysis based on short (0.1 s) segments. The proposed approach allows reliable determination of formants based on wavelet, linear prediction, Hilbert-Huang, Fourier analysis, and correlation. When determining F0, the operating principle and noise immunity of autocorrelation, YIN, kepstral, and RAPT algorithms are compared. The results show that the method is effective in speech analysis, correction robots, and biometric identification systems. Keywords: speech signals, wavelet transformation, Fourier analysis, correlation function, autocorrelation (ACF), HMM model. Kirish. Bugungi kunda turli sohalarda nutq signallariga ishlov berish bosqichlaridan biri nutq aktiv sohalarini tanlashdir. Ushbu bosqichdan foydalanish uzatiladigan trafikni siqish uchun telekommunikatsiya tizimlarida, nutqni transkripsiyalash tizimlarida, shuningdek, foydalanuvchilarni identifikatsiya qilish tizimlarida keng qoʻllaniladi. Ovozni toʻgʻirlash uchun moʻljallangan intellektual robotni ishlab chiqish uchun nutqning chastota xususiyatlariga, yangi yondashuvga asoslangan algoritm taklif qilindi. Asosiy qism. Ushbu yondashuvdan foydalanish inson nutq apparati, formantlar deb ataladigan maʼlum chastotalar kuchini yaratishga qodir ekanligi bilan bogʻliq. Formant chastotalari eng informatsion hisoblanadi, chunki ular asosiy fonemalarning talaffuzi uchun javobgardir. Shuni ham inobatga olish kerakki, signal sifatiga ta’sir qiluvchi tashqi shovqin ma’lum bir chastota oralig‘ida ta’sir qiladi, bu esa barcha formatlarni qamrab olmaydi hamda format chastotalari bo‘ysunadigan qonunlarga to‘liq mos kelmaydi. Tadqiqot jarayonida signalning ma’lum bir qismi uchun davomiyligi 0,1 soniya bo‘lgan oyna tanlab olindi. Ushbu algoritmning asosiy g‘oyasi shundan iboratki, 0,1 soniyalik nutq segmentining spektri formantlarning mavjudligi yoki yo‘qligini va natijada nutqqa xos bo‘lgan asosiy chastotalarni o‘z THE VI INTERNATIONAL SCIENTIFIC CONFERENCE “SCIENTIFIC FOUNDATIONS FOR THE USE OF INFORMATION TECHNOLOGIES OF A NEW LEVEL AND MODERN PROBLEMS OF AUTOMATION”, NOVEMBER 20, 2025 278 ichiga oladi. Ovoz signalining yozib olinishi va formant chastotalari koʻrinishi quyidagi rasmda keltirilgan. Ushbu rasmdagi nutq signaligini koʻrinishi taklif etilgan algoritm asosida formant chastotalari holati aniqlangan. Ushbu algoritmni bolalarning nutq chastotalarini ajratishda keng qoʻllash mumkin. Kirish signali va uning spektri 0,5-0,6 sekund oraligʻida. Nutq signallarining formant chastotalarini aniqlashda nutqni toʻgʻirlashga asoslangan intellektual mobil robot uchun ishlab chiqish muhim ahamiyat kasb etadi. Nutq signalining asosiy formant chastotalarini aniqlash, asosiy muammolardan biri hisoblanib, bu muammoni yechishda quyidagi ketma-ketlikda algoritmlarning jamlanmasidan foydalaniladi: • Signalning segmentlangan har bir qismini veyvlet o‘zgartirish yordamida tahlil qilish; • Chiziqli bashorat yordamida tahlil qilish; • Hilbert-Huang transformatsiyasi yordamida tahlil qilish; • Furye konvertatsiyasi yordamida tahlil qilish; • Korrelyatsiya funksiyasidan foydalangan holda tahlil qilish. Taklif etilgan usul nutq signali va shovqin oʻrtasidagi eng xarakterli farqlar, formant chastotalar ekanligiga asoslanadi. Asosiy ton chastotasini (F0) aniq aniqlash uchun ovozli signalni oldindan tayyorlash muhim bosqichlardan biridir. Chunki, ovozli signal turli shovqinlar, fon tovushlari va boshqa xalaqit beruvchi omillar taʼsirida boʻlishi mumkin. Shuning uchun ham signalni oldindan qayta ishlash jarayoni uning sifatini yaxshilash va tahlil qilishni soddalashtirishga yordam beradi. Oldindan qayta ishlashning birinchi bosqichi signalni past chastotali va yuqori chastotali shovqinlardan tozalash hisoblanadi. Inson nutqining asosiy energiyasi taxminan 50 Hz dan 4000 Hzgacha boʻlgan diapazonda joylashganligi sababli, signalni ushbu oraliqda filtrlash F0 aniqlash aniqligini oshiradi. Keyingi muhim jarayonlardan biri – signalni raqamli diskretizatsiya qilish. Signal odatda 16 kHz yoki 44.1 kHz chastotada namunalash orqali raqamli formatga oʻtkaziladi. Bu jarayon signalni tahlil qilishda qoʻllaniladigan algoritmlarning samaradorligini oshiradi. Shuningdek, signalni normallashtirish ham muhim bosqichlardan biridir. Bu jarayonda signalning amplitudasi maʼlum oralig‘iga moslashtiriladi, bu esa F0 aniqlash jarayonida signal oʻzgarishlarini bir meʼyorda saqlash imkonini beradi. Signalni tayyorlash jarayoni algoritmning keyingi bosqichlarida sifatli natija olishga yordam beradi. Shuning uchun ham har bir tahlil jarayonida ushbu bosqichlarni bajarish tavsiya etiladi. Inson nutqining asosiy ton chastotasini aniqlashning eng keng tarqalgan usullaridan biri avtokorrelatsiya funksiyasi (ACF) asosida amalga oshiriladi. Avtokorrelatsiya – bu signal oʻzining THE VI INTERNATIONAL SCIENTIFIC CONFERENCE “SCIENTIFIC FOUNDATIONS FOR THE USE OF INFORMATION TECHNOLOGIES OF A NEW LEVEL AND MODERN PROBLEMS OF AUTOMATION”, NOVEMBER 20, 2025 279 kechiktirilgan nusxasi bilan qanday bogʻliq ekanligini koʻrsatadigan matematik vositadir. Ushbu usulda signal avval maʼlum uzunlikdagi qismlarga boʻlinadi, odatda har bir oyna 20–40 millisekund (ms) oraligʻida boʻladi. Ovozli signal qismlarga ajratilgach, har bir boʻlak uchun avtokorrelatsiya funksiyasi hisoblanadi. Avtokorrelatsiyaning umumiy matematik ifodasi quyidagicha: 𝑅(𝜏)= ∑𝑠(𝑛)𝑠(𝑛+𝜏) 𝑁−𝜏 𝑛=0 Bu yerda, R(τ) – kechikish boʻyicha korrelyatsiya funksiyasi, 𝑠(𝑛) – signal qiymati,τ – kechikish (lag), N – signal uzunligi. Ushbu ifoda orqali signalning oʻzining kechiktirilgan koʻrinishi bilan qanday mos kelishi aniqlanadi. Avtokorrelatsiya natijalaridan foydalanib, F0 chastotasini aniqlash mumkin boʻlgan eng katta avtokorrelatsiya qiymati topiladi. Asosiy ton chastotasini hisoblash uchun quyidagi formuladan foydalaniladi: 𝐹0=𝐹𝑠 𝜏𝑚𝑎𝑥 Bu yerda, Fs – namunalash chastotasi, τmax – eng katta avtokorrelatsiya qiymati hosil boʻladigan kechikish. Ushbu usulning afzalligi shundaki, u oddiy va samarali hisoblanadi. Biroq, avtokorrelatsiya usuli baʼzan garmonik komponentlar bilan chalgʻitishi yoki turli xil shovqinlarning taʼsiriga uchrashi mumkin. Shu sababli, koʻpincha qoʻshimcha filtrlash yoki optimallashtirilgan usullar bilan birga ishlatiladi. Avtokorrelatsiya usuli samarali boʻlsa-da, baʼzi hollarda noaniqliklar yuzaga kelishi mumkin. Shu sababli YIN algoritmi F0 aniqlashning yanada aniq usullaridan biri hisoblanadi. Formant chastotalarni aniqlash algoritmi. Shu sababli, nutqni qayta ishlash va biometrik identifikatsiya tizimlarida ushbu algoritm koʻp ishlatiladi. F0 chastotasini aniqlashda har xil algoritmlar mavjud boʻlib, ularning samaradorligi signalning tabiati va foydalanish sohasiga bogʻliq. Avtokorrelatsiya usuli oddiy va tezkor boʻlib, asosan past shovqinli muhitda yaxshi ishlaydi. THE VI INTERNATIONAL SCIENTIFIC CONFERENCE “SCIENTIFIC FOUNDATIONS FOR THE USE OF INFORMATION TECHNOLOGIES OF A NEW LEVEL AND MODERN PROBLEMS OF AUTOMATION”, NOVEMBER 20, 2025 280 YIN algoritmi esa murakkabroq boʻlsa ham, noaniqliklarni kamaytirish imkonini beradi. Bundan tashqari, kepstral tahlil, RAPT va HMM (Hidden Markov Model) kabi ilgʻor algoritmlar ham mavjud. Ushbu usullar nutqni sintez qilish, ovozni avtomatik tanib olish va biometrik tizimlarda keng qoʻllaniladi. Xulosa: Tadqiqotda nutq signalining aktiv segmentlarini aniqlash, formant chastotalarini baholash va F0 ni aniqlash bo‘yicha zamonaviy usullar solishtirildi. Natijalarga ko‘ra, veyvlet, chiziqli bashorat, Hilbert–Huang va Fourier tahlilini korrelyatsiya bilan birgalikda qo‘llash formantlarni aniq ajratishga yordam berdi. F0 aniqlashda esa YIN, RAPT va HMM algoritmlari shovqinli muhitda eng barqaror natijani ko‘rsatdi. Tadqiqot yondashuvlari nutqni qayta ishlash, aqlli robotlar va biometrik identifikatsiya tizimlarida samarali qo‘llanishi mumkinligi tasdiqlandi. FOYDALAMILGAN ADABIYOTLAR 1. 1.Егоров О.Д., Подураев Ю.В., Буинов М.А. Робототехнические мехатронные системы: учебник. – М.: МГТУ «СТАНКИН», 2015. – 326 с. 2. Angeles J. Fundamentals of Robotic Mechanical Systems: Theory, Methods, and Algorithms. – New York: Verlag, 2003. – 545 p. 3. Емельянов С.Г., Титов В.С., Бобырь М.В. Интеллектуальные системы на основе нечеткой логики и мягких арифметических операций: учеб. пособие. – М.: АГАМАКМЕДИА, 2014. – 341 с. 4. Harrison R., West A.A., Lee S.M. Engineering Modular Automation Systems // Intelligent Production Machines and Systems – 2nd I*PROMS Virtual International Conference. – Elsevier Ltd, 2006. – С. 505–510. 5. Popescu T.D., Aiordachioaie D. Fault detection of rolling element bearings using optimal segmentation of vibrating signals // Mechanical Systems and Signal Processing. – 2019. – Vol. 116. 6. Машков К.Ю., Рубцов В.И., Рубцов И.В. Состав и характеристики мобильных роботов: учеб. пособие по курсу «Управление роботами и робототехническими комплексами». – М.: МГТУ им. Н.Э. Баумана, 2014. – 76 с.