Applied Speech and Audio Processing: With matlab examples

6.1.6.2
Time-evolved LSP analysis
Each of the instantaneous measures can be tracked to build up a statistical model of the
signal under analysis. Similarly, spectral peaks detected by a measure of line-closeness,
can be tracked and post-processed to extract likely formant positions. Analysis of LSP
feature changes over time may be combined with consideration of traditional speech
features to track dynamic speech characteristics.
Applications of speech feature tracking can include the classification of speech analy-
sis frames into voiced, unvoiced or non-speech periods. Evidence suggests that instanta-
neous speech features derived from LSP analysis are similar, under low noise conditions,
to zero-crossing rate [3].
A simple example of speech classification uses a binary LSP decision measure of
upward or downward deviation. This LSP vote measure counts the number of lines
in a frame above their median value, and is a computationally simple alternative to
Equation (6.7). This has been used by the author to perform phonetic classification of
speech [3]. In this application the LSP vote measure was used to categorise speech
frames into six classes: voiceless fricatives and affricatives, fricatives, plosives, nasals
and glides, and silence.
At this point we should note that by far the most popular application of continuous
LSP analysis is in the speech recognition field. In general, speech recognition uses tech-
niques such as template matching, statistical modelling or multi-feature vector quanti-
sation. It is possible to use LSP-derived data with each of these techniques, although the
statistical matching of a hidden Markov model (HMM) appears to be a more common
application for LSP-derived features [4].

---

148
Audio analysis
Finally, continuous LSP analysis has been used to collect statistics on the line frequency
distribution over time in a CELP coder and relate this to the language being conveyed. It
has been shown that LSP statistics differ markedly across several languages [5], leading
to the potential for LSP-based features to be used in linguistic detection algorithms.