تأثیر سرعت گفتار بر دینامیک فرکانس سازه‌های واکه‌های زبان فارسی

1. مقدمه

تولید گفتار پدیده‌ای بسیار پیچیده و چندبعدی است که شامل هماهنگی دقیق حرکات مفصلی پویا و اندام‌های گفتاری برای دستیابی به اهداف مشخص در هندسة مجرای صوتی می‌شود. (Guenther & Hickok, 2016; Kearney & Guenther, 2019)  این فرایند، که توسط سازوکار‌های فیزیولوژیکی و عصبی هدایت می‌شود، ویژگی‌های آکوستیکی منحصر‌به‌فردی ایجاد می‌کند که نقش مهمی در انتقال پیام‌های زبانی ایفا می‌کنند. این ویژگی‌های آکوستیکی نه تنها محتوای زبانی گفتار (آنچه گفته شده است) را به شنوندگان منتقل می‌کنند، بلکه اطلاعات غنی دیگری درباره گوینده (چه کسی سخن می­گوید)، وضعیت عاطفی و حتی شرایط فیزیکی او مانند خستگی یا بیماری ارائه می‌دهند. این اطلاعات، که تحت عنوان «اطلاعات فردویژه»[1] نیز شناخته می‌شوند، نقش کلیدی در شناسایی و تحلیل هویت گوینده دارند.

صدا به‌عنوان یکی از بارزترین ویژگی‌های هویتی فردی، همواره در مرکز توجه محققان حوزه‌های زبان‌شناسی، روانشناسی و علوم کامپیوتر بوده است. ویژگی‌های آکوستیکی صدا، نظیر فرکانس، شدت و طیف زمانی، اطلاعات ارزشمندی درباره گوینده، احساسات او و حتی وضعیت سلامت وی ارائه می‌دهند. یکی از زیربخش‌های مرتبط با شناسایی گوینده، مقایسة قضایی گوینده[2] است. در این فرایند، نمونه‌های صوتی شناخته‌شده و ناشناخته با هدف ارزیابی احتمال تعلق آن‌ها به یک گوینده یا گویندگان مختلف مقایسه می‌شوند. این مقایسه، در صورتی که به روش آکوستیکی انجام شود، از پارامترهایی استفاده می‌کند که به‌خوبی توانایی ارائه اطلاعات فردویژه را داشته باشند. پارامترهای مناسب باید علاوه بر نشان دادن تفاوت‌های میان گویندگان، تغییرپذیری بسیار اندکی نیز در یک گویندة واحد داشته باشند (Nolan, 1983; Rose, 2002).

با این حال مقایسة قضایی گویندگان به­آسانی صورت نمی­گیرد و همواره چالش­هایی پیش روی این حیطه قرار دارد. یکی از این چالش‌های مهم، تغییرات درون‌گوینده‌ای ناشی از سرعت گفتار است. گویندگان بسته به شرایط ارتباطی و زمینه‌های مختلف، سرعت گفتار خود را تغییر می‌دهند؛ برای مثال، ممکن است در مکالمات بداهه سریع‌تر ولی در خواندن متون آماده، آهسته‌تر صحبت می‌کنند. البته گویندگان به­طور ذاتی هم در سرعت گفتار با هم متفاوت هستند. مثلاً برخی گویندگان سریع­تر صحبت می­کنند؛ درحالیکه، برخی دیگر سرعت آهسته­­تری دارند. همچنین، عواملی مانند بیماری‌های حنجره، سن یا حالات عاطفی آنی نیز می‌توانند تغییرات بیشتری در سرعت گفتار ایجاد کنند. این تغییرات ممکن است تأثیر قابل‌توجهی بر فرکانس سازه­ها و دیگر ویژگی‌های آکوستیکی صدا داشته باشند و در نتیجه بر دقت شناسایی گوینده نیز اثرگذار شوند. با این حال، مطالعات مقایسه‌ای منظم درباره اثرات سرعت گفتار بر فرکانس سازه­ها و شناسایی گوینده، به‌ویژه در زبان فارسی، هنوز محدود باقی مانده‌اند.

پژوهش حاضردر همین راستا به بررسی تأثیر سرعت گفتار بر فرکانس سازه­های  واکه‌های زبان فارسی می‌پردازد. هدف این پژوهش، شناسایی تفاوت‌های فرکانس سازه­های واکه­ها در سرعت‌های مختلف (آهسته، عادی و سریع) و ارزیابی تأثیر این تفاوت‌ها بر توانایی این پارامترها در شناسایی گوینده است. پرسش­های اصلی این تحقیق عبارتند از:

1. آیا فرکانس سازه­های واکه‌های زبان فارسی در سرعت‌های مختلف تفاوت معناداری دارند؟
2. کدامیک از فرکانس سازه­ها یعنی فرکانس سازة اول، فرکانس سازة دوم، فرکانس سازة سوم و فرکانس سازة چهارم بیشترین تغییرات را در سرعت­های گوناگون نشان می­دهند؟
3. آیا تغییرات سرعت گفتار بر فرکانس سازه­ها بر توانایی این پارامترها در شناسایی گوینده تأثیرگذار است؟

این پرسش‌ها در داده­های آوایی طراحی‌شده‌ای که شامل نمونه‌هایی با سرعت‌های مختلف گفتاری است، مورد آزمایش قرار می‌گیرند. انتخاب فرکانس سازه‌ها به‌عنوان پارامترهای مورد بررسی در این پژوهش چند دلیل دارد. اول اینکه این پارامترها توانایی بالقوه‌ای در تمایز گویندگان نشان داده‌اند (اسدی و علی‌نژاد 1399؛  Alderman, 2005 ; McDougall, 2006; Jessen & Becker, 2010; Gold et al., 2013; Goldstein, 1976) و از سوی دیگر، تغییرات میان‌گوینده‌ای آن‌ها بالا و تغییرات درون‌گوینده‌ای آن‌ها کم بوده است (Rose, 2002; Gold et al., 2013). همچنین، فرکانس سازه‌ها ارتباط مستقیمی با عوامل تولیدی گفتار دارند. برای مثال، فرکانس سازة اول با افراشتگی زبان رابطة عکس دارد و فرکانس سازة دوم با میزان پیشین و پسین­شدگی در ارتباط است .(Ladefoged, 2006) فرکانس سازه‌های سوم و چهارم نیز بیشتر نشانگر اطلاعات فردویژه‌اند .(Rose, 2002; Gold et al., 2013; Asadi et al., 2018)  با توجه به اینکه فرکانس سازه­ها بازتاب‌دهندة بخشی از حرکات تولیدی دستگاه گفتار هستند و در عین حال اطلاعات فردویژه را نیز به­خوبی نمایان می‌سازند، انتظار می‌رود سرعت گفتار، که به‌طور مستقیم با تغییرات در حرکات اندام‌های تولیدی مرتبط است، بر مقادیر فرکانس سازه‌ها تأثیر بگذارد و از این روی تصور می­شود که شناسایی گوینده نیز تحت تاثیر این امر قرار بگیرد.

انتظار می‌رود که نتایج حاصل از این پژوهش بتوانند به درک عمیق‌تر از تأثیر سرعت گفتار بر ویژگی‌های آکوستیکی صدا کمک کرده و در زمینه‌هایی مانند آواشناسی آکوستیکی و شناسایی گوینده مورد استفاده قرار گیرند. این نتایج می‌توانند گامی مؤثر در بهبود دقت سیستم‌های شناسایی گوینده و توسعة روش‌های تحلیل صدا در این سامانه­ها نیز باشند.

2. پیشینة پژوهش

تحقیقات آزمایشگاهی مرتبط با اندازه‌گیری حرکات تولیدی اندام‌های گویایی در سرعت‌های مختلف، پیچیدگی و ظرافت سازوکارهای تولید گفتار انسان را بیش از پیش آشکار می‌کنند. این مطالعات نشان داده‌اند که تغییرات سرعت گفتار بر حرکات مفصلی اندام‌های گفتاری، از جمله لب‌ها، فک و زبان، تأثیر قابل‌ملاحظه‌ای دارد و این تأثیر در سطوح  مختلف آوایی و حرکتی قابل مشاهده است. از جمله مطالعات پیشگام در این حوزه، می­توان به پژوهش گی^[3] و هیروز[4] (1973) اشاره کرد که به بررسی درک سازوکار‌های تولید گفتار بر تولید همخوان­های لبی پرداختند. آن­ها در پژوهش خود از آزمایش االکترومایوگرافی[5] و تصویربرداری مستقیم و پرسرعت حرکتی، به صورت ترکیبی، برای توصیف تأثیر سرعت گفتار بر تولید همخوان‌های لبی استفاده کردند. یافته­ها نشان داد افزایش سرعت گفتار با افزایش سطح فعالیت عضله و همچنین افزایش سرعت حرکت اندام‌های تولیدی گفتار همراه است. آن­ها همچنین نشان دادند که افزایش سرعت گفتار با تغییرات پیچیده‌ای در فعالیت عضلانی همراه است. این تغییرات شامل بسته‌شدن بیشتر لب‌ها و بازشدن بیشتر دهان در همخوان‌های دولبی و واکه‌های گرد می‌باشد که نشان‌دهندة تطبیق پیچیدة دستگاه گفتار با سرعت‌های گفتاری متفاوت است. در پژوهشی دیگر، شایمن^[6] و همکاران (1997) با بررسی دقیق پیکربندی لب‌ها به نکات جالب­توجهی دست یافتند. آن­ها دریافتند که نوع بیرون‌زدگی لب[7] در سرعت‌های گفتار مختلف ثابت نیست و تغییرات قابل‌توجهی دارد. به‌طور خاص، سرعت‌های گفتار کندتر عدم تقارن، بی‌نظمی و تغییرات بیشتری را در شکل هندسی لب نسبت به سرعت‌های عادی و سریع نشان دادند.

علاوه بر تفاوت‌های مشاهده­شده در حرکات اندام‌های گفتاری، مطالعات آواشناختی متعددی نیز نشان داده‌اند که سرعت گفتار می‌تواند بر ویژگی‌های آکوستیکی گفتار نیز تأثیر بگذارد. به عنوان مثال، ویسمر^[8] و بری[9] (2003) در مطالعة خود به بررسی تغییرات مسیر فرکانس سازة دوم پرداختند و نشان دادند که سرعت گفتار به طور نظام­مندی بر مسیرهای سازه‌ای[10] تأثیر می‌گذارد. آن‌ها همچنین تغییر پایانة فرکانس سازة دوم[11] را به عنوان یک شاخص منفرد قوی معرفی کردند که می­تواند نشانگر تغییرات سرعت گفتار در واکه­های ساده میان گویندگان باشد. در همین راستا، پیترمن[12] (2000) نیز با مطالعة پاره­گفتارهای تولیدی دو گویشور در ده سرعت گفتاری مختلف به این نتیجه رسید که فرکانس سازة اول و دوم در سرعت­های بالاتر تغییر می­کنند. جادن^[13] و ویلدینگ[14] (2004) نیز در مطالعة خود که به بررسی تاثیر سرعت گفتار بر تولید آواها پرداخته بودند، نشان دادند که در سرعت گفتاری آهسته نرخ تولید هجا در ثانیه به­طور قابل­توجهی نسبت به سرعت عادی و معمول گفتاری کاهش می­یابد. آن­ها همچنین نشان دادند که مساحت فضای واکه­ای در سرعت گفتاری آهسته گسترده­تر می­شود. آگویل^[15] و همکاران (2009) نیز در مطالعة خود به بررسی تأثیر سرعت گفتار بر هم­تولیدی واکه­ها و همخوان­ها پرداختند. آن­ها پاره­گفتارهای تولیدشده توسط شش گویندة آمریکایی-انگلیسی را در سه سرعت گفتاری عادی، سریع و بسیار سریع بررسی کردند. نتایج این پژوهش نشان داد که همخوان­های لثوی و کامی نسبت به آواهای لبی در حالت گفتاری سریع، کاهش بیشتری در میزان آغازة فرکانس سازة دوم[16] داشته­اند. در رابطه با واکه­ها، آن­ها نشان دادند مساحت فضای واکه­ای در گفتار سریع­تر نسبت به گفتار عادی کوچکتر است . مفرد^[17] و گرین[18] (2010) نیز در پژوهش  خود با هدف بررسی تعامل میان تولید گفتار و ویژگی­های آکوستیکی گفتار به بررسی تأثیر سرعت گفتار بر حرکات تولیدی و ویژگی­های آکوستیکی گفتار پرداختند. آن­ها حرکت زبان را در تولید واکه­ها در سرعت­های گفتاری عادی، آهسته، سریع و بلند در ده گویندة سالم بررسی کردند. نتایج نشان داد که جابه­جایی زبان نقش مهمی در پیش­بینی فاصلة آکوستیکی واکه‌ها دارد. آن­ها همچنین نشان دادند که فاصلة فرکانس سازه­ها در سرعت گفتاری آهسته مشخص­تر و باثبات­تر است؛ در حالیکه، این ثبات در سرعت­های گفتار عادی، آهسته و سریع و نیز گفتار بلند مشاهده نشد.

به طور خلاصه، پژوهش‌های پیشین نشان داده‌اند که تغییرات سرعت گفتار تأثیر قابل توجهی بر جنبه‌های مختلف تولید گفتار دارد. این تأثیر هم بر حرکات فیزیکی اندام‌های گویایی (مانند لب‌ها و فک) و هم بر ویژگی‌های آکوستیکی گفتار (مانند فرکانس‌های سازه و فضای واکه‌ای) مشهود است. با این حال، علی‌رغم اهمیت این موضوع، هنوز پژوهشی جامع که به بررسی دقیق تأثیر سرعت گفتار بر تمام فرکانس‌های سازه در زبان فارسی بپردازد، به‌ویژه از منظر شناسایی گوینده، انجام نشده است. تنها مطالعه‌ای که تاکنون  با دیدگاه شناسایی گفتار و گوینده در این زمینه انجام شده، توسط شهربابکی و همکاران (2018)  بر روی زبان‌های آلمانی و فرانسوی بوده است. این مطالعه نشان داد که تغییرات سرعت گفتار می‌تواند بر تشخیص همخوان‌ها، واکه‌ها و حتی دقت مدل‌های خودکار تشخیص گوینده تأثیر بگذارد. بر این اساس، پژوهش حاضر به بررسی تأثیر مستقیم سرعت گفتار بر ویژگی‌های آکوستیکی واکه‌های زبان فارسی و همچنین بررسی تأثیر آن بر ویژگی‌های فرد‌ویژة فرکانس سازه­های واکه‌های زبان فارسی می‌پردازد.

3. روش­شناسی پژوهش

در این بخش، ابتدا به معرفی شرکت‌کنندگان و توضیح دربارۀ داده‌های آوایی مورد استفاده در این پژوهش پرداخته خواهد شد. سپس، نحوۀ تقطیع داده‌های آوایی و آماده‌سازی آن‌ها برای تحلیل آکوستیکی تشریح می‌شود. در ادامه نیز نحوة استخراج فرکانس سازه­های اول تا چهارم توضیح داده می­شود و در پایان نیز مراحل تحلیل‌های آماری که برای به‌دست‌آوردن نتایج نهایی طی شدند، به‌تفصیل تشریح می‌گردد.

۱-۳. شرکت­کنندگان و داده­های آوایی

در این مطالعه، ۱۸ شرکت­کنندة مرد فارسی‌زبان با لهجة تهرانی مشارکت داشتند. این افراد در محدودة سنی ۲۵ تا ۳۶ سال قرار داشتند که میانگین سنی آن‌ها ۳۱.۳ سال و انحراف استاندارد سنی ۳.۷ محاسبه شد. تمامی شرکت‌کنندگان از سلامت کامل شنوایی و گفتاری برخوردار بودند و پیشینه‌ای از اختلالات شنوایی یا گفتاری در خود گزارش نکردند. شرکت‌کنندگان همگی دانشجوی مقاطع کارشناسی، کارشناسی ارشد یا دکترا در رشته‌های گوناگون تحقیقاتی بودند. این داده­های آوایی با بهره‌گیری از روش‌های استاندارد و مشابه با روش پیکرة آوایی بن­تمپو[19] (Dellwo, 2010) که به زبان آلمانی جمع‌آوری شده بود، طراحی و اجرا گردید. برای جمع‌آوری داده‌ها، از گویندگان خواسته شد تا متن معروف «باد شمال و خورشید» را که یک متن کوتاه و استانداردشده برای مطالعات آوایی است، در سه سرعت گفتاری متفاوت بخوانند. پیش از شروع ضبط‌ها، به‌منظور آشنایی کامل شرکت‌کنندگان با متن و رفع هرگونه خطای احتمالی ناشی از ناآشنایی با واژگان یا ساختار جملات، از آن‌ها خواسته شد چندین بار متن را با دقت بخوانند. ابتدا از گویندگان خواسته شد که متن را با سرعت عادی خود بخوانند. در مرحلۀ بعد از آن‌ها درخواست شد که سرعت گفتار خود را تا حد ممکن کاهش دهند. در نهایت، از گویندگان خواسته شد که متن را با حداکثر سرعت ممکن بخوانند این روند منجر به تغییرپذیری شدید نرخ هجا در سه نسخه خوانده‌شده از متن شد.

2-۳. شیوۀ ضبط و تقطیع داده­ها

برای ضبط داده‌ها، شرکت‌کنندگان در یک محیط آزمایشگاهی استاندارد و کنترل‌شده قرار گرفتند. ضبط‌ها در یک اتاقک آکوستیک با استفاده از میکروفون مدل SHURE SM7B  انجام شد. نرخ نمونه‌برداری روی ۴۴.۱ کیلوهرتز و کمی‌سازی با دقت ۱۶ بیت تنظیم شد. پس از انجام این مرحله، داده­های آوایی وارد نرم­افزار پرات(Boersma and Weenink, 2023) [20] شد تا مراحل بخش‌بندی و برچسب‌گذاری آن‌ها انجام گیرد. این فرایند بر اساس اطلاعات شروع و پایان  هر بخش آوایی صورت گرفت. به‌منظور خودکارسازی این فرایند، از درگاه [21]WebMAUS استفاده شد که ابزاری مناسب برای پردازش خودکار داده‌های آوایی محسوب می‌شود. در اولین مرحله، برای هر پاره‌گفتار تولیدی توسط شرکت‌کنندگان، یک پروندة متنی با فرمت txt تهیه شد. این پرونده­های متنی توسط نویسنده براساس توصیه‌نامۀ مختص زبان فارسی که در تارنمای رسمی این درگاه ارائه شده بود، آماده‌سازی شدند تا داده‌ها در قالب استاندارد و قابل پردازش قرار گیرند. در مرحلۀ بعد، هر فایل صوتی به‌همراه فایل متنی متناظر خود به سیستم WebMAUS وارد شد. این کار از طریق بخش pipeline without ASR  انجام گرفت و گزینۀ زبان فارسی به‌عنوان زبان هدف انتخاب گردید. پس از اتمام پردازش، سیستم به‌طور خودکار فایل‌های TextGrid متناظر با هر فایل صوتی را تولید و به‌عنوان خروجی ارائه کرد. بدین ترتیب، به ازای هر فایل صوتی یک فایل TextGrid متناظر نیز به دست آمد. در مرحلة نهایی، برای اطمینان از دقت و صحت پردازش داده‌ها، نویسنده به‌صورت دستی نیز  فایل‌های TextGrid  را بازبینی کرد. این کار با هدف شناسایی و اصلاح خطاهای احتمالی انجام شد؛ چراکه در فرایند خودکار ممکن است به‌دلیل پیچیدگی‌های آوایی یا تداخل‌های سیگنال صوتی، خطاهایی در بخش‌بندی و برچسب‌گذاری رخ دهد. علاوه بر این، به دلیل تغییرات سرعت گفتار (آهسته، عادی و سریع) و پیچیدگی‌های خاص هر سرعت گفتار، فرایند دستی بازبینی در این بخش اهمیت بیشتری پیدا کرد.

3-۳. نحوة استخراج پارامترهای آکوستیکی

پس از آماده­سازی و پیش­پردازش داده­ها، پارامترهای آکوستیکی فرکانس سازه­های اول تا چهارم از واکه­ها استخراج گردید. در این مطالعه، استخراج پارامترها به روش بلندمدت صورت گرفت. این روش، که به‌طور گسترده در مطالعات شناسایی گوینده به کار می‌رود، از اندازه‌گیری دینامیکی (اندازه‌گیری تغییرات پیوسته فرکانس سازه‌ها در طول زمان) در سطح پاره‌گفتار برای نمایش ویژگی‌های آوایی گوینده استفاده می‌کند و دقت بیشتری نسبت به روش‌های کوتاه‌مدت دارد .(Asadi et al., 2018; Gold et al., 2013; Moos, 2010) در تحلیل بلندمدت، فرکانس‌های سازه‌ها به‌صورت دینامیکی و با محاسبه میانگین مقادیر فرکانس در قاب‌های چندمیلی‌ثانیه‌ای طی یک بازة زمانی طولانی از ضبط گفتار به دست می‌آید .(Gold et al., 2013; Rose, 2002) این روش به‌دلیل توانایی در ثبت تغییرات پیوسته و طبیعی گفتار، برای نمایش دقیق‌تری از فردویژگی گویندگان و تحلیل رفتار آکوستیکی واکه‌ها بسیار مناسب است. برای اجرای این فرایند، در گام نخست تمامی واکه‌ها از سیگنال‌های صوتی استخراج و به‌صورت پشت‌سرهم مرتب شدند. این مرحله به‌منظور تجمیع کامل بخش‌های آوایی از هر گوینده صورت گرفت تا داده‌های آوایی برای تحلیل‌های بعدی بهینه‌سازی شوند. برای این منظور، از افزونة رایگان Praat Vocal Toolkit (Corretge, 2022) که در محیط نرم‌افزار پرات توسعه یافته، استفاده شد. در گام دوم، مقادیر فرکانس سازه‌ها با استفاده از الگوریتم مبتنی بر LPC-Burg  در نرم‌افزار پرات و با قاب­بندی 5  میلی‌ثانیه به‌طور خودکار استخراج شدند. فرایند استخراج فرکانس‌ها توسط یک اسکریپت از پیش نوشته‌شده که به‌طور اختصاصی برای محیط پرات طراحی شده بود، انجام گرفت.

4-۳. تحلیل آماری

تمامی تحلیل­های آماری نمونه‌های آوایی این پژوهش  با استفاده از نرم­افزار R (R Core team, 2022) ویرایش 2.2. 4 صورت گرفت. برای آماده‌سازی داده‌ها برای تحلیل آماری، ابتدا داده‌های پرت با استفاده از معیارهای سه انحراف معیار از میانگین حذف گردیدند. سپس، برای بررسی تفاوت میانگین فرکانس سازه‌های اول تا چهارم در سه سرعت گفتاری (آهسته، عادی و سریع)، از تحلیل واریانس چندمتغیره^[22] (MANOVA) استفاده شد. این روش به دلیل توانایی آن در بررسی همزمان چندین متغیر وابسته (فرکانس‌های سازه‌ها) و در نظر گرفتن همبستگی‌های بالقوة میان آن‌ها، انتخاب گردید. متغیرهای وابسته شامل مقادیر فرکانس سازه‌های اول تا چهارم و متغیر مستقل سرعت گفتاری با سه سطح (آهسته، عادی و سریع) بودند. پیش از اجرای تحلیل واریانس چندمتغیره، نرمال بودن توزیع داده‌ها با آزمون شاپیرو-ویلک (Shapiro-wilk) بررسی شد. پس از اجرای تحلیل واریانس چندمتغیره، در صورت مشاهدة تفاوت معنی‌دار (سطح معناداری کمتر از 0.05) در اثر عامل اصلی سرعت گفتار، از تحلیل‌های تکمیلی تحلیل واریانس یک‌راهه با استفاده از آزمون‌های تعقیبی استفاده گردید.

برای بررسی اینکه فرکانس سازه‌های اول تا چهارم در سه سرعت گفتاری مختلف تا چه حد می‌توانند به شناسایی گوینده‌ها کمک کنند، از آزمون جنگل‌های تصادفی^[23] استفاده شد. در این تحلیل، متغیر وابستة گوینده (با 18 سطح، که هر سطح مربوط به یکی از گویندگان است) و متغیرهای مستقل شامل مقادیر فرکانس سازه‌های اول تا چهارم در نظر گرفته شدند. علاوه بر این، سرعت گفتاری )آهسته، عادی، سریع) به عنوان یک متغیر کمکی در مدل گنجانده شد. از آنجاییکه هدف این تحلیل بررسی میزان فردویژگی هر فرکانس سازه در هر سرعت گفتاری بوده است، از روش اهمیت ویژگی^[24] استفاده شد تا مشخص گردد که کدام فرکانس سازه‌ها در هر سرعت بیشترین تاثیر را در تمایز گویندگان دارند. برای ارزیابی دقیق‌تر، میزان فردویژگی هر فرکانس سازه در سه سرعت گفتاری مختلف محاسبه شد و اهمیت آن‌ها در تمایز گویندگان برای هر سرعت به‌طور جداگانه بررسی گردید.  میانگین کاهش دقت^[25] در آزمون جنگل‌های تصادفی نشان می‌دهد که کدام پارامتر بیشتر فردویژه است. پارامترهایی که در تمایز گویندگان نقش بیشتری دارند، عدد کاهش دقت میانگین بالاتری دارند. این تحلیل کمک می‌کند تا مشخص شود کدام فرکانس سازه‌ها در هر سرعت گفتاری قدرت بیشتری در شناسایی گوینده دارند.

۴. گزارش نتایج

در این بخش ابتدا گزارش توصیفی مربوط به مقادیر میانگین و انحراف معیار فرکانس سازه­های اول تا چهارم در سه سرعت گفتاری  ارائه می­شود. سپس، در ادامه با استفاده از آزمون تحلیل واریانس چندمتغیره تاثیر سرعت گفتار بر فرکانس سازه‌های اول تا چهارم بررسی می‏شود. پس از آن نیز، با استفاده از مدل جنگل­های تصادفی توانایی هر پارامتر موردبررسی در سرعت­های گفتاری مختلف تجزیه و تحلیل می­شود.

۱-۴. تحلیل توصیفی تغییرات آکوستیکی میان سرعت­های مختلف

جدول (1) آمار توصیفی سرعت‌های گفتاری مختلف را بر حسب دیرش هجا (میلی‌ثانیه) نشان می‌دهد. همچنین، در جدول (2) آمار توصیفی مربوط به هر کدام از پارامترهای آکوستیکی موردبررسی یعنی فرکانس سازة اول، فرکانس سازة دوم، فرکانس سازة سوم فرکانس سازة چهارم به تفکیک هر کدام از سرعت­های گفتاری مورد بررسی (آهسته، عادی و سریع) ارائه شده است.

همانگونه که جدول (1) نشان می­دهد دیرش هجا در سرعت­های گفتاری مختلف متغیر بوده است. دیرش هجا در سرعت آهسته بیشترین و در حالت سریع کمترین مقدار را داشت.  بر اساس نتایج جدول (2)، میانگین فرکانس سازة اول در هر سه سرعت تغییرات کمی دارد، به‌طوری‌که در سرعت آهسته کمی بالاتر از سرعت عادی است، اما در حالت سریع مجدداً اندکی افزایش می‌یابد. انحراف معیار این سازه نشان‌دهندة پراکندگی قابل‌توجهی در داده‌ها، به‌ویژه در سرعت آهسته، است.

در مورد فرکانس سازة دوم، میانگین در سرعت آهسته بالاترین مقدار را نشان می‌دهد و در سرعت عادی و سریع کاهش می‌یابد. پراکندگی داده‌ها در این سازه با توجه به انحراف معیار، در سرعت عادی و سریع نسبتاً مشابه است، اما در سرعت آهسته تفاوت بیشتری وجود دارد. فرکانس سازة سوم میانگین بسیار نزدیکی در هر سه سرعت دارد و تغییرات کمی را نشان می‌دهد. انحراف معیار نیز در هر سه سرعت مقدار مشابهی دارد که نشان‌دهندة یکنواختی نسبی در پراکندگی داده‌ها است. فرکانس سازة چهارم نیز در سرعت‌های مختلف تغییر اندکی دارد، به‌طوری‌که در سرعت آهسته کمی بالاتر از سایر سرعت‌ها است. انحراف معیار این سازه نشان می‌دهد که پراکندگی داده‌ها در سرعت‌های آهسته و سریع نسبتاً بالاست، اما در سرعت عادی کمی کمتر است.

4-2. بررسی معناداری تغییرات آکوستیکی فرکانس سازه­های اول تا چهارم میان سرعت­های مختلف

در ادامه به منظور بررسی تاثیر سرعت گفتار بر مقدار فرکانس سازه­های اول تا چهارم از آزمون تحلیل واریانس چندمتغیره استفاده شد. فرکانس سازه­های اول تا چهارم به­عنوان متغیر وابسته و سرعت گفتاری به­عنوان متغیر مستقل وارد آزمون تحلیلی شد. نتیجة این آزمون در جدول­های شمارة (3) آورده شده است. این جدول چهار عامل اصلی شامل درجة آزادی، میانگین مربعات، آمارة F و سطح معنی‌داری را برای هر سازه نشان می‌دهد.

همان­گونه که جدول شمارة (3)  نشان می­دهد سرعت گفتار تأثیر معناداری بر فرکانس سازه­های اول تا چهارم داشته است. اما به­منظور اینکه مشخص شود کدام سرعت­های گفتاری تفاوت معناداری با هم داشته­اند از آزمون تعقیبی توکی  (Tukey) استفاده کردیم. نتایج این آزمون نشان داد که برای فرکانس سازة اول میان سرعت گفتاری عادی و آهسته تفاوت معنادار نبوده است (p=0.080)؛ در حالیکه، در سایر مقایسه­های دودویی (آهسته با عادی، آهسته با سریع) تفاوت معنادار بوده است  (p<0.001). برای فرکانس سازة دوم نتایج متفاوتی به­دست آمد. فرکانس سازة دوم میان سرعت عادی و سریع تفاوت معناداری نداشته است (p=0.060)؛ در حالی که، برای سایر مقایسه­های دودویی تفاوت معنادار گزارش شده است. به ­همین ترتیب، فرکانس سازة سوم نیز در مقایسة دودویی میان سرعت­های آهسته با عادی و همینطور سرعت آهسته با سریع تفاوتی معنادار نشان داده است؛ درحالیکه، تفاوت آن میان سرعت عادی با سریع معنادار نبوده است p=0.498)). در رابطه با فرکانس سازة چهارم، همة تفاوت­ها (آهسته با عادی، آهسته با سریع و عادی با سریع) معنادار گزارش شده است (p<0.001). همچنین آمارة F نشان ­می­دهد کدام پارامتر آکوستیکی بیشترین تأثیرپذیری را در سرعت­های گفتاری مختلف داشته است. هر چه مقدار این آمار بالاتر باشد بدان معناست که آن پارامتر بیشتر تحت­تأثیر عامل سرعت گفتار بوده است. با نگاهی به مقادیر این آماره در جدول (3)، مشخص است که مقدار آمارة F برای فرکانس سازة دوم نسبت به سایر سازه­ها بیشتر است. این نتیجه نشان می­دهد که فرکانس سازة دوم بیشترین تأثیرپذیری را در سرعت­های گفتاری مختلف داشته است.

4-3. اندازه­گیری میزان فردویژگیِ فرکانس سازه­های واکه­های در سرعت­های مختلف

برای اندازه‌گیری میزان توانایی پارامترهای آکوستیکی مورد بررسی در شناسایی گوینده در سرعت‌های مختلف گفتار، از روش اهمیت ویژگی مدل جنگل تصادفی استفاده شد. این روش به‌طور خاص بررسی می‌کند که کدام ویژگی‌ها (در این تحقیق، فرکانس‌های سازه‌های اول تا چهارم) بیشترین تأثیر را در تمایز بین گویندگان دارند. اهمیت ویژگی‌ها معمولاً بر اساس میانگین کاهش دقت اندازه‌گیری می‌شود. میانگین کاهش دقت معیاری است که در مدل‌های جنگل‌های تصادفی برای سنجش اهمیت ویژگی‌ها استفاده می‌شود. این معیار با اندازه‌گیری تأثیر حذف هر ویژگی بر دقت پیش‌بینی مدل تعیین می‌شود. به عبارت دیگر، برای هر ویژگی، دقت مدل پس از حذف آن ویژگی محاسبه شده و تفاوت آن با دقت مدل اصلی به‌عنوان مقدار میانگین کاهش دقت در نظر گرفته می‌شود. ابتدا این آزمون بدون در نظر گرفتن تعامل میان سرعت گفتار و فرکانس سازه‌ها برای مجموع سرعت­ها اجرا شد. سپس به منظور بررسی دقیق‌تر، آزمون برای هر سرعت گفتاری به‌صورت جداگانه انجام گرفت تا میزان تأثیر هر یک هر یک از فرکانس سازه‌ها در تشخیص گوینده مشخص شود. جدول (4)، درصد درستی تشخیص را برای هر پارامتر، هم در مجموع سرعت­ها و هم به تفکیک سرعت گفتاری، نشان می‌دهد. این درصدها بر اساس مقدار میانگین کاهش دقت محاسبه شده‌اند. مجموع مقادیر میانگین کاهش دقت برای تمامی ویژگی‌ها (فرکانس سازه‌های اول تا چهارم) در هر گروه (آهسته، عادی، سریع و نیز مجموع سرعت‌ها) محاسبه شد. سپس درصد هر ویژگی با استفاده از فرمول 1 که در آن    نمایانگر میانگین کاهش دقت برای ویژگی  و _totalA نمایانگر مجموع دقت‌های مدل در حالت اصلی است، تعیین گردید.

فرمول 1- محاسبة درصد کاهش دقت برای ویژگی 𝑖 بر اساس میانگین کاهش دقت

Formula 1- Calculation of the accuracy decrease percentage for feature 𝑖 based on mean decrease in accuracy

    این روش برای تمام گروه‌ها اعمال شد تا سهم نسبی هر ویژگی از میانگین کاهش دقت در هر گروه مشخص شود. این مقادیر نشان‌دهندة اهمیت نسبی هر ویژگی در کاهش دقت میانگین  مدل بوده و توضیحات لازم برای تکرارپذیری کامل ارائه شده است.

همان­گونه که نتایج مندرج در جدول شمارة (4) نشان می­دهد، میزان فردویژگی فرکانس سازه­ها در سرعت­های گفتاری مختلف تغییراتی داشته است. در سرعت گفتاری آهسته، فرکانس سازة اول با 34.08 درصد بیشترین اهمیت را در کاهش میانگین دقت داشته­اند. پس از آن فرکانس سازة سوم با سهم 25.40 درصد بهترین عملکرد را از خود نشان داده است. در سرعت گفتاری عادی، فرکانس سازة سوم و چهارم به ترتیب با 31.14 درصد و 28.10 درصد عملکرد مطلوبی داشته­اند. در سرعت گفتاری سریع نیز، فرکانس سازة سوم با با 28.19 درصد و پس از آن فرکانس سازة چهارم با 27.13 درصد نسبت به سایر فرکانس سازه­ها در نشان­دادن تغییرات فردویژه بهتر عمل کرده­اند. همچنین، در صورت در نظر گرفتن کل سرعت­های مختلف بدون تفکیک آن­ها، این فرکانس سازة سوم بوده است که با 27.99 درصد نسبت به سایر پارامترها بهتر عمل کرده است و پس از آن نیز فرکانس سازة چهارم با 27.30 عملکرد خوبی از خود نشان داده است. به­طور خلاصه می­توان ابراز داشت در سرعت گفتاری‌ آهسته، سهم فرکانس سازة اول و سوم بالاتر است؛ در حالیکه، در سرعت‌های عادی و سریع، سازه‌های سوم و چهارم اهمیت بیشتری پیدا می‌کنند. در حالت مجموع، فرکانس سازه‌های سوم و چهارم بیشترین سهم را دارند، که نشان‌دهندة نقش مهم‌تر این سازه‌ها در ترکیب داده‌ها است. شکل (1) نمایش گرافیکی توان پارامترهای موردبررسی در سرعت­های گفتاری موردبررسی را به تصویر می­کشد. 

شکل 1- نمودار میله­ای نشانگر توانایی پارامترهای آکوستیکی فرکانس سازه­های اول تا چهارم در سه سرعت گفتاری مختلف (سرعت گفتاری عادی با رنگ نارنجی، آهسته با آبی و سریع با خاکستری نشان داده است)

Figure 1- Bar graph showing the ability of the acoustic parameters of the first to fourth formant frequencies at three different speaking rates (normal speaking rate is shown in orange, slow in blue and fast in gray)

 5. بحث و بررسی

در پژوهش حاضر، تأثیر سرعت گفتار بر فرکانس سازه‌های اول تا چهارم واکه‌های زبان فارسی در پیکره‌ای آوایی با تغییرات درون‌گوینده‌ای ناشی از سرعت گفتار مورد بررسی قرار گرفته است. هدف اصلی این مطالعه در دو گام دنبال شد: ابتدا، بررسی معناداری تفاوت فرکانس سازه‌های اول تا چهارم در سرعت‌های گفتاری آهسته، عادی و سریع بود. در این گام همچنین به دنبال یافتن سازه‌هایی بودیم که بیشترین تأثیر را از عامل سرعت گفتار می‌پذیرند. سپس، در گام دوم، هدف این بود که مشخص شود آیا میزان فردویژگی فرکانس سازه‌ها تحت تأثیر سرعت گفتار قرار می‌گیرد یا خیر؛ به عبارت دیگر، بررسی شد که آیا تأثیر سرعت گفتار بر فرکانس سازه‌ها در بین گویندگان مختلف متفاوت است یا خیر.

بر اساس نتایج این پژوهش، فرکانس سازه­ها در سرعت­های گفتاری مختلف تغییرات معنادار داشته­اند، هرچند میزان این تغییر در سازه‏های مختلف یکسان نبوده است. فرکانس سازة دوم بیشترین حساسیت را به عامل سرعت گفتاری نشان داده است. این نتیجه همراستا با یافته­های ویسمر و بری (2003) است که نشان دادند فرکانس سازة دوم به­ویژه تغییرپایانة این سازه یک شاخص قوی در نشان­دادن تغییرات سرعت گفتاری میان گویندگان است. همچنین، پیترمن (2000) نیز در پژوهش خود نشان داد که فرکانس­ سازة دوم در سرعت­های بالاتر تغییر می­کنند، اگرچه این پژوهش تنها بر روی دو گویشور انجام شده است، اما دامنة سرعت‌های گفتاری بررسی‌شده تا حدود ده سرعت مختلف بود.  فرکانس سازة دوم با میزان پیشین­بودن یا پسین­بودن واکه در ارتباط است (مدرسی­قوامی؛ 1393). به­عبارتی، هرچه واکه پیشین­تر باشد، میزان فرکانس سازة دوم آن بیشتر، و هرچه واکه پسین­تر باشد میزان فرکانس سازة دوم  آن کمتر است. بر اساس نتایج این پژوهش، میانگین فرکانس سازة دوم در سرعت گفتاری آهسته نسبت به سرعت گفتاری عادی بیشتر و این میزان در گفتار عادی نیز نسبت به سریع بالاتر بوده است. این احتمال می‌رود که در حالت گفتار آهسته، گویندگان واکه‌ها را در مجموع پیشین‌تر تلفظ کرده‌اند، خصوصاً در رابطه با واکة  پسین /ɑ/ این احتمال وجود دارد، یا اینکه گویندگان تمرکز بیشتری در تولید واکه‌های پیشین برای انتقال مفاهیم داشته‌اند. با توجه به اینکه فرکانس سازة دوم در انتقال پیام زبان‌شناختی و تفکیک واکه‌ها اهمیت دارد، گزینة دوم محتمل‌تر به نظر می‌رسد؛ زیرا در حالت آهسته، کنترل گویندگان بر حرکات تولیدی اندام‌های گویایی بیشتر است و ازآنجاکه تمرکز بیشتر بر انتقال پیام زبانی است، گویندگان بر این دسته از واکه‌ها تأکید بیشتری داشته‌اند. بر اساس نتایج، فرکانس سازة اول کمترین تأثیرپذیری را از سرعت گفتار داشته است. این سازه که با میزان افراشتگی زبان و بازبودن دهان در ارتباط است (نوربخش، 1392؛ مدرسی­قوامی، 1393)، کمترین حساسیت را نسبت به سرعت گفتار از خود نشان داده است. این نتیجه نشان می­دهد که گویندگان به­هنگام صحبت در سرعت­های گفتاری مختلف بیشتر بر مشخصة پیشین و پسین­شدگی واکه تمرکز کرده­اند که اثرات آن در فرکانس سازة دوم نمایان می­شود. همچنین، با توجه به اینکه این دو سازه نقش مهمی در تمایز واکه‌ها دارند، به نظر می‌رسد که گویندگان در بافت‌هایی که فهم‌پذیری مطلب اهمیت دارد مانند سرعت‌های گفتاری متفاوت، الگوی پایدارتری در سازة اول دارند؛ درحالی‌که، سازة دوم بیشتر تحت تأثیر تغییرات سرعت گفتار قرار گرفته است.

در بررسی میزان فردویژگی فرکانس سازه­ها، نتایج نشان داد پتانسیل این پارامترها در سرعت­های گفتاری گوناگون دستخوش تغییراتی می­گردد. در سرعت گفتاری آهسته، فرکانس سازة اول و فرکانس سازة سوم بهترین عملکرد را داشته­اند. فرکانس سازة اول همانگونه که پیشتر نیز ذکر شد با افراشتگی زبان و نیز میزان بازبودن دهان در ارتباط است. هرچه زبان افراشته­تر باشد میزان این سازه پایین­تر است و هرچه مجرای دهان در تولید واکه بازتر باشد میزان این سازه بیشتر است.  با نگاهی به آمار توصیفی این پژوهش مشخص است که میانگین فرکانس سازة اول در سرعت گفتاری آهسته 563.22، در سرعت گفتاری عادی 557.085 و در سرعت گفتاری سریع 576.54 است. به­عبارتی، در حالت گفتار سریع، میزان فرکانس سازة اول بیشتر از حالت عادی و آهسته است. همچنین در حالت آهسته نیز این میزان نسبت به حالت عادی بیشتر بوده است. بر این اساس می­­توان نتیجه گرفت که گویندگان در حالت­های گفتاری آرام و سریع، درجة افراشتگی زبان کمتری و در عین حال مجرای دهان بازتری داشته­اند. با توجه به اینکه فرکانس سازة اول در سرعت گفتاری آهسته حامل ویژگی­های فردویژة بیشتری بوده است این بدان معناست که گویندگان در حالت گفتاری آهسته رفتار متفاوتی در میزان افراشتگی زبان و نیز بازکردن دهان از خود نشان داده است که تجلی آن در فرکانس سازة اول پدیدار گشته است و موجب شده است این پارامتر مشخصه­های گوینده­محور را بهتر نشان دهد.

بر اساس نتایج، در سرعت‌های گفتاری عادی و سریع، فرکانس سازة سوم و چهارم نسبت به سایر سازه‌ها در نشان‌دادن تغییرات فردویژه عملکرد بهتری داشته‌اند. همچنین، در مجموع، زمانی‌که کل سرعت‌های گفتاری با هم در نظر گرفته شدند، باز هم فرکانس سازة سوم و پس از آن فرکانس سازة چهارم بهترین عملکرد را داشتند. پژوهش‌های پیشین نیز بر فردویژگی فرکانس سازه‌های سوم و چهارم و نقش ویژة آن‌ها در شناسایی گوینده تأکید کرده‌اند (Goldstein, 1976; Alderman, 2005; Gold et al., 2013; McDougall, 2004; McDougall, 2006; Jessen & Becker, 2010). در پژوهشی هم که توسط اسدی و همکاران (2018) به روش بلندمدت انجام شد نشان داده شد که فرکانس سازة سوم و چهارم دو پارامتر قدرتمند در نشان­دادن تمایزات فردویژه میان گویندگان مرد و زن فارسی­زبان هستند. بر این اساس، می‌توان اظهار داشت که این سازه‌ها در سرعت‌های گفتاری مختلف همچنان فردویژگی خود را حفظ کرده‌اند و این یافته بر بهینه‌بودن نقش این پارامترها در شناسایی گوینده صحه می‌گذارد.

این پژوهش محدودیت هایی نیز دارد. داده های آوایی تنها از صدای هجده مرد فارسی زبان استخراج شده است. بررسی تأثیر سرعت گفتار در پیکره‌های آوایی بزرگ‌تر و همچنین در صدای زنان می‌تواند به داده‌های جامع‌تر و نتایج تعمیم‌پذیرتری منجر شود. با این حال، یافته‌های این پژوهش کاربردهای مهمی در زمینه‌های مختلف از جمله فناوری‌های پردازش گفتار، شناسایی گوینده و مطالعات زبان‌شناختی دارد. توجه به ویژگی‌های آکوستیکی واکه‌ها و همینطور همخوان­ها در سرعت‌های مختلف گفتاری می‌تواند هم به بهبود سیستم‌های شناسایی گفتار کمک کرده و هم در مطالعات بین‌گوینده‌ای و درون‌گوینده‌ای برای درک بهتر تفاوت‌های فردی مؤثر باشد.

6. 6. نتیجه

پژوهش حاضر به بررسی تأثیر سرعت گفتار بر فرکانس سازه‌های اول تا چهارم واکه‌های زبان فارسی و میزان فردویژگی این پارامترها در سرعت‌های گفتاری مختلف پرداخت. نتایج نشان داد که سرعت گفتار تأثیر معناداری بر فرکانس سازه‌ها دارد، و این تغییرات بر توانایی این پارامترها در نشان­دادن مشخصه­های فردویژه نیز تأثیرگذار هستند. نتایج نشان داد که فرکانس سازة دوم بیشترین حساسیت را به تغییرات سرعت گفتار نشان داده است. در مقابل، فرکانس سازة اول کمترین تأثیرپذیری را از سرعت گفتار داشته است؛ که این امر نشان‌دهندة پایداری نسبی این سازه در سرعت‌های مختلف و تأکید گویندگان بر حفظ تمایز زبانی واکه‌ها از طریق مشخصه‌های دیگر مانند پیشین و پسین بودن است. در ارتباط با میزان فردویژگی فرکانس سازه‌ها، نتایج نشان داد که فرکانس سازة اول در سرعت آهسته بیشترین ویژگی‌های فردمحور را نمایان می‌کند. این امر به رفتار متفاوت گویندگان در میزان افراشتگی زبان و بازکردن دهان در این سرعت گفتاری نسبت داده شد. در مقابل، فرکانس سازه‌های سوم و چهارم در سرعت‌های گفتاری عادی و سریع عملکرد بهتری در نشان‌دادن ویژگی‌های فردی گویندگان داشتند. این نتیجه نشان می­دهد که این پارامترها در سرعت‌های مختلف گفتاری همچنان ویژگی‌های فردمحور خود را حفظ می‌کنند. نتایج این مطالعه نه تنها از نظر آواشناسی آکوستیکی می­تواند اهمیت داشته باشد، بلکه می­تواند کاربردهای بالقوه‌ای در زمینه‌هایی مانند آموزش زبان، شناسایی گوینده و تکنولوژی‌های تبدیل متن به گفتار نیز داشته باشد. پژوهش‌های آتی می‌توانند با افزایش اندازه نمونه، بررسی عوامل بیشتر و استفاده از مدل‌های پیچیده‌تر، به بررسی این عامل تأثیرگذار بپردازند.

[1] speaker-specific information (indexical information)

[2] forensic voice comparison

[3] Gay, T.

[4] Hirose, H.

[5] electromyography

[6] Shaiman. S

[7] lip protrusion

[8] Weismer. G

[9] Berry. J

[10] Formant trajectories

[11] F2 offset

[12] Pitermann. M.

[13] Tjaden, K.

[14] Wilding, G.

[15] Agwuele, A.

[16] F2 Onset

[17] Mefferd, A. S.

[18] Green, J. R.

[19] BonnTempo

[20] Praat

[21] این درگاه، با ارائه امکان تقطیع خودکار داده‌های آوایی، به­ویژه برای زبان فارسی، ابزاری کاربردی برای پژوهشگران و توسعه‌دهندگان در حوزة پردازش زبان طبیعی فراهم کرده است. این قابلیت از طریق آموزش گسترده بر روی داده‌های صوتی فارسی در دو سال اخیر محقق شده است.

[22] Multivariate Analysis of Variance

[23] Random Forest

[24] Feature Importance

[25] Mean decrease in accuracy