【正文】 ...........................................8 本章小結 .............................................................................................................. 10 3 基于 Matlab 基音周期的檢測 ...................................................................................11 語音文件的錄制與讀入 ......................................................................................... 11 語音信號的采樣和分幀 ......................................................................................... 12 語音信號基音周期的檢測 ...................................................................................... 16 短時自相關函數法檢測基音周期 .................................................................. 16 短時平均幅度差函數法檢測基音周期 ........................................................... 17 基音周期檢測的后處理 ......................................................................................... 19 濾波后的基音周期檢測 ......................................................................................... 23 本章小結 .............................................................................................................. 25 4 語音識別結果分析 .................................................................................................... 26 5 展望與應用 ................................................................................................................. 30 附錄 ................................................................................................................................. 33 致 謝 ............................................................................................................................. 39 攀枝花學院本科畢業(yè)設計（論文） 1 緒論 1 1 緒論 引言 通過語言相互傳遞信息是人類最重要的基本功能之一。其次對現有的基音檢測算法進行了歸納和總結，并詳細的介紹本文將用的兩種基本基音檢測算法的基本原理及實現。但其前提和基礎是對語音信號的分析，語音識別率的高低取決于對語音信號分析的準確性和精度。特征參數應能完全，準確地表達語音信號，那么特征參數也應能完全，準確地表達語音信號所攜帶的全部信息?；糁芷谛畔⒌膽煤軓V發(fā)，如：語音識別，說話人識別，語音分析與綜合以及低碼率語音編碼，發(fā)音系統(tǒng)疾病的診斷，聽覺殘障者的語言指導等。 第 2章：詳細介紹兩種常用的 基音檢測算法及其原理，并進行優(yōu)缺點分析。 常用的基音檢測算法及其原理 自相關函數法 預處理 語音的濁音信號具有準周期性，其自相關函數在基音周期的整數倍處取最大值。 短時自相關函 數有以下重要性質： ①如果 ??()sn 是周期信號，周期是 P ，那么 ()R? 也是周期信號，且周期同樣是p，就有 ( ) ( )R R P????。 通常 N的選擇與語音的基音周期相關聯系，一般要求窗長為幾個基音周期的數量級。實驗證明：靜音環(huán)境環(huán)境下或是噪聲較小時， AMDF 法的檢測結果比較好；語音環(huán)境惡劣或信噪比較低情況下，檢測的效果就比較差，準確度不高。.39。)。 axis([0,1711,1,1])。 else a(k)=0。 得到的結果如下： 攀枝花學院本科畢業(yè)設計（論文 ） 3 基于 Matlab 基音周期的檢測 16 圖 中心削波前和中心削波后的波形 語音信號基音周期的檢測 短時自相關函數法檢測基音周期 對每一幀信號進行自相關運算程序如下： x=wavread(39。)。 stem(b1,39。在大多數都能吻合的情況下，其余那些落在正常軌跡之外的，通常是偏離到正常值的 2倍或 1/2處，即實際基音頻率的倍頻或分頻處，稱這種偏離點為基音軌跡的“野點”。 w=[]。 figure(1) subplot(511) plot(zhouqi)。 xlabel(39。 x=[ones(1,1)*x(1) x ones(1,1+1)*x(len)]39。 N1=2*pi*(*pi) wc1=2*pi*fc1/fs。 本章小結 本章介紹在 Matlab 上程序的實現，先進行采樣語音信號，再對自相關函數法和平均幅度差法進行了 Matlab 的實現，并且進行了比較，隨后又把采樣語音信號進行濾波處理再進行基音周期的檢測，跟之前的進行比較，可以看出，檢測精度有明顯的提高。識別時，對語音信號進行特征分析，再計算與模板的差距，選出最小偏差當作輸出結果。 表 1一：（ C(n)表示基音周期，單位 ms） （注解：表中的數據按幀排列） 然后進行如下處理，求平均值： ??? 1 )(1 n nCnr （ ） 將這些 C(n)帶入公式（ ）進行計算，得出的結果約為 ,即就是小張的基音周期為 . 攀枝花學院本科畢業(yè)設計（論文 ） 4 語音識別結果分析 29 表二：（ C(n)表示基音周期，單位 ms） （注解：表中數據按幀排列） 將 C（ n)帶入到公式（ ）中計算，得出的結果大概是 ,所以小王的基音周期為 . 通過數據的對比，我們可以看出，語音信號的不穩(wěn)定性，不過每個人都有其獨特的語音特征參數，兩個人擁有獨特的基音周期，從而我們就能很清楚的判定兩個人誰是誰了?，F在的噪音污染相當嚴重的，就無法避免噪音的干擾；時時處處都能碰到其他人，而在你使用語音時別人也在說話；還有現在科技發(fā)達，我們更多的使用無線網絡，在環(huán)境存在很多的磁場，也會使得語音信號受到干擾，所以這就需要我們的說話人的特征具有獨特且可靠的參數供識別，同時我們更需要提高我們的語音識別技術，讓它更發(fā)達，能更好的免除這些干擾的影響。 [2] 易克初，田斌，付強．語音信號處理 [M]．北京：國防工業(yè)出版社。 為了提高基音檢測的準確性，降低計算復雜度，人們已經從基于事件的檢測方法和非基于事件的檢測方法出發(fā) ,開發(fā)了許多基音檢測算法。所以這些高層次的信息就必須具備平穩(wěn)性。本論文采用的是基音周期的檢測來識別說話人?；糁芷谥淮嬖谟跐嵋舨糠?，而且準確穩(wěn)定的基因周期較難提取，基音周期及其派生參數攜帶有較多的個人信息。 title(39。%做原始語音信號的時域圖形 title(39。 end y=zeros(len,1)。五點中值平滑和 5點線性平滑組合‘） subplot(514） ,plot(zhouqi3)。 end v=v(:）； v1=vzhouqi2。%f‘）； fclose（ fid)。 plot(A)。39。 T=N/8。)。 for k=1:L。 subplot(2,1,1)。%讀取聲音文件 x=x(11001:220xx)。39。對于濁音信號，在周期整數倍上，這個差值不為零，但也小，就 可以采用計算短時平均幅度差函數中兩相鄰谷值間的距離進行基音周期估值。輔助參數主要有 :語音信號能量；過零數；自 相關函數；線性預測系數。一般在不損失基音信息的前提下，盡可能的選的高一些，能達到好的效果。 基于事件的檢測方法是通過定位聲門閉合時刻來對基音周期進行估 計，而不是對語音信號進行短時平穩(wěn)假設，主要有小波變換方法和 HilbertHuang 變換方法這兩種。另一方面因為語 音信號的波形受共振峰、噪音等因素的影響。語音信號還是隨著一些因素在變化的，男人聲音低，就基音頻率低，女基音頻率還跟隨著人的性別、年齡不同而有所不同。在這些參數中，基音周期的提取顯得更重要些，其提取的準確與否直接影響到語音識別是否真實再現原始語音信號的頻譜。語音信號處理的一系列技術及其應用已經成為信息社會中不可或缺的組成部分，促進了信息社會的發(fā)展。語音識別率的高低，都依賴于對語音信號分析的準確性和精確性，因此基音周期的研究在語音信號的處理應用中具有十分重要的作用。語音識別技術是一項集聲學，語音學，計算機，信息處理，人工智能計算機接口的范疇。在基音提取時，容易錯誤的提取真正基頻兩倍的頻率（倍基音）和基頻一攀枝花學院本科畢業(yè)設計（論文） 1 緒論 2 半的頻率（半基音），至于產生哪種錯誤 隨抽取方法而變化，本論文中會介紹兩種比較好的算法來進行基音檢測。這種聲帶振動的頻率稱為基音頻率，相應的周期就成為基音周期。 ，或者怎樣直接去除只和聲帶震動有關的音源信息，這些都并非易事。語音信號是典型的時變、非平穩(wěn)信號，但是，由于語音的形成過程是 與發(fā)音器官的運動密切相關的，而這種物理運動要比聲音振動速度要緩慢得多，因此語音信號常常被假定為短時平穩(wěn)的，即在短時間內，其頻譜特性和某些物理特征參量可近似地看作是不變的，非基于事件的檢測方法正是利用語音信號短時平穩(wěn)性這一特點，先將語音信號分為長度一定的語音幀，然后對每一幀的語音求基音周期。下面介紹的是中心削波法。所以要選擇適當的 N 值。常常會出現檢測的結果是實際結果的 2 倍或者 1/2,就使得基音檢測相當困難。 “我 到北京去” 錄音（按 鍵），然后到 23 秒時停止（按鍵）； C:/Matlab/work 中，文件名為 ， ，采樣頻率選 11KHz， 16 位，單聲道； 攀枝花學院本科畢業(yè)設計（論文 ） 3 基于 Matlab 基音周期的檢測 12 2． 打開 Matlab 并新建一 .m文件； .m文件中用 y=wavread(‘’)命令讀入語音文件。 打開 Matlab，運行： x=wavread(39。 for i=1:L。)。 title(39。 end end p=Rm(10:n)。各幀基音周期 39。 end s=x(11001:220xx)。rt39。v(3)=0。 xlabel(39。sorry,no matrix here!:(39。 x1=x(11001:220xx)。 x_low= filter(b1,1,x1)。先天的差異主要表現在語音的共振峰頻率高低，帶寬的大小，平均基頻，頻譜基本形狀的斜率等，后天的差異表現在基頻，共振峰頻率的時間圖案，單詞的時間長短。 3）說話人識別的最終目的不是注重說人的內容，故在識別時方法就有所不同，這其中就包括用以比較的幀和幀長的選定，識