【文章內(nèi)容簡介】 中的一個非常重要的環(huán)節(jié)而且必不可少的。有效的端點檢測技術(shù)不僅能減少系統(tǒng)的處理時間、提高系統(tǒng)的處理實時性，而且能排除無聲段的噪聲干擾，從而使后面工作的性能得以較大提高 [5],[6]。 隨著越來越多的學(xué)者對語音端點檢測技術(shù)的關(guān)注 ,大量的新的語音端點檢測算法相繼被提出，而基于同一種算法又有不同的方法。 例如對于熵值參數(shù)特征的檢測算法，有基于信息熵 [7],[8]、基于自適應(yīng)子帶譜熵 [9]、子帶二次譜熵 [10]、基于小波能量熵 [11]、基于樣本熵等的方法 [12]。信息愈來愈趨近多樣化。同樣也有檢測不同參數(shù)特征相結(jié)合來進(jìn)行語音端點檢測 [13]，比如倒譜的方法 [14],[15]和熵譜相結(jié)合而形成的算法 [16]。 盡管算法和方法多種多樣，都是為了更簡便、更易于實現(xiàn)、運算量小、魯棒性好等特點，并且對于不同的信噪比具有較好的效果。 相關(guān)工作 隨著生活品質(zhì)的不斷提高，對聲控產(chǎn)品的要求越來越高?；谡Z音端點檢測的 識別系統(tǒng)則有不可替代的作用，在不同的聲控產(chǎn)品語音識別系統(tǒng)中，有效準(zhǔn)確地確定語音段端點不僅能使處理時間減到最小 ,而且能排除無聲段的噪聲干擾 ,從而使識別系統(tǒng)具有良好的性能。 通過大量的文獻(xiàn)調(diào)研與實際研究發(fā)現(xiàn) ,現(xiàn)有的各種語音信號端點檢測技術(shù)都存在各自的不足。對于語音信號在低信噪比時的端點檢測的研究有待進(jìn)一步深入研究。當(dāng)前，語音端點檢測技術(shù)還處于比較初級階段，許多領(lǐng)域還有待解決，還遠(yuǎn)遠(yuǎn)跟不上現(xiàn)代科技發(fā)展的腳步。 對于現(xiàn)在噪聲污染的環(huán)境的加重，還有信噪比的一直變化，語音端點檢測還有待更深一步的研究。我們常常尋求新的方 法，新的算法，或者在新算法上研究新的方法，更容易對人類聲音的識別，或者更適于人耳聽覺系統(tǒng)的算法。但這些算法都是基于一些舊的理論上研發(fā)出來的，因此這種領(lǐng)域是很第 1章 緒論 3 難有更大的進(jìn)步，但也正是考驗創(chuàng)新的能力 [17]。 根據(jù)語音信號參數(shù)的特點可以從兩個較大方向入手。一個是努力尋求新型的特征參數(shù) ,再一個就是利用現(xiàn)有的特征參數(shù)采用多特征融合。這兩大問題將是以后研究的主要對象 [18]。 本文主要研究內(nèi)容 第二章 ，簡述了語音信號的一些基礎(chǔ)知識，包括預(yù)處理、分幀、加窗。分析了語音信號的時域和頻域，介紹了幾種語音端點檢測算法，簡 述了我的實施方案。 第三章，從每一種算法的方程式入手，以原理簡便、運算量小等方面為標(biāo)準(zhǔn)，通過大量的文獻(xiàn)調(diào)研與實際研究，本課主題要研究語音起點和終點的檢測，以短時能量和短時過零率相結(jié)合的雙門限語音端點檢測算法以及倒譜分析和譜熵技術(shù)等進(jìn)行語音端點檢測，并分析各算法在低信噪比和高信噪比條件下的檢測效果進(jìn)行對比。 對這種信號進(jìn)行 Matlab 進(jìn)行編程，對于不同信噪比的聲音片段，最后用前后的噪聲信號進(jìn)行對比以得出結(jié)論。燕山大學(xué)本科生畢業(yè)設(shè)計（論文） 4 第 2 章 語音信號時頻域分析及預(yù)處理 語音信號處理包括語音識別、語音合成、語音編碼、說話人識別等方面 ，但是其前提和基礎(chǔ)是對語音信號進(jìn)行分析。語音端點檢測是語音識別系統(tǒng)的前期處理，而語音信號的分析則是語音端點檢測的前期處理。 語音信號簡述 通過對人們所說的語音進(jìn)行研究和對語音頻譜的分析，發(fā)現(xiàn)人們包括男女老少的語音頻譜很集中，大部分都集中在 300~3400Hz 范圍內(nèi)。我們可以對語音通過帶通濾波器來得到我們所需要的頻譜，就可以得到相應(yīng)頻譜所對的語音。然后對頻譜范圍內(nèi)的語音進(jìn)行采集采樣，一般是 8kHz 左右的采樣率，這樣我們就可以得到離散時域的語音信號。如果想要更為精準(zhǔn)的采樣或者更為完全的采樣域，我們可 以相應(yīng)的提高采樣率或者提高采樣范圍，現(xiàn)在的語音檢測現(xiàn)狀都不在時傳統(tǒng)的采樣率，而是調(diào)整為自適應(yīng)。 語音信號有另一個非常重要的特性，就是要保持它的短時特點，所有的關(guān)于信號處理都是基于它的短時特性而研發(fā)的。因為語音信號只有在短時內(nèi)才能保持它的穩(wěn)定和平滑。就如同我們經(jīng)常見到的短時能量、短時過零率，還有一些如同短時頻譜和短時自相關(guān)函數(shù)。我們在進(jìn)行語音處理過程中，所用到的參數(shù)都是短時內(nèi)的參數(shù)特征，因此在預(yù)處理過程，必須有使信號保持短時的過程，即分幀，就是分為一個一個的短時。常常分的幀為幾十毫秒，在這幾十毫秒內(nèi)，我們認(rèn)為 語音信號是保持平穩(wěn)的。 語音信號還有一個比較簡單的分類，是基于人類發(fā)音的音素所分類的。一般可以分為清音和濁音兩類。雖然中國與外國人的發(fā)音有所不同，但從音素上來說都是一樣的。如果從短時性上來分析，就會很直觀的發(fā)現(xiàn)清音和濁音的不同，一般來說，濁音在短時能量上擁有較高的波峰，而清音則一般就低一點。還有一類是無聲，而無聲是處于波谷。 語音信號分析 平常的語音信號處理包括一些語音識別、語音檢測、語音編碼、說話人第 2章 語音信號時頻域分析及預(yù)處理 5 識別等方面，這所有的檢測都是基于對語音信號的識別，所以必須先對人們所說語音信號進(jìn)行分析，則需要對語 音信號短時性的特征參數(shù)進(jìn)行提取分析。參數(shù)的提取，方法的創(chuàng)新，這都基于語音科技的發(fā)展。語音信號的處理歸根還是對語音短時內(nèi)的分析，語音端點檢測的好壞、語音識別的精準(zhǔn)度，這都根據(jù)語音信號分析的準(zhǔn)確度。 時域分析 從一般的語音信號處理仿真來看，橫坐標(biāo)都是為時間，所以說，語音信號是時域信號，經(jīng)常處理的語音信號也是基于時域來分析的，這種方法一般就是利用仿真的波形來處理。通常分析方法有基于短時能量、短時頻譜、短時過零率、短時自相關(guān)函數(shù)等，這些短時性參數(shù)更為直觀的顯示語音信號的特性，因此在語音信號數(shù)字處理技術(shù) 占有很重要的地位。 進(jìn)行語音信號分析時，先接觸到并且直觀的就是它的時域波形。時域分析常用于基本的參數(shù)分析，語音信號的分割、預(yù)處理與檢測。這種分析方法的特點有： (1)表示語音信號比較直觀、物理意義明確； (2)實現(xiàn)起來比較簡單、運算量少； (3)可得到語音的一些重要參數(shù)； (4)采用示波器通用設(shè)備進(jìn)行觀測等。取樣之后對信號進(jìn)行量化采樣，而量化過程會產(chǎn)生量化誤差，即量化后的信號與原信號之間的差值。 頻域分析 語音信號頻域分析，主要是對一些頻域參數(shù)進(jìn)行分析，常用一些頻域參數(shù)的有頻譜、功率譜等等，最常用頻域 分析的方法有傅立葉變換法、線性預(yù)測法等。 傅立葉變換法 傅里葉變換是語音信號頻域分析中最廣泛使用的方法，并且是分析線性系統(tǒng)和平穩(wěn)信號穩(wěn)態(tài)特性最有力的手段。對加窗分幀后的語音信號，進(jìn)行傅里葉變換后再逆傅里葉變換，可以相應(yīng)的得到頻譜、功率譜、倒譜距離、熵譜等特征。由于語音信號的特性是隨著時間變化，所以采用短時傅里葉變換，相應(yīng)的求得的特征為短時頻域特征，這里的窗函數(shù)都采用漢明窗。 (1)短時頻譜和短時功率譜 設(shè)信號 )(mxn 經(jīng)過傅里葉變換后在頻域記燕山大學(xué)本科生畢業(yè)設(shè)計（論文） 6 為 )( jwn eX ，則 )( jwn eX 與 )(mxn 關(guān)系如公式 (21)： jw mNm njwn emxeX ????? )()(10 (21) 語音的頻譜為 )( jwn eX 的幅度，則有： )()( jwnjwn eXep ? (22) 語音的短時功率譜的是幅度的平方，其公式為： 2)()( jwnjwn eXeG ? (23) (2)倒譜距離 語音信號的倒譜分析是通過同態(tài)處理來實現(xiàn)的。同態(tài)信號處理也稱為同態(tài)濾波，是將非線性問題轉(zhuǎn)為線性問題進(jìn)行處理的方法。由于語音信號可以視為聲門激勵信號和聲道沖擊響應(yīng)進(jìn)行的卷積，隨后可以對語音信號進(jìn)行解卷。倒譜能很好表示語音的特征，在噪聲環(huán)境下，可通過倒譜系數(shù)而求得倒譜距離，使用倒譜距離來作為語音端點檢測的特征。信號的倒譜也可以定義為信號的能量譜密度函數(shù)的對數(shù)的傅里葉級數(shù)展開式的系數(shù)，見式 24： jn wn encws??????? )()(log (24) nc 即為倒譜系數(shù)，通過倒譜系數(shù)求得倒譜距離 cepd 為： ?? ???? pncep ncd 1 202001 ))()((2))()(( (25) (3)熵 熵 (用 H 表示 )是物質(zhì)的概率程度的一種反映。熵 H 代表 X 的信息量，當(dāng) X 的分布概率相等時，熵取最大值，也就是說， X 的概率分布越隨機(jī)，越難判斷， H 值也就越大。設(shè) X 是取有限個值的隨機(jī)變量則 X 取 ix 的概率函數(shù)通常表示為： ? ?ii xXpp ?? ni ??2,1? (26) 則 X 的熵為： ini i ppH log1???? (27) 第 2章 語音信號時頻域分析及預(yù)處理 7 線性預(yù)測法 線性預(yù)測分析 的基本原理如下 ： 語音信號分幀采樣后，各個語音樣點之間存在著聯(lián)系，可以用前幾幀的采樣點來預(yù)測當(dāng)前幀或者后幾幀的樣點值，即可以用先前的幀的參數(shù)值通過線性組合來近擬后面的幀的采樣值。這樣通過抽樣和線性組合得到的采樣值只有唯一的組合系數(shù)。這組預(yù)測系數(shù)就反應(yīng)了語音信號與噪聲不同的參數(shù)特征，根據(jù)這種參數(shù)特征，就可以進(jìn)行 語音端點檢測和語音識別等一系列語音信號的處理。 將線性預(yù)測應(yīng)用與語音信號 分析 ，不 僅 僅是因為它的預(yù)測功能，而且更為 重要的是 由于 它 可以 提供一個非常好的聲道模型 和 模型參數(shù)估計方法。線性預(yù)測的原理 與 語音信號數(shù)字模型相關(guān) 。 語音信號分析處理 為了消除人類發(fā)聲器官本身和一些采集語音信號的設(shè)備等所引發(fā)的混疊、高次諧波失真現(xiàn)象，在對語音信號進(jìn)行分析及處理之前，須對其進(jìn)行預(yù)處理。語音信號的預(yù)處理應(yīng)保證處理后得到的信號更平滑、均勻，而且能提高語音的質(zhì)量。 預(yù)加重 在進(jìn)行語音信號數(shù)字處理時， 它們的功率譜隨 頻率的增加而減小，其大部分能量集中在低頻范圍內(nèi)。這就造成消息信號高頻端的信噪比可能降到不能容許的程度。但是由于消息信號中較高頻率分 量的能量小，很少有足以產(chǎn)生最大頻偏的幅度，因此產(chǎn)生最大頻偏的信號幅度多數(shù)是由信號的低頻分量引起。平均來說，幅度較小的高頻分量產(chǎn)生的頻偏小得多。 為此在預(yù)處理中先進(jìn)行預(yù)加重處理。目的是提升高頻部分，使信號變得平坦、平滑，使之不僅在低頻而且在高頻的整個頻帶中，可以用相同信噪比求頻譜如圖 : 語音信號 圖 語音信號的預(yù)處理 預(yù)加重是在語音信號數(shù)字量化之后，用具有 6dB/倍頻程的提升高頻特性的預(yù)加重數(shù)字濾波器來實現(xiàn)，它通常是一階的數(shù)字濾波器： 采樣 量化 預(yù)加重 加窗分幀 參數(shù)提取 燕山大學(xué)本科生畢業(yè)設(shè)計（論文） 8 11)( ??? zzH ? (28) 式中 ? 的取值一般取 1 左右。 有時需要恢復(fù)原信號，需要從做過預(yù)加重的信號來求實際的頻譜，需要對測量值進(jìn)行去加重處理，即加上 6dB/倍頻程的下降的頻率特性來恢復(fù)原來的特性。 加窗分幀 語音端點檢測首先要進(jìn)行 加窗 分幀處理，然后依次判斷每一幀 的信號 是否為語音的 起點或終點 。 而 在 語音 端點檢測時如果采用大的窗長 ， 則幀長長，幀數(shù)少 ， 這樣計算量會小些 ， 而且進(jìn)行 語音 端點檢測時速度會快些，但是這樣 語音 端點檢測的誤差 會 增加。如果采用小的窗長 ， 則計算量增加 ， 語音識別的速度 可定 會降低。 所以 我們在語音 端點檢測 時，采用 適量 的窗 ， 可以確切判斷語音的起始 點，會有比較快的速度，也不會有太大的運算量。但至于選幀，則需要根據(jù)實時而定，不同的算法也會有不同的窗長。 在進(jìn)行了預(yù)加重后，要對語音信號進(jìn)行加窗分幀處理。通常將語音信號劃分為許多短時的語音時段，每個短時的語音段稱為一個幀。幀和幀之間可以連續(xù) ，也可以重疊。重疊是為了是語音信號各幀之間保持平滑，差別不至于太大，更符合人們的語音特征。為了能夠符合實際而且能精準(zhǔn)的描述語音信號能量的實際中的變化規(guī)律，通常將窗寬選為幾十毫秒左右。 分幀一般采用交疊分段的方法，這就是為了使幀與幀之間能夠很好的平滑過渡，使其保持連續(xù)性。前一幀和后一幀的交疊部分稱為幀移，幀移與幀長的比值一般在 0~ 之間。分幀用可移動的窗口長度進(jìn)行加權(quán)實現(xiàn)，即用窗函數(shù) )(n? 乘以語音信號 s(n)，從而形成加窗的語音信號 : (n)(n))n( ?? ?? SS (29) 由于窗函數(shù)一般取為 S(n)中間大兩頭小的光滑函數(shù)，這樣的沖激響應(yīng)所對應(yīng)的濾波器具有低通特性，其帶寬和頻率取決于窗函數(shù)的選取。用得最多的三種窗函數(shù)是矩形窗、漢明窗 (Hamming)和漢寧窗 (Hanning)。它們的定義如下 : 矩形窗： 第 2章 語音信號時頻域分析及預(yù)處理 9 ??????? 其他 ,0 10 ,1)( Nnn? (210) 漢明窗： 0 . 5 4 0 . 4 6 c o s ( 2 /( 1 ) ) , 0 1() 0, n N n Nn ?? ? ? ? ?