【文章內(nèi)容簡介】 程，不能用處理平穩(wěn)信號的數(shù)字信號處理技術(shù)對其進(jìn)行分析處理。但是，由于不同的語音是由人的口腔肌肉運(yùn)動構(gòu)成聲道某種形狀而產(chǎn)生的響應(yīng)，而這種口腔肌肉運(yùn)動相對于語音頻率來說是非常緩慢的，所以從另一方面看，雖然語音信號具有時變特性，但是在一個短時間范圍內(nèi)(一般認(rèn)為在10～30ms的短時間內(nèi))，其特性基本保持不變即相對穩(wěn)定，因而可以將其看作是一個準(zhǔn)穩(wěn)態(tài)過程，即語音信號具有短時平穩(wěn)性。所以任何語音信號的分析和處理必須建立在“短時”的基礎(chǔ)上．即進(jìn)行“短時分析”，將語音信號分為一段一段來分析其特征參數(shù)，其中每一段稱為一“幀”，幀長一般取為10～30ms。這樣，對于整體的語音信號來講，分析出的是由每一幀特征參數(shù)組成的特征參數(shù)時間序列。根據(jù)所分析出的參數(shù)的性質(zhì)的不同，可將語音信號分析分為時域分析、頻域分析、倒頻域分析等；時域分析方法具有簡單、計算量小、物理意義明確等優(yōu)點(diǎn)，但由于語音信號最重要的感知特性反映在功率譜中，而相位變化只起著很小的作用，所以相對于時域分析來說頻域分析更為重要。本文將簡要介紹時域分析、頻域分析以及語譜圖分析。 語音信號的時域分析語音信號的時域分析就是分析和提取語音信號的時域參數(shù)。進(jìn)行語音分析時，最先接觸到并且也是最直觀的是它的時域波形。語音信號本身就是時域信號，因而時域分析是最早使用，也是應(yīng)用最廣泛的一種分析方法，這種方法直接利用語音信號的時域波形。時域分析通常用于最基本的參數(shù)分析及應(yīng)用，如語音的分割、預(yù)處理、大分類等。這種分析方法的特點(diǎn)是：表示語音信號比較直觀、物理意義明確。實(shí)現(xiàn)起來比較簡單、運(yùn)算且少?？梢缘玫秸Z音的一些重要的參數(shù)。只使用示波器等通用設(shè)備，使用較為簡單等。語音信號的時域參數(shù)有短時能量、短時過零率、短時自相關(guān)函數(shù)和短時平均幅度差函數(shù)等，這是語音信號的一組最基本的短時參數(shù)，在各種語音信號數(shù)字處理技術(shù)中都要應(yīng)用。在計算這些參數(shù)時使用的一般是矩形窗或漢明窗。 短時能量及短時平均幅度分析設(shè)語音波形時域信號為x(l)、加密分幀處理后得到的第n幀語音信號為 Xn(m)，則Xn(m)滿足下式： 其中，n＝0，1T，2T，…，并且N為幀長，T為幀移長度。設(shè)第n幀語音信號Xn(m)的短時能量用En表示，則其計算公式如下：En是一個度量語音信號幅度值變化的函數(shù)，但它有一個缺陷，即它對高電平非常敏感(因為它計算時用的是信號的平方)。為此可采用另一個度量語音信號幅度值變化的函數(shù)．即短時平均幅度函數(shù)Mn，它定義為： Mn也是一幀語音信號能量大小的表征，它與En的區(qū)別在于計算時小取樣值和大取樣值不會因取平方而造成較大差異，在某些應(yīng)用領(lǐng)域也會帶來一些好處。短時能量和短時平均幅度函數(shù)的主要用途有：①可以區(qū)分濁音段與清音段，因為濁音時En值比清音時大的多。②可以用來區(qū)分聲母與韻母的分界，無聲與有聲的分界，連字(指字之間無間隙)的分界等。③作為一種超音段信息，用于語音識別中。短時過零率表示一幀語音中語音信號波形穿過橫軸（零電平）的次數(shù)。過零分析是語音時域分析中最簡單的一種。對于連續(xù)語音信號，過零即意味著時域波形通過時間軸；而對于離散信號，如果相鄰的取樣值改變符號則稱為過零。過零率就是樣本改變符號的次數(shù)。定義語音信號Xn（m）的短時過零率Zn為：式中，sgn[ ]是符號函數(shù)，即：在實(shí)際中求過零率參數(shù)時，需要十分注意的一個問題是如果輸入信號中包含有50Hz的工頻干擾或者A/D變換器的工作點(diǎn)有偏移(這等效于輸入信號有直流偏移)，往往會使計算的過零率參數(shù)很不準(zhǔn)確。為了解決前一個問題，A/D變換器前的防混疊帶通濾波器的低端截頻應(yīng)高于50Hz，以有效地抑制電源干擾。對于后一個問題除了可以采用低直流漂移器件外，也可以在軟件上加以解決，這就是算出每一幀的直流分量并予以濾除。對語音信號進(jìn)行分析，發(fā)現(xiàn)發(fā)濁音時，盡管聲道有若干個共振峰，但由于聲門波引起功率譜的高頻跌落，所以其話音能量約集中在3kHz以下。而發(fā)清音時，多數(shù)能量出現(xiàn)在較高頻率上。高頻就意味著高的平均過零率，低頻意味著低的平均過零率，所以可以認(rèn)為濁音時具有較低的過零率，而清音時具有較高的過零率。當(dāng)然，這種高低僅是相對而言，并沒有精確的數(shù)值關(guān)系。利用短時平均過零率還可以從背景噪聲中找出語音信號，可用于判斷寂靜無聲段和有聲段的起點(diǎn)和終點(diǎn)位置。在孤立詞的語音識別中，必須要在一連串連續(xù)的語音信號中進(jìn)行適當(dāng)分割，用以確定一個一個單詞的語音信號，即找出每一個單詞的開始和終止位置，這在語音處理中是一個基本問題。此時，在背景噪聲較小時用平均能量識別較為有效，而在背景噪聲較大時用平均過零率識別較為有效。但是研究表明，在以某些音為開始或結(jié)尾時。如當(dāng)弱摩擦音(如[f]、[h]等音素)，弱爆破音(如[p]、[t]、[k]等音素)為語音的開頭或結(jié)尾；以鼻音(如[n]、[m]等音素)為語音的結(jié)尾時。只用其中一個參量來判別語音的起點(diǎn)和終點(diǎn)是有困難的，必須同時使用這兩個參數(shù)。圖31是用Mtalab仿真一段語音信號時域波形的短時能量和短時平均過零率。 圖31語音信號的短時能量和短時平均過零率 語音信號的頻域分析語音信號的頻域分析就是分析語音信號的頻域持征。從廣義上講，語音信號的頻域分析包括語音信號的頻譜、功率譜、倒頻譜、頻譜包絡(luò)分析等，而常用的頻域分析方法有帶通濾波器組法、傅里葉變換法、線性預(yù)測法等幾種。本文介紹的是語音信號的傅里葉分析法。因為語音波是一個非平穩(wěn)過程，因此適用于周期、瞬變或平穩(wěn)隨機(jī)信號的標(biāo)準(zhǔn)傅里葉變換不能用來直接表示語音信號，而應(yīng)該用短時傅里葉變換對語音信號的頻譜進(jìn)行分析，相應(yīng)的頻譜稱為“短時譜”。對第n幀語音信號Xn(m)進(jìn)行傅里葉變換(離散時域傅里葉變換，DTFT)，可得到短時傅里葉變換，其定義如下： (31)由定義可知，短時傅里葉變換實(shí)際就是窗選語音信號的標(biāo)準(zhǔn)傅里葉變換。這里，窗w(nm)是一個“滑動的”窗口，它隨n的變化而沿著序列X(n)滑動。由于窗口是有限長度的，滿足絕對可和條件，所以這個變換是存在的。當(dāng)然窗口函數(shù)不同，博里葉變換的結(jié)果也將不同。我們還可以將式(3—1)寫成另一種形式。設(shè)語音信號序列和窗口序列的標(biāo)準(zhǔn)傅里立葉變換均存在。當(dāng)n取固定值時，w(nm)的傅里葉變換為： (32)根據(jù)卷積定理，有： (33)因為上式右邊兩個卷積項均為關(guān)于角頻率w的以2π為周期的連續(xù)函數(shù)，所以也可將其寫成以下的卷積積分形式： （34）即，假設(shè)x(m)的DTFT是，且的DTFT是，那么是和的周期卷積。根據(jù)信號的時寬帶寬積為一常數(shù)這一基本性質(zhì)，可知主瓣寬度與窗口寬度成反比，N越大，的主瓣越窄。由式(34)可知，為了使忠實(shí)再現(xiàn)的特性。相對于來說必須是—個沖激函數(shù)。所以為了使，需；但是N值太大時，信號的分幀又失去了意義。尤其是N大于語音的音素長度時，已不能反映該語音音素的頻譜了。因此，應(yīng)折衷選擇窗的寬度N。另外，窗的形狀也對短時傅氏頻譜有影響，如矩形窗，雖然頻率分辨率很高(即主辯狹窄尖銳)，但由于第一旁瓣的衰減很小，有較大的上下沖，采用矩形窗時求得的與的偏差較大，這就是Gibbs效應(yīng)，所以不適合用于頻譜成分很寬的語音分析中。而漢明窗在頻率范圍中的分辨率較高，而且旁辯的衰減大，具有頻譜泄漏少的優(yōu)點(diǎn)。所以在求短時頻譜時一般采用具有較小上下沖的漢明窗。與離散傅里葉變換和連續(xù)博里葉變換的關(guān)系一樣，如令角頻率w=2πk／N，則得離散的短時傅里葉變換(DFT)。它實(shí)際上是在頻域的取樣，如下所示： (35)在語音信號數(shù)字處理中，都是采用的離散博里葉變換(DFT)來替代并且可以用高效的快速傅里葉變換(FFT)算法完成由至的轉(zhuǎn)換。當(dāng)然，這時窗長N必須是2的倍數(shù)(L是整數(shù))。根據(jù)傅里葉變換的性質(zhì)，實(shí)數(shù)序列的傅里葉變換的頻譜具有對稱性，因此，全部頻譜信息包含在長度為N/2+1個里。另外，為了使具有較高的頻率分辨率，所取的DFT以及相應(yīng)的FFT點(diǎn)數(shù)應(yīng)該足夠多，但有時的長度N要受到采樣率和短時性的限制，例如，在通常采樣率為8kHz且?guī)L為20ms時，N=而一般取25512或1024，為了將的點(diǎn)數(shù)從N擴(kuò)大力，可以采用補(bǔ)0的辦法，在擴(kuò)大的部分添若干個0取樣值，然后再對添0后的序列進(jìn)行FFT。例如、在10kHz的范圍內(nèi)采樣求頻譜，并要求頻率分辨率在30Hz以下。由10k/＜30，得＞333，所以＝要取比333大的值，這時可取=＝512點(diǎn)，不足的部分采用補(bǔ)0的辦法解決，此時頻率分辨率(即頻率間隔)為10Hz／512＝，采樣后的該幀信號頻率處在0～之間，因此，原連續(xù)信號頻率就處在0～之間(即)，所以我們要在0～頻率范圍內(nèi)求其頻譜。FFT的計算可以在通用計算機(jī)上由相應(yīng)的算法軟件來完成，這種方式一般只能實(shí)現(xiàn)非實(shí)時運(yùn)算。為了完成實(shí)時運(yùn)算可以采用先進(jìn)的數(shù)字信號處理芯片、陣列處理芯片或?qū)Ｓ肍FT芯片。為了完成1024點(diǎn)的FFT，這些專用芯片所需的運(yùn)算時間是幾十毫秒至幾毫秒，甚至可以降至1ms以下。在語音信號數(shù)字處理中，功率譜具有重要意義，在一些語音應(yīng)用系統(tǒng)中。往往都是利用語音信號的功率譜。根據(jù)功率譜定義，可以寫出短時功率譜與短時傅里葉變換之間的關(guān)系：或者： 式中＊表示復(fù)共軛運(yùn)算。并且功率譜是短時自相關(guān)函數(shù)的傅里葉變換。圖32是用Matlab中的psdplot命令繪得的同一人兩次說同一詞的功率譜比較(窗函數(shù)取窗長度為