【文章內(nèi)容簡(jiǎn)介】 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(zhǎng)的比值一般在0~。分幀用可移動(dòng)的窗口長(zhǎng)度進(jìn)行加權(quán)實(shí)現(xiàn)，即用窗函數(shù)乘以語(yǔ)音信號(hào)s(n)，從而形成加窗的語(yǔ)音信號(hào): (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(duì)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： (210)漢明窗： (211)漢寧窗： (212)式中N為窗長(zhǎng)，窗函數(shù)的選取(形狀和長(zhǎng)度)對(duì)于短時(shí)分析參數(shù)的特性影響很大，為此應(yīng)該選擇合適的窗口，使其短時(shí)參數(shù)能更好地反映語(yǔ)音信號(hào)的特性變化。 本章小結(jié)本章分析了語(yǔ)音信號(hào)的時(shí)域和頻域的一些特征，并列舉了語(yǔ)音的幾個(gè)特征參數(shù)，如熵、短時(shí)能量、倒譜特征等。介紹了語(yǔ)音信號(hào)前期處理的兩個(gè)步驟：預(yù)加重、加窗分幀。有時(shí)要恢復(fù)原信號(hào)，則需要從做過(guò)預(yù)加重的信號(hào)頻譜來(lái)求實(shí)際的頻譜時(shí)，并且要對(duì)測(cè)量值去加重處理，即加上6dB/倍頻程的下降的頻率特性來(lái)還原成原來(lái)的頻譜特性。語(yǔ)音信號(hào)為時(shí)域信號(hào)，分幀則有助于計(jì)算語(yǔ)音信號(hào)的各個(gè)參數(shù)特征，可以對(duì)語(yǔ)音信號(hào)進(jìn)行平滑處理，是進(jìn)行語(yǔ)音端點(diǎn)檢測(cè)必不可少的步驟。第3章 語(yǔ)音端點(diǎn)檢測(cè)算法研究 第3章 語(yǔ)音端點(diǎn)檢測(cè)算法研究本章將重點(diǎn)介紹語(yǔ)音端點(diǎn)檢測(cè)的原理，本章還對(duì)語(yǔ)音端點(diǎn)檢測(cè)算法的進(jìn)一步研究，列舉了三種不同的語(yǔ)音端點(diǎn)檢測(cè)算法，并對(duì)每一種語(yǔ)音端點(diǎn)檢測(cè)算法進(jìn)行了實(shí)驗(yàn)仿真，最后對(duì)各種算法優(yōu)缺點(diǎn)進(jìn)行了比較。 語(yǔ)音端點(diǎn)檢測(cè) 簡(jiǎn)述語(yǔ)音端點(diǎn)檢測(cè)是語(yǔ)音識(shí)別中的一個(gè)很重要的步驟，所謂語(yǔ)音端點(diǎn)檢測(cè)就是將輸入的語(yǔ)音信號(hào)從背景噪聲和環(huán)境噪聲中能夠準(zhǔn)確地判斷出語(yǔ)音信號(hào)中各種語(yǔ)音的起始點(diǎn)和結(jié)束點(diǎn)。理想的端點(diǎn)檢測(cè)算法應(yīng)當(dāng)具有以下幾個(gè)特征:可靠性、自適應(yīng)性、實(shí)時(shí)性、魯棒性和精確性。在語(yǔ)音識(shí)別系統(tǒng)中，正確的檢測(cè)出語(yǔ)音端點(diǎn)，不僅能夠快速且準(zhǔn)確的進(jìn)行語(yǔ)音識(shí)別，而且能夠減小計(jì)算量，排除無(wú)聲段干擾，實(shí)驗(yàn)發(fā)現(xiàn)，不管在什么環(huán)境或者什么樣信噪比的環(huán)境下，語(yǔ)音端點(diǎn)檢測(cè)的錯(cuò)誤將導(dǎo)致語(yǔ)音識(shí)別的錯(cuò)誤。除此之外，在語(yǔ)音合成、編碼等一系列語(yǔ)音信號(hào)處理系統(tǒng)中，較好的語(yǔ)音端點(diǎn)檢測(cè)會(huì)影響語(yǔ)音識(shí)別系統(tǒng)的主要性能。因此，語(yǔ)音端點(diǎn)檢測(cè)的速度和準(zhǔn)確率在語(yǔ)音處理系統(tǒng)中會(huì)非常重要，因此進(jìn)一步的對(duì)語(yǔ)音端點(diǎn)檢測(cè)算法的研究，有一定的現(xiàn)實(shí)意義。 語(yǔ)音端點(diǎn)檢測(cè)原理語(yǔ)音端點(diǎn)檢測(cè)的原理就是基于語(yǔ)音段和噪聲段對(duì)于一些語(yǔ)音信號(hào)的參數(shù)會(huì)表現(xiàn)出不同的特征，通過(guò)對(duì)特征參數(shù)的區(qū)別就能對(duì)語(yǔ)音信號(hào)進(jìn)行端點(diǎn)檢測(cè)。得到一個(gè)語(yǔ)音信號(hào)，先對(duì)其進(jìn)行預(yù)處理，使低頻和高頻在信噪比參數(shù)上表現(xiàn)的平滑，易于檢測(cè)。然后加窗分幀，使之在短時(shí)特性上表現(xiàn)的連續(xù)、平滑。通常分幀時(shí)會(huì)有幀與幀之間的幀移，以防止信號(hào)的突變，影響端點(diǎn)檢測(cè)。再后面就是對(duì)特征參數(shù)的提取，不同信噪比會(huì)有不同的易于區(qū)別噪聲和語(yǔ)音的特征參數(shù)。端點(diǎn)判決就是根據(jù)噪聲和語(yǔ)音特征參數(shù)的不同，設(shè)置一定的門限，再設(shè)置一些相應(yīng)的最短語(yǔ)音段以方便檢測(cè)。在檢測(cè)過(guò)程中，參數(shù)提取和端點(diǎn)的判決尤為顯得重要。參數(shù)提取意義在于提取的參數(shù)能夠分辨出語(yǔ)音和非語(yǔ)音信號(hào)。本文所進(jìn)行的語(yǔ)音端點(diǎn)檢測(cè)，其就是檢測(cè)出噪聲與語(yǔ)音信號(hào)的差別，并標(biāo)記出來(lái)。語(yǔ)音是人體所發(fā)出的聲音，其物理原理是源于聲帶的振動(dòng)。而噪聲一般是源于外界物理碰撞所引起的振動(dòng)。這兩者在頻率、能量上有很大的差別。如本文采用的短時(shí)能量和短時(shí)過(guò)零率相結(jié)合的算法是基于能量差別，而倒譜和譜熵則是基于其他的特征參數(shù)。人的語(yǔ)音又可以分為清音和濁音兩類，其在能量上就可以分出來(lái)，而清音和濁音在短時(shí)過(guò)零率上可以分別出來(lái)。所以參數(shù)的提取，直接影響到語(yǔ)音端點(diǎn)檢測(cè)的性能。語(yǔ)音端點(diǎn)檢測(cè)流程如圖31所示：預(yù)處理參數(shù)提取端點(diǎn)判決是否信號(hào)最后一幀后處理 信號(hào)輸入 是 結(jié)果輸出圖31 語(yǔ)音端點(diǎn)檢測(cè)流程圖噪聲信號(hào)常常為說(shuō)話人周圍的噪聲，不同環(huán)境下的噪聲信號(hào)也不同，所以特征參數(shù)會(huì)有變化。端點(diǎn)檢測(cè)時(shí)通過(guò)估計(jì)后噪聲比基于不同的噪聲而設(shè)定的不同門限。設(shè)定一定的門限后，當(dāng)超過(guò)設(shè)定值，而且超過(guò)最小語(yǔ)音段的幾幀也可以超過(guò)設(shè)定值，則會(huì)被認(rèn)為是語(yǔ)音信號(hào)。當(dāng)最后幾幀值低于設(shè)定值，而且后幾幀的值低于設(shè)定值且大于最小噪聲信號(hào)，則被認(rèn)為是語(yǔ)音結(jié)束。最初為單門限，后逐漸改為雙門限，隨著科技的發(fā)展，又轉(zhuǎn)變?yōu)槟：碚摶蛘叨嗵卣鲄?shù)相結(jié)合的方式。一種較好的語(yǔ)音端點(diǎn)檢測(cè)算法通常應(yīng)具備如下四個(gè)特征：(1)語(yǔ)音端點(diǎn)檢測(cè)的準(zhǔn)確率高，尤其對(duì)于清音段端點(diǎn)能夠正確判決；(2)端點(diǎn)檢測(cè)算法須具有對(duì)絕大多數(shù)噪聲魯棒性、抗干擾能力；(2)端點(diǎn)判決準(zhǔn)應(yīng)具有自適應(yīng)性，而不是僅僅簡(jiǎn)單的門限判決；(4)檢測(cè)算法應(yīng)較簡(jiǎn)單，而且運(yùn)算量較小，便于實(shí)現(xiàn)硬件仿真。以上特征分別是從語(yǔ)音端點(diǎn)檢測(cè)的自適應(yīng)性、準(zhǔn)確性、穩(wěn)定性、和運(yùn)算量上對(duì)算法提出要求。 語(yǔ)音端點(diǎn)檢測(cè)算法及實(shí)施方案語(yǔ)音端點(diǎn)檢測(cè)算法是各種語(yǔ)音信號(hào)分析的綜合處理，到目前為止還沒有很正規(guī)的分類方法。但我們可以按照實(shí)際應(yīng)用的范圍分類，當(dāng)然也可以按照所使用的特征參數(shù)準(zhǔn)則分類。按照所采用的特征參數(shù)或分析方法的不同，本論文將語(yǔ)音端點(diǎn)檢測(cè)的算法或方法分為：(1)時(shí)域參數(shù)方法 主要是指基于短時(shí)能量、過(guò)零率和短時(shí)自相關(guān)及一些其他時(shí)域參數(shù)(如最小均方參數(shù)、對(duì)數(shù)能量、絕對(duì)值能量等)的方法。此外，基于自適應(yīng)門限的方法也歸入這一類；(2)變換域參數(shù)方法 包括基于頻域參數(shù)、時(shí)頻域參數(shù)及小波域參數(shù)的方法。此外，還包括一些基于Walsh譜能量分布和HilbertHuang變換的檢測(cè)方法；(3)信息論方法 主要是根據(jù)概率等得出信號(hào)所包含的信息量，放到端點(diǎn)檢測(cè)算法中去，本文所選取的譜熵也屬于這類。(4)距離和失真測(cè)度方法 最常用的是倒譜距離，由梅爾系數(shù)推出倒譜系數(shù)，再得出梅爾倒譜距離，具有很好的語(yǔ)音檢測(cè)；(5)人工神經(jīng)網(wǎng)絡(luò)方法 包括基于前饋網(wǎng)絡(luò)、徑向基函數(shù)網(wǎng)絡(luò)、多層感知器網(wǎng)絡(luò)、自組織循環(huán)自組織模糊推理神經(jīng)網(wǎng)絡(luò)和自適應(yīng)線性神經(jīng)元網(wǎng)絡(luò)等的方法；(6)統(tǒng)計(jì)模型和模式分類方法 主要是指基于HMM模型。此外，還會(huì)有一些基于其他如多統(tǒng)計(jì)模型、似然檢驗(yàn)、模式識(shí)別、模糊邏輯等方法；短時(shí)能量和過(guò)零率相結(jié)合的方法常用于高信噪比下，而現(xiàn)實(shí)生活中的語(yǔ)音信號(hào)常為低信噪比。譜熵的大小取決的是功率譜的方差不是其大小，如果譜的分布保持不變，信號(hào)幅值的大小不會(huì)影響歸一化譜概率密度函數(shù)，因而譜熵對(duì)于噪聲有一定的魯棒性。倒譜能很好表示語(yǔ)音的特征，在強(qiáng)噪聲環(huán)境下，常常采用倒譜系數(shù)來(lái)作為端點(diǎn)檢測(cè)的特征量。因此在低信噪比下將選擇熵值或者倒譜特征參數(shù)來(lái)進(jìn)行語(yǔ)音端點(diǎn)檢測(cè)。本文擬用短時(shí)能量和過(guò)零率相結(jié)合的方法檢測(cè)高信噪比，熵譜和倒譜系數(shù)來(lái)檢測(cè)低信噪比。流程圖如圖32所示： 噪聲估計(jì)信噪比估計(jì)端點(diǎn)檢測(cè)短時(shí)能量和過(guò)零率熵譜算法倒譜算法 高信噪比 低信噪比圖32 算法研究流程圖 基于短時(shí)能量和短時(shí)過(guò)零率的語(yǔ)音端點(diǎn)檢測(cè)傳統(tǒng)常用的短時(shí)能量和過(guò)零率相結(jié)合的算法通常利用用短時(shí)能量來(lái)檢測(cè)濁音、短時(shí)過(guò)零率來(lái)檢測(cè)清音，或者兩者相配合以便實(shí)現(xiàn)語(yǔ)音信號(hào)信噪比較大情況下的端點(diǎn)檢測(cè)。算法對(duì)于輸入信號(hào)的檢測(cè)過(guò)程可分為短時(shí)能量檢測(cè)和短時(shí)過(guò)零率檢測(cè)兩個(gè)部分。算法以短時(shí)能量檢測(cè)為主，短時(shí)過(guò)零率檢測(cè)為輔。跟據(jù)語(yǔ)音信號(hào)的特性及各語(yǔ)言的發(fā)音特性，把語(yǔ)音可以分為清音、濁音和無(wú)聲三種特性，在短時(shí)能量和過(guò)零率相結(jié)合的算法過(guò)程中，短時(shí)能量檢測(cè)可以能夠分辨出濁音和清音。由于清音能量比較小，會(huì)常常把其與無(wú)聲混淆。但由過(guò)零率檢測(cè)能夠清晰的分辨出清音和無(wú)聲。因此通過(guò)兩種算法相結(jié)合的方法，在高信噪比下，進(jìn)行語(yǔ)音端點(diǎn)檢測(cè)能有很好的效果。 短時(shí)平均能量從能量譜的實(shí)驗(yàn)結(jié)果可以看出，語(yǔ)音和噪聲的能量值有很大的差別，根據(jù)這實(shí)驗(yàn)結(jié)果就可以由能量值來(lái)區(qū)分噪聲和語(yǔ)音或者進(jìn)行語(yǔ)音端點(diǎn)檢測(cè)。語(yǔ)音信號(hào)不是穩(wěn)定的，所以要經(jīng)過(guò)分幀。通過(guò)分幀后，形成短時(shí)語(yǔ)音信號(hào)，在短時(shí)內(nèi)語(yǔ)音信號(hào)是保持平穩(wěn)的，對(duì)每一幀的能量幅度進(jìn)行積和，得出每一幀的短時(shí)能量，根據(jù)每一幀的短時(shí)能量，設(shè)定一定的門限。經(jīng)實(shí)驗(yàn)發(fā)現(xiàn)，濁音的短時(shí)能量最大，清音次之，靜音最小。n時(shí)刻某語(yǔ)音信號(hào){x(n)}的短時(shí)平均能量定義為： (31)式中，為漢明窗。令，則有： (32)式中，h(n)為窗函數(shù)，其有一定的長(zhǎng)度。語(yǔ)音信號(hào)一般在10ms到30ms之間，我們可以把它看成是平穩(wěn)的。為了處理語(yǔ)音信號(hào)，我們要對(duì)語(yǔ)音信號(hào)進(jìn)行加窗，也就是一次僅處理窗中的數(shù)據(jù)。因?yàn)閷?shí)際的語(yǔ)音信號(hào)是很長(zhǎng)的，我們不能也不必對(duì)非常長(zhǎng)的數(shù)據(jù)進(jìn)行一次性處理。明智的解決辦法就是每次取一段數(shù)據(jù)，進(jìn)行分析，然后再取下一段數(shù)據(jù)，再進(jìn)行分析，這樣通過(guò)語(yǔ)音信號(hào)與窗函數(shù)相乘等出一個(gè)類似窗的函數(shù)值，在此幀的前面幀和后面的幀都為零值，這樣是語(yǔ)音信號(hào)保持了短時(shí)性。短時(shí)能量用來(lái)區(qū)分清音和濁音。濁音比起清音來(lái)，有較高的短時(shí)能量。語(yǔ)音信號(hào)的短時(shí)平均幅度定義為： (33)一般比較清晰的語(yǔ)音根據(jù)短時(shí)能量就能夠檢測(cè)出語(yǔ)音端點(diǎn)，但是有的時(shí)候，一個(gè)字的后面為清音，而其的短時(shí)能量又很小，很難跟隨后的無(wú)聲片段分開，有人提出了基于短時(shí)過(guò)零率的算法來(lái)區(qū)分清音和濁音，語(yǔ)音和噪聲在其幅度穿越橫軸的次數(shù)上有很大的區(qū)別，根據(jù)這點(diǎn)，提出短時(shí)能量和短時(shí)過(guò)零率相結(jié)合的方法在高信噪比環(huán)境下的檢測(cè)。語(yǔ)音信號(hào)的短時(shí)能量可用以下幾種算法得到： (34) (35) (36)在計(jì)算機(jī)上實(shí)現(xiàn)仿真時(shí)，幅度表現(xiàn)為波形的高度，高能量的信號(hào)波峰高，而低能量的信號(hào)波峰比較低，進(jìn)行端點(diǎn)檢測(cè)時(shí)，設(shè)置門限則根據(jù)波峰的高度來(lái)設(shè)置。雙門限則是先設(shè)置低一點(diǎn)的幅度進(jìn)行先判決，在選高一點(diǎn)的值進(jìn)行判決。下面是通過(guò)windows錄的語(yǔ)音“5”，并通過(guò)matlab仿真來(lái)計(jì)算語(yǔ)音短時(shí)能量。如圖33所示：圖33 語(yǔ)音信號(hào)的短時(shí)能量從圖33中可以看出語(yǔ)音“12345”語(yǔ)音信號(hào)中語(yǔ)音部分的能量是最高的，由于語(yǔ)音部分又分成靜音段、清音段、濁音段。短時(shí)能量函數(shù)可用來(lái)區(qū)分清音段和濁音段?！?3”的值比較大所以其對(duì)應(yīng)于濁音段，而“145”值相對(duì)較小所以其對(duì)應(yīng)于清音段。對(duì)于高信噪比的語(yǔ)音信號(hào)，無(wú)語(yǔ)音信號(hào)的噪聲能量很小，而有語(yǔ)音信號(hào)的能量很大，設(shè)定某一數(shù)值，就可可以區(qū)分語(yǔ)音信號(hào)的起點(diǎn)和終點(diǎn)。 短時(shí)過(guò)零率短時(shí)過(guò)零率表示一幀語(yǔ)音信號(hào)波形穿過(guò)橫軸的次數(shù)。由語(yǔ)音信號(hào)的波峰波谷之間的變化，然后對(duì)其進(jìn)行歸一化處理，波峰波谷之間的變化轉(zhuǎn)為穿過(guò)橫軸的次數(shù)，也是穿過(guò)零軸的次數(shù)，稱為短時(shí)過(guò)零率。過(guò)零率就是樣本改變符號(hào)的次數(shù)。定義語(yǔ)音信號(hào)Xn(m)的短時(shí)過(guò)零率Zn為: (37)其中，sgn為符號(hào)函數(shù)，即： (38)過(guò)零率有很重要的作用，如：用于粗略地描述信號(hào)的頻譜特性，就是用多帶濾波器將信號(hào)分為若干個(gè)通道，對(duì)各通道進(jìn)行短時(shí)平均過(guò)零率和短時(shí)能量的計(jì)算。再個(gè)就是區(qū)分清音和靜音。當(dāng)發(fā)清音時(shí)，多數(shù)能量出現(xiàn)在較高頻率上，而高頻就意味著高的平均過(guò)零率。而噪聲總是處于間斷等情況，所以其頻率會(huì)比較低，低頻就意味著低的短時(shí)過(guò)零率，所以認(rèn)為靜音時(shí)有低過(guò)零率，而清音具有高過(guò)零率。當(dāng)然，這種高低僅是相對(duì)而言的，并沒有精確的數(shù)值關(guān)系。下面是語(yǔ)音信號(hào)通過(guò)matlab 仿真顯示過(guò)零率，如圖34所示：圖34 語(yǔ)音信號(hào)的過(guò)零率 從圖34中可以看出語(yǔ)音信號(hào)的過(guò)零率，在語(yǔ)音信號(hào)中清音段的過(guò)零率情況，圖中幅度變化反映了過(guò)零率次數(shù)的高低?；诙虝r(shí)能量和短時(shí)過(guò)零率相結(jié)合語(yǔ)音端點(diǎn)檢測(cè)方法，充分利用能量和過(guò)零率的優(yōu)點(diǎn)，使用過(guò)零率區(qū)分清音和靜音。在區(qū)分濁音和清音時(shí)，由于兩者在短時(shí)能量的區(qū)別，所以根據(jù)短時(shí)能量分辨出清音和濁音，而在區(qū)分清音和無(wú)聲片段時(shí)，則由短時(shí)過(guò)零率來(lái)區(qū)分。但隨著噪聲的增加，過(guò)零率占有稍微好點(diǎn)的優(yōu)勢(shì)，等加到一定的程度后，這兩種方法都將失去檢測(cè)的效果。 基于短時(shí)能量和短時(shí)過(guò)零率的雙門限端點(diǎn)檢測(cè)這種方法是基于短時(shí)能量和短時(shí)過(guò)零率相結(jié)合的方法，既能分辨出清音和濁音，也能分辨出清音和靜音。通常每一個(gè)參數(shù)設(shè)兩個(gè)門限。首先設(shè)一個(gè)比較低的門限，當(dāng)所測(cè)得的參數(shù)值大于這個(gè)門限，說(shuō)明信號(hào)可能進(jìn)入語(yǔ)音階段，再設(shè)一個(gè)稍微高一點(diǎn)的門限，當(dāng)超過(guò)這個(gè)參數(shù)值的時(shí)候，說(shuō)明信號(hào)進(jìn)入語(yǔ)音段。隨后的幾幀一直大于這個(gè)值，而這幾幀大于最小語(yǔ)音值，則一定進(jìn)入語(yǔ)音階段。由上述描述，可得其簡(jiǎn)單步驟如下：(1)首先要計(jì)算每一幀的短時(shí)能量和短時(shí)過(guò)零率，然后又由每一幀的這兩個(gè)參數(shù)值得出特征參數(shù)，即能零比。(2)由特征參數(shù)值，先選一個(gè)比較低一點(diǎn)的門限，進(jìn)行最先的預(yù)判，如果低于這個(gè)門限肯定不是語(yǔ)音信號(hào)。再就是設(shè)置另一個(gè)高一點(diǎn)的門限，如果低于這個(gè)門限，則有可能不是語(yǔ)音信號(hào)。(3)當(dāng)進(jìn)入語(yǔ)音階段時(shí)，就開始判決語(yǔ)音信號(hào)的終止點(diǎn)。先是比較高一點(diǎn)的門限判決。如果低于這個(gè)門限，則語(yǔ)音信號(hào)有可能進(jìn)入語(yǔ)音結(jié)束，再往后搜索，如果繼續(xù)降低且低于較低的門限，則語(yǔ)音信號(hào)進(jìn)入無(wú)聲階段。(4)檢測(cè)的高低門限要通過(guò)多次實(shí)驗(yàn)并且根據(jù)當(dāng)時(shí)的信噪比環(huán)境而確定的。語(yǔ)音的開始和結(jié)束由于時(shí)間上的差異，信噪比也會(huì)有差異，這樣決定著門限選擇的復(fù)雜性。檢測(cè)過(guò)程中也要設(shè)置最低語(yǔ)音段和對(duì)短靜音段，這更有效的提高了語(yǔ)音端點(diǎn)檢測(cè)的準(zhǔn)確度。從步驟上來(lái)看，可以把一個(gè)語(yǔ)音信號(hào)分成四個(gè)階段，靜音、開始過(guò)渡結(jié)束四個(gè)階段。在程序編寫