【文章內(nèi)容簡(jiǎn)介】 波器輸出為具有一定頻帶的中心頻率為的信號(hào)。圖23 濾波器示意圖傅里葉頻譜變換是語音信號(hào)頻域分析中廣泛使用的方法，對(duì)分幀加窗后的語音信號(hào)，進(jìn)行傅里葉變換和逆傅里葉變換，可以相應(yīng)的得到頻譜，功率譜，倒譜距離，熵等特征。由于語音信號(hào)的特性是隨著時(shí)間緩慢變化，所以采用短時(shí)傅里葉變換，相應(yīng)的求得特征為短時(shí)頻域特征，這里的窗函數(shù)都使用漢明窗。1. 短時(shí)頻譜和短時(shí)功率譜設(shè)信號(hào)經(jīng)過傅里葉變換后在頻域記為則與的關(guān)系見公式(29)。 (29)語音的頻譜為的幅度，則有 (210)語音的短時(shí)功率譜的是幅度的平方，所以短時(shí)功率譜的計(jì)算方法為 (211)語音信號(hào)的倒譜分析是通過同態(tài)處理來實(shí)現(xiàn)的。同態(tài)信號(hào)處理也稱為同態(tài)濾波，就是將非線性問題轉(zhuǎn)化為線性問題的處理方法。由于語音信號(hào)可視為聲門激勵(lì)信號(hào)和聲道沖擊響應(yīng)的卷積，可以對(duì)語音信號(hào)進(jìn)行解卷。倒譜能很好表示語音的特征，在強(qiáng)噪聲環(huán)境下，可通過倒譜系數(shù)求得倒譜距離，使用倒譜距離來作為端點(diǎn)檢測(cè)的特征。信號(hào)的倒譜也可以定義為信號(hào)的能量譜密度函數(shù)的對(duì)數(shù)的傅里葉級(jí)數(shù)展開式的系數(shù)，見式(212)。 (212)即為倒譜系數(shù)，通過倒譜系數(shù)求得倒譜距離為 (213)熵(用H表示)是物質(zhì)的復(fù)雜程度的一種反映。熵H代表x的信息量，當(dāng)x的分布概率相等時(shí)，熵取最大值，也就是說，的概率分布越模糊，越難判斷，H值也越大。設(shè)X是取有限個(gè)值的隨機(jī)變量，則X取的概率函數(shù)表示為 (214)則X的熵為 (215)基于特征的語音端點(diǎn)檢測(cè)其操作主要包括以下幾個(gè)部分:預(yù)處理，特征提取，確定門限，端點(diǎn)檢測(cè)。(l)預(yù)處理:包括濾波，預(yù)加重，分幀，加窗等，這里要考慮濾波器參數(shù)的選擇，分幀時(shí)幀長(zhǎng)長(zhǎng)度的選擇，加窗窗函數(shù)的選擇。(2)特征提取:在時(shí)域或者頻域提取能反映語音本質(zhì)特征的聲學(xué)參數(shù)，如短時(shí)能量，短時(shí)過零率等。特征提取目的是將輸入信號(hào)轉(zhuǎn)化為特征參數(shù)，然后利特征參數(shù)進(jìn)行語音段與無聲段的區(qū)分。特征提取是語音端點(diǎn)檢測(cè)的關(guān)鍵問題，特征參數(shù)選擇的好壞直接影響到語音端點(diǎn)檢測(cè)的準(zhǔn)確率的高低。(3)確定門限:語音段最開始的幾幀一般為無聲段，根據(jù)無聲段的特征值大小確定門限值，一般選擇較大和較小兩個(gè)門限值Tmin和Tmax，且TminTmax，Tmin很容易被超過，數(shù)值較小，對(duì)信號(hào)變化很敏感，Tmax數(shù)值較大，語音信號(hào)要一定的強(qiáng)度才能超過。(4)端點(diǎn)檢測(cè):確定門限后就可以進(jìn)行端點(diǎn)檢測(cè)，根據(jù)門限值來區(qū)分有語音段和噪聲段，得出檢測(cè)結(jié)果。 影響語音端點(diǎn)檢測(cè)的原因及噪聲分類 影響語音端點(diǎn)檢測(cè)的原因?qū)嶋H環(huán)境中，影響語音端點(diǎn)檢測(cè)性能的因素主要有：(1)噪聲的影響實(shí)際環(huán)境中噪聲無處不在，甚至在安靜的實(shí)驗(yàn)室中，敲打鍵盤聲!咳嗽都是噪聲，環(huán)境中的噪聲是復(fù)雜多變的，噪聲是非平穩(wěn)的隨機(jī)過程，其能量無法精確估計(jì)。(2)信道影響如果輸入信號(hào)中有50Hz工頻干擾或變換點(diǎn)的工作點(diǎn)偏移時(shí)，選用某些短時(shí)特征進(jìn)行噪聲和清音的區(qū)分就顯得不可靠。信號(hào)取樣時(shí)，由于電平的變化，難于設(shè)置對(duì)各次實(shí)驗(yàn)都適用的門限值。取樣數(shù)據(jù)中，有時(shí)存在突發(fā)性干擾，使短時(shí)參數(shù)變得很大，持續(xù)很短時(shí)間后又恢復(fù)，應(yīng)該記入噪聲段而非語音段。(3)人的動(dòng)作的影響發(fā)音時(shí)，人的順嘴聲或其他某些雜音會(huì)使語音波形產(chǎn)生一個(gè)很小的尖鋒，并可能超過所設(shè)計(jì)的門限值，此時(shí)人呼吸的氣流也會(huì)產(chǎn)生較高電平。(4)語音本身的結(jié)構(gòu)說話時(shí)一次發(fā)出的，具有一個(gè)響亮的中心，并被明顯感覺到的語音片段叫音節(jié)，一個(gè)音節(jié)可以由一個(gè)音素組成，也可以由多個(gè)音素組成。任何語言都有元音和輔音兩種音素，元音是當(dāng)聲帶振動(dòng)時(shí)發(fā)出的聲音，而后者是呼出的聲流，由于通路的某一部分封閉起來，氣流被阻，不能暢通。根據(jù)發(fā)音時(shí)聲帶是否振動(dòng)，語音分為清音和濁音，發(fā)濁音時(shí)聲帶振動(dòng)，發(fā)清音時(shí)聲帶不振動(dòng)，清音的波形類似噪聲，很難區(qū)別清音和噪聲。起點(diǎn)處是弱摩擦音時(shí)或終點(diǎn)處是鼻音時(shí)，語音的特性與噪聲極其相似，其中鼻韻還拖得很長(zhǎng)。 噪聲分類噪聲是指不期望接收到的信號(hào)(相對(duì)于期望接收到的信號(hào)而言)。噪聲有加性噪聲和乘性噪聲[19]加性噪聲一般指熱噪聲、散彈噪聲等，它們與信號(hào)的關(guān)系是相加，不管有沒有信號(hào)，噪聲都存在，而乘性噪聲一般由信道不理想引起，它與信號(hào)的關(guān)系是相乘，信號(hào)在它在，信號(hào)不在它也就不在。一般通信中把加性噪聲看成是系統(tǒng)的背景噪聲，而乘性噪聲看成系統(tǒng)的時(shí)變性(如衰落或者多普勒)，但它卻始終存在，干擾有用信號(hào)，因而不可避免地對(duì)通信造成危害。乘性噪聲可以通過解卷積處理轉(zhuǎn)化為加性噪聲，所以一般只對(duì)加性噪聲加以討論。加性噪聲的來源很多，它們表現(xiàn)的形式也多種多樣。這些噪聲可能源于背景，例如汽車噪聲房間反射、街道講話、背景談話等，也可能由通信系統(tǒng)產(chǎn)生，如編碼、傳輸?shù)萚20]目前自動(dòng)語音識(shí)別技術(shù)在車載電話通信、免提式語音識(shí)別等方面的應(yīng)用逐漸廣泛，研究背景噪聲下的魯棒性語音端點(diǎn)檢測(cè)算法尤為重要。根據(jù)噪聲能量變化的特點(diǎn)，一般可以粗略地將它分為五類[21]。(1)穩(wěn)定噪聲:能量分布基本不隨時(shí)間改變的噪聲，例如，熱噪聲，機(jī)器穩(wěn)定轟鳴等，穩(wěn)定噪聲的能量序列是各態(tài)歷經(jīng)的平穩(wěn)高斯隨機(jī)序列。(2)緩變?cè)肼?能量分布隨時(shí)間緩慢變化的噪聲，例如逐漸增大的火車聲，遠(yuǎn)處緩慢開來的汽車聲等，緩變?cè)肼曉诙虝r(shí)間內(nèi)可近似為穩(wěn)定噪聲。(3)脈沖噪聲:能量迅速升高并降低的噪聲，例如敲擊，撞擊，開門等，脈沖噪聲的能量只在短時(shí)間內(nèi)非零。(4)波動(dòng)噪聲:能量持續(xù)升降變化但不短促的噪聲，例如不斷開過的汽車聲，含糊的混雜語音等。(5)階躍噪聲:能量分布呈臺(tái)階式陡變的噪聲，例如電信信道的突變，機(jī)器的開啟或關(guān)閉等，在階躍點(diǎn)后可歸類為穩(wěn)定、緩變或波動(dòng)噪聲。這幾種噪聲相互疊加，共同組成系統(tǒng)的輸入噪聲，下面簡(jiǎn)單介紹幾種常見的噪聲。所有頻率具有相同能量的隨機(jī)噪聲稱為白噪聲，即功率譜密度在整個(gè)頻域內(nèi)均勻分布的噪聲，是一種功率頻譜密度為常數(shù)的隨機(jī)信號(hào)或隨機(jī)過程從耳朵的頻率響應(yīng)聽起來它是非常明亮的“絲”聲(每高一個(gè)八度，頻率就升高一倍，因此高頻率區(qū)的能量也顯著增強(qiáng))。白噪聲在各個(gè)頻段上的功率是一樣的，由于白光是由各種頻率(顏色)的單色光混合而成，因而此信號(hào)的這種具有平坦功率譜的性質(zhì)被稱作是“白色的”。相對(duì)的，其他不具有這一性質(zhì)的噪聲信號(hào)被稱為有色噪聲。理想的白噪聲具有無限帶寬，因而其能量是無限大，這在現(xiàn)實(shí)世界是不可能存在的。實(shí)際上，常常將有限帶寬的平整訊號(hào)視為白噪音，這樣在數(shù)學(xué)分析上更加方便。一般，只要一個(gè)噪聲過程所具有的頻譜寬度遠(yuǎn)遠(yuǎn)大于它所作用系統(tǒng)的帶寬，并且在該帶寬中其頻譜密度基本上可以作為常數(shù)來考慮，就可以把它作為白噪聲來處理。例如，熱噪聲和散彈噪聲在很寬的頻率范圍內(nèi)具有均勻的功率譜密度，通?？梢哉J(rèn)為它們是白噪聲。高斯噪聲是指概率密度函數(shù)服從高斯分布的一類噪聲。高斯分布，也稱正態(tài)分布，記為，其中和為分布的參數(shù)，分別為高斯分布的期望和方差。特別當(dāng)=0，=1時(shí)，X的分布為標(biāo)準(zhǔn)正態(tài)分布。如果一個(gè)噪聲，它的幅度分布服從高斯分布，而它的功率譜密度又是均勻分布的，則稱它為高斯白噪聲。其特點(diǎn)是通信信道上的信號(hào)分布在很寬的頻帶范圍內(nèi)。本章首先介紹了語音信號(hào)產(chǎn)生的數(shù)學(xué)模型，并簡(jiǎn)單介紹了語音激勵(lì)產(chǎn)生的過程，接下來詳細(xì)的介紹了語音端點(diǎn)檢測(cè)加窗分幀等一些預(yù)處理，以及時(shí)域和頻域的一些基本特征，最后介紹了端點(diǎn)檢測(cè)的主要步驟和影響檢測(cè)效果的主要因素，為后面部分的研究提供了便利。 第3章 語音端點(diǎn)檢測(cè)的相關(guān)算法 第3章 語音端點(diǎn)檢測(cè)的相關(guān)算法傳統(tǒng)語音端點(diǎn)檢測(cè)研究者認(rèn)為，語音和噪聲的主要區(qū)別在它們的能量上，所以能量是經(jīng)常使用的音頻特征參數(shù)，是對(duì)語音信號(hào)最直觀的表示[22，23]語音信號(hào)一般可分為無聲段(靜音段)、清音段和濁音段。由于語音是不穩(wěn)定的，所以，我們采用“短時(shí)能量”所謂短時(shí)能量，就是先對(duì)語音信號(hào)進(jìn)行分幀處理，然后對(duì)每一幀分別求其能量。短時(shí)能量是隨機(jī)參數(shù)，在無聲段，清音段和濁音段，它們分別具有不同的概率密度函數(shù)，圖31給出了短時(shí)能量在清音、無聲和濁音三種情況下的條件概率密度函數(shù)。圖31 短時(shí)能量在清音無聲和濁音三種情況下條件概率密度函數(shù)示意圖從圖31中可以看出,在三種情況中,濁音的短時(shí)能量最大,清音的短時(shí)能量次之,無聲的短時(shí)能量最小。由于我們主要以加性噪聲作代表進(jìn)行研究,帶噪語音的短時(shí)能量為干凈語音的能量再加上噪聲的能量,因此,語音段的能量大于噪聲段的能量,可根據(jù)此特性來區(qū)別語音和噪聲。語音信號(hào)第i幀的短時(shí)能量可以用下面三種方法得到。 (31) (32) (33)由第二章可知,公式(32)計(jì)算短時(shí)能量時(shí)是求信號(hào)的平方,這樣得到的短時(shí)能量對(duì)高電頻比較敏感,所以,在通常情況下,用公式(31)求短時(shí)能量,公式(31)求得的短時(shí)能量又叫短時(shí)幅度。短時(shí)能量的計(jì)算相對(duì)于提取語音信號(hào)其它特征而言,要簡(jiǎn)單快捷得多。首先,對(duì)語音信號(hào)進(jìn)行預(yù)處理,然后計(jì)算每幀信號(hào)的能量,根據(jù)經(jīng)驗(yàn)設(shè)定一個(gè)合適的門限,當(dāng)信號(hào)的幅度超過該門限的時(shí)候,就認(rèn)為語音開始,當(dāng)幅度降低到該門限以下就認(rèn)為語音結(jié)束?；诙虝r(shí)能量的語音端點(diǎn)檢測(cè)方法只適用于非常純凈的語音信號(hào),在信噪比很高時(shí),噪聲很小,背景噪聲對(duì)應(yīng)的短時(shí)能量較小,接近于零,語音的能