【文章內(nèi)容簡介】 具有聲門氣流脈沖的實際波形，需要使上述的沖激序列通過一個聲門脈沖模型濾波器。清音激勵信號則由隨機噪聲發(fā)生器產(chǎn)生。 聲道模型 聲道可近似地看作是由多段均勻截面積的聲管級聯(lián)而成，采用流體力學的方 法可以推導出， N 節(jié)級聯(lián)的無損聲管的系統(tǒng)函數(shù)是一個 N 階的全極點函數(shù)： ?? ?? pi iizazv 01)( (21) 其中 0a ＝ 1， ia 為實數(shù)， p 為全極點濾波器的階。 p 取得越大，模型的傳輸函數(shù)與聲道實際傳輸函數(shù)的吻合程度越高，但同時也增加了算法的復雜程度。 輻射模型 基音頻率 周期脈沖發(fā)生器 聲門脈沖模型 G（ Z） Av 隨機噪聲發(fā)生器 Au 聲道模型 V(Z) 聲道參數(shù) 輻射模型 R(Z) 語音信號 s(n) 6 聲道的終端為口和唇，因此輻射模型與嘴型有 關(guān)。經(jīng)研究表明，口唇端輻射在高頻端較為顯著，在低頻端時影響較小?？诖降妮椛湫杀硎緸椋? )1()( 10 ??? zRzR (22） 綜上所述，完整的語音信號數(shù)字模型可以用三個子模型：激勵模型、聲道模型和輻射模型的串聯(lián)來表示。其轉(zhuǎn)移函數(shù)為： )()()()( ZRzVzUzH ? (23) 語音信號的短時分析技術(shù) 語音信號是一種非平穩(wěn)的時變信號， 產(chǎn)生過程與發(fā)音器官的運動密切相關(guān)，而這種物理運動比起聲音振動速度要緩慢得多，因此語音信號常常假定為短時平穩(wěn)的，即在 10～ 30ms 時間段內(nèi)，其頻譜特性和某些物理特征參量可近似地看作是不變的。所以把每個短時的語音段稱為一個分析幀，對該幀進行處理就相當于對固定特性的持續(xù)語音進行處理。分析幀可以是連續(xù)的，也可以是交疊分幀。 預濾波、采樣、 A/D 變換 預濾波的目的有兩個： (1)抑制輸入信號各頻域分量中頻率超出 2sf (sf 為采樣率 )以防止混疊干擾。 (2)抑制 50Hz 的電源干擾。這樣，預濾波器必須是一個帶通濾波器，其上、下截至頻率分別是 Hf 和 Lf 。對于絕大多數(shù)語音編碼器， Hf ＝ 3400Hz， Lf ＝ 60～100Hz，采樣率為 sf ＝ 8kHz。語音信號經(jīng)預濾波和采樣后，由 A/D 變換器變 換為二進制數(shù)字碼。 加窗處理 通常采用一個長度有限的窗函數(shù) w(n)來乘語音信號 s(n),從而形成加窗語音 )(nsw ＝ s(n)w(n)。理想的窗函數(shù)的頻率響應要求，主瓣無限狹窄且沒有旁瓣（無頻譜泄漏），但在實際過程中無法實現(xiàn)。根據(jù)不同應用，通常采用矩形窗、海明窗和漢寧窗等窗函數(shù)來逼近理想的頻率響應。 矩形窗主瓣最小，但旁瓣最高；海明窗具有最寬的主瓣和最低的旁瓣高度。從應用的角度來說，矩形窗有最高的頻域分辨率，但泄漏較高，海明窗可以有效克服泄漏7 現(xiàn)象，具有平滑的低 通特性。 短時頻譜 加窗信號 )(nsw 的離散傅立葉 （ DTFT） ))(exp( ?? js 稱為 s(n)的短時頻譜，可以用下面公式計算： ????? 10)e x p()())( e x p ( NnnjnsjS ?? ?? （ 24） 2))(exp( ?? js 稱為 s(n)的短時功率譜。假設(shè) s(n)的 DTFT 是 (exp( ))Sj? ，且 w(n)的 DTFT 是 (exp( ))Wj? ，那么 (exp( ))Sj? ? 是 (exp( ))Sj? 和 (exp( ))Wj? 的周期卷積。在語音信號數(shù)字處理中，都是采用 nws??? 的 離散傅立葉變換（ DFT） ()Sk? 來代替(exp( ))Sj? ? ，并且可以用高效的快速傅立葉變換（ FFT） 算法完成由 nws??? 至 ()Sk? 的轉(zhuǎn)換。為了使 ()Sk? 具有較高的分辨率，所取的 DFT 以及相應的 FFT 點數(shù) 1N 較 nws??? 的長度 N 要大。例如，在通常采樣率為 8kHz 且?guī)L為 20ms 時 N＝ 160，而 1N 一般取為256， 512 或 1024。為了將 nws??? 的點數(shù)從 N 擴大為 1N ，可以在擴大的部分添 若干 的0 采樣值。 短時能量和短時平均幅度 語音信號的一幀內(nèi)的能量稱為短時能量，用 mE 表示： ? ? ? ?? ???????? ???? mNnnm mnwmxmnwmxEm1 22 )()()()( （ 25） 短時能量為一幀樣點值的加權(quán)平方和。可以由它的量值粗略判別語音信號的有無，同時也可以由它判斷該幀是濁音還是清音。 短時能量的一個主要問題是對于信號電平值過于敏感，而且需要計算信號樣值的平方和，在定點實 現(xiàn)時很容易溢出。為了克服這個缺點，定義短時平均幅度 mM 來衡量語音幅度的變化。 ???? ??1 )()(1 Nnnmm mnwnxNM （ 26） 但 mM 的動態(tài)范圍（最大值與最小值之比）要比短時能量小，接近于短時能量計8 算的平方根，所以用 mM 區(qū)分清音 /濁音、無 /有聲不如短時能量明顯。 短時過零率 短時過零率其定義為： ?????????????????1)()]1(s g n [)](s g n [)()]1(s g n [)](s g n [NnnmmnmnwnxnxmnwnxnxZ （ 27） 其中 sgn[]表示取符號，即 0011]s g n [??????? xxx （ 28） 由短時過零率可以概略地得到信號的變化快慢。短時過零率也可以表征清音幀與濁音幀，及區(qū)別語音的有無。但過零率容易收到噪聲電平的擾動。一般實際應用中多設(shè)置一個門限電平，以使過零率檢測有一定的抗干擾性。準確地檢測語音開始需要用短時能量和短時過零率配合檢測。 語 音特性 1． 語音是一個時變的、非平穩(wěn)隨機過程 人類發(fā)聲系統(tǒng)的生理結(jié)構(gòu)的變化速度是有限的，在 10～ 30ms 時間段內(nèi)具有相對穩(wěn)定性，可以認為其特性是不變的，因此語音的短時譜分析也有相對穩(wěn)定性。 2． 語音大體上可以分為清音和濁音兩大類 濁音在時域上呈現(xiàn)出明顯的周期性，在頻域上有共振峰結(jié)構(gòu)，而且能量大部分集中在較低頻段內(nèi)；清音則沒有明顯的時域和頻域特征，類似于白噪聲。 3． 語音感知對語音增強研究有重要作用 語音增強效果的最終度量是人的主觀感受。人耳對背景噪聲有驚人的抑制作用，了解其中機理將大大有助于語音增強技術(shù)的發(fā) 展。 (1)人耳對語音的感知是通過語音信號中各頻譜分量幅度獲得的，對各分量的相位則不敏感； 9 (2)人耳對頻譜分量強度的感受是頻率和能譜的二元函數(shù)，響度與頻譜幅度的對數(shù)成正比； (3)人耳有掩蔽效應，掩蔽的程度是聲音強度與頻率的二元函數(shù)。對頻率臨近分量的掩蔽要比頻差大的分量有效得多； (4)短時譜中的共振峰對語音的感知十分重要，特別是第二共振峰比第一共振峰更重要。因此對語音信號進行一定程度的低通濾波不會對可懂度造成影響。 語音增強的基本理論 噪聲特性 噪聲可以分為加性噪聲和噪聲。對于乘性噪聲， 有些可以通過變換而轉(zhuǎn)變?yōu)榧有栽肼?。加性噪聲大致上有：周期性噪聲、脈沖噪聲、寬帶噪聲和同聲道其它語音的干擾等。 1． 周期性噪聲 具有許多離散的線譜，主要來源于發(fā)動機等周期性運轉(zhuǎn)的機械，可以用梳狀濾波器予以抑制。然而，實際中產(chǎn)生的周期性噪聲是由許多窄譜帶組成，并且往往是時變的，且與語音信號頻譜重疊，所以必須采用自適應濾波的方法才有可能自動識別和區(qū)分噪聲分量。 2． 脈沖噪聲 表現(xiàn)為時域波形中突然出現(xiàn)的窄脈沖，來源于爆作、撞擊和放電等?？筛鶕?jù)帶噪語音信號幅度的平均值確定閥值，當信號幅度超出閥值時，判別為脈沖噪聲， 然后對它進行適當?shù)乃p；也可以根據(jù)相鄰信號樣值通過內(nèi)插的方法，在時域上進行平滑。 3． 寬帶噪聲 寬帶噪聲來源很多，熱噪聲、氣流 (風、呼吸 )噪聲及各種隨機噪聲源 ,量化噪聲也可視為寬帶噪聲。由于它與語音信號在時域和頻域上完全重疊，因而消除最為困難。這種噪聲只有在語音間歇期才單獨存在。對于平穩(wěn)的寬帶噪聲，通?？梢哉J為是白色高斯噪聲。不具有白色頻譜的噪聲，可以先進行預白化處理。 4． 同聲道語音干擾 人耳可以在兩人以上講話環(huán)境中分辨出所需的聲音，這種分辨能力是人體內(nèi)部語10 音理解機理所具有的感知能力，來源于人的雙耳輸入效 應，稱之為 “ 雞尾酒會效應 ” 。但當多個語音疊合在一起，在單信道傳輸時，雙耳信號因合并而消失。 5． 背景噪聲對發(fā)聲的影響 強噪聲不僅會使人疲勞，而且還對講話人產(chǎn)生影響，使講話人改變了在安靜環(huán)境或低噪聲環(huán)境中的發(fā)音方式，從而改變了語音的特性參數(shù)，這稱為 “ Lombard” 效應，它對語音識別系統(tǒng)有很大影響。 語音增強效果的評價方法 語音增強效果可以用主觀測量或客觀測量來評價。主觀測試方法有：平均意見得分 (MOS)、判斷韻字測試 (DRT)和判斷滿意度測試 (DAM)等。 主觀評定方法符合人類聽話時對語音質(zhì)量的感覺 ，目前得到了廣泛的應用。其中，MOS 采用五級評分標準。參加測試的實驗者在聽完所測語音后，從五個等級中選擇某一級作為他對所測語音質(zhì)量的評定。全體實驗者的平均分就是所測語音質(zhì)量的MOS 分。 DRT 是反映清晰度或可懂度的一種測試方法，使用若干對同韻母進行測試，其主要用于低速率語音編碼的質(zhì)量測試。 DAM 是對話音質(zhì)量的綜合評估，它是在多種條件下對話音質(zhì)量可接受程度的一種度量，也采用百分比評分。 至于客觀測試方法，可以直接觀測語音的時域 /頻域波形，也可以給出客觀的數(shù)值度量，通常采用原始語音信號功率與歸一化后的增強語音和原 始語音之差的功率比值來度量，簡稱信噪比 （ SNR） 。 11 第三章 譜減法的原理、算法及分析 譜 減 法 的原理 譜減法是消除噪聲的經(jīng)典算法，它是處理寬帶噪聲最通用的技術(shù)，即從帶噪語音估計值中減去噪聲頻譜估計值，而得到純凈語音的頻譜。本文基于 MATLAB 對譜減法進行設(shè)計和實現(xiàn)。仿真表明， 譜減法可以有效的降低背景噪聲，提高信噪比。 譜減法在頻域?qū)г胝Z音的功率譜減去噪聲的功率譜得到純凈語音功率譜估計，開方后就得到語音幅度譜估計，用帶噪語音的相位來近似純凈語音的相位，在采用反傅里葉變換恢復時域信號。它的優(yōu)點是比 較簡單，只需要進行正反傅里葉變換，而且實時實現(xiàn)較容易。 假定語音為平穩(wěn)信號，而噪聲和語音為加性信號且彼此不相關(guān)。此時帶噪語音信號可表示為 Nnndnsny ???? 0)()()( (31) 式中 ,s(n)為純凈語音信號， d(n)為平穩(wěn)加性高斯噪聲， y(n)為加窗后的帶噪信號。因為減譜法不需分析語音信號的頻譜特性，所以本文采用矩形窗函數(shù)。設(shè) y(n)的傅里葉系數(shù)為 ? ?k k kY Y exp j?＝ ， s(n)的傅立葉系數(shù)為 ? ?k k kS S exp j?＝ ， d(n)的傅立葉系數(shù)為 kN ，由（ 3－ 1），則有 k k kY S N＝ ＋ 。語音增強的任務(wù)就是利用估計的噪聲功率譜信息，從 kY 中得到 kS 。由于人耳對相位不敏感，所以只要估計出 kS ，然后借用帶噪語音相位，進行反傅立葉變換后就可以得到增強的語音。 減譜法的原理框圖如圖 31 所示： y（ n） 經(jīng) FFT 變化后，有 k k kY S N＝ ＋ ，由此可得 kkkkkkk NSNSNSY ?? ???? 222 (32) 其中， *表示共軛。因為假定噪聲為不相關(guān)的，所以 kS 與 kN 獨立，互譜的統(tǒng)計平均值 12 為 0，而 kN 為零均值的高斯分布，所以有 ? ? ? ? ? ?222 kkk NESEYE ?? (33) 圖 31 譜 減 法原理框圖 因為噪聲是局部平穩(wěn)的，故認為發(fā)語音前和發(fā)語音期間的噪聲功率譜相同，所以可以利用發(fā)語音前（或后）的“寂靜幀”來估計噪聲。對于一個分析幀內(nèi)的時平穩(wěn)過程，有： )(22 kSY nkk ??? (34) 其中， n? ?（ k) 為無語音時 2kN 的統(tǒng)計平均值，即 n? ?（ k) ＝ 2kEN?????。由此可得原始語音的估計值： ? ?? ?2122122)()(?kYNEYSnkkkk?????