【正文】 的龐大的 ARPA 研究計劃，雖然在語音理解、語言統(tǒng)計模型等方面的研究積累了一些經(jīng)驗，取得了許多成果，但沒能達到巨大投資應(yīng)得的成果，在1976 年停了下來，進入 了 深刻的反省階段。到了 1971 年，以美國 ARPA(American Research Projects Agency)為主導(dǎo)的“語音理解系統(tǒng)”的研究計劃也開始起步。 到了 1970 年，好似反駁 Pierce 的批評，單詞識別裝置開始了實用化階段，其后實用化的進程進一步高漲，實用機的生產(chǎn)銷售也上了軌道。然而，在語音識別領(lǐng)域內(nèi)，初期有幾種語音打字機的研究也很活躍，但后來已全部停了下來，這說明了當(dāng)時人們對話音識別難度的認識得到了加深。 20 世紀(jì) 60 年代中期形成的一 系列數(shù)字信號處理方法和技術(shù)， 如 數(shù)字濾波器、快速博里葉變換 (FFT)等成為語音信號數(shù)字處理 的理論和技術(shù)基礎(chǔ)。 1956 年 Olson 和 Belar 等人采用 8 個帶通濾波器組提 取頻譜參數(shù)作為語音的特征，研制成功一 臺簡單的語音打字 機。 2 但是它的快速發(fā)展可以說是從 1940 年前后 Dudley 的聲碼器 (vocoder)和 potter等人的可見語音 （ Visible Speech)開始的。因為許多處理的新方法的提出，首先是在語音信號 處理中獲得成功，然后再推廣到其他領(lǐng)域 。語音信號采集與分析 是以語音語言學(xué)和數(shù)字信號處理為基礎(chǔ)而形成的一門涉及面很廣的綜合性學(xué)科，與心理、生理學(xué)、計算機科學(xué)、通信與信息科學(xué)以及模式識別和人工智能等學(xué)科都有著非常密切的關(guān)系。我們今天進行這一領(lǐng)域的研究與開拓就是要讓語音信號處理技術(shù)走入 人們的日常生活當(dāng)中，并不斷朝更高目標(biāo)而努力。 工業(yè)生產(chǎn)部門 的語聲控制，電話、電信系統(tǒng)的自動撥號、輔助控制與查詢以及醫(yī)療衛(wèi)生和福利事業(yè)的生活支援系統(tǒng)等各種實際應(yīng)用領(lǐng)域相接軌，并且有望成為下一代操作系統(tǒng)和應(yīng)用程序的用戶界面。作為高科 技 應(yīng)用領(lǐng)域的研究熱點，語音信號 采集與分析 從理論的研究到產(chǎn)品的開發(fā)已經(jīng)走過了幾十個春秋并且取得了長 遠 的進步。 讓計算機能聽懂人類的語言，是人類自計算機誕生以來夢寐以求的想法。并且，由于語言和語音與人的智力活動密切相關(guān)，與社會文化和進步緊密相連，所以它具有最大的信息容量和最高的智能水平。 聲音是人類常用的工具，是相互傳遞信息的最主要的手段。 關(guān)鍵字： Matlab， 語音信號 ， 傅里葉變換 ， 信號處理 1 1 緒 論 課題的背景與意義 通過語音傳遞 信 息是人類最重要 、最有效、最常用和最方便的交換信息的形式。信號處理是 Matlab 重要應(yīng)用的領(lǐng)域之一。 數(shù)字信號處理（ DigitalSignalProcessing，簡稱 DSP）是利用計算機或?qū)Ｓ锰幚碓O(shè)備，以數(shù)字形式對信號進行采集、變換、濾波、估值、增強、壓縮、識別等處理，以得到符合人們需要的信號形式 。 I 摘要 語音信號處理是研究用數(shù)字信號處理技術(shù)和語音學(xué)知識對語音信號進行處理的新興的學(xué)科，是目前發(fā)展最為迅速的信息科學(xué)研究領(lǐng)域的核心技術(shù)之一。通過語音傳遞信息是人類最重要、最有效、最常用和最方便的交換信息形式。 Matlab 語言是一種數(shù)據(jù)分析和處理功能十分強大的計算機應(yīng)用軟件，它可以將聲音文件變換為離散的數(shù)據(jù)文 件，然后利用其強大的矩陣運算能力處理數(shù)據(jù)，如數(shù)字濾波、傅里葉變換、時域和頻域分析、聲音回放以及各種圖的呈現(xiàn)等，它的信號處理與分析工具箱為語音信號分析提供了十分豐富的功能函數(shù)，利用這些功能函數(shù)可以快捷而又方便地完成語音信號的處理和分析以及信號的可視化，使人機交互更加便捷。 本設(shè)計針對現(xiàn)在大部分語音處理軟件內(nèi)容繁多、操作不便等問題，采用 綜合運用 GUI 界面設(shè)計、各種函數(shù)調(diào)用等來實現(xiàn)語音信號的變頻 、傅里葉變換及濾波，程序界面簡練，操作簡便，具有一定的實際應(yīng) 用意義。語言是人類持有的功能。因此，語音信號是人們構(gòu)成思想疏通和感情交流的最主要的途徑?，F(xiàn)在，人類已開始進入了信息化時代，用現(xiàn)代手段研究語音 信 號 ，使人們能更加有效地產(chǎn)生、傳輸、存儲、獲取和應(yīng)用語音信息，這對于促進社會的發(fā)展具有十分重要的意義。隨著計算機越來越向便攜化方向發(fā)展，隨著計算環(huán)境的日趨復(fù)雜化，人們越來越迫切要求擺脫鍵盤的束縛而代之以語音輸人這樣便于使用的、自然的、人性化的輸人方式。它正在直接與辦公、交通、金融、公安、商業(yè)、 旅游等行業(yè)的語音咨詢與管理?？梢?，語音信號 采集與分析 的研究將是一項極具市場價值和挑戰(zhàn)性的工作。 語音信號 采集與分析 之所以能夠那樣長期地、深深地吸引廣大科學(xué)工作者去不斷地對其進行研究和探討，除了它的實用性之外，另一個重要原因是，它始終與 當(dāng)時信息科學(xué)中最活躍的前沿學(xué)科保持密切的 聯(lián)系， 并且一起發(fā)展。對語音信號 采集與分析 的研究一直是數(shù)字信號處理技術(shù)發(fā)展的重要推動力量。 國內(nèi)外研究現(xiàn)狀 語音信號 的采集與分析 作為一個重要的研究領(lǐng)域，已經(jīng)有很長的研究歷史。 1952 年貝爾 (Bell)實驗室的 Davis 等人首次研制成功能識別十個英語數(shù)字的實驗裝置。 20世紀(jì) 60 年代 初 由于 Faut和 Steven 的努力，奠定了 語 音生成理論的基礎(chǔ)，在此基礎(chǔ)上語音合成的研究得到了扎實的進展 。在方法上，隨著電子計算機的發(fā)展，以往的以硬件為中心的研究逐漸轉(zhuǎn)化為以軟件為主的處理研究。所以 1969 年美國貝爾研究所的 Pierce 感嘆地說“ 語音識別向何處去 ?” 。此外社會上所宣傳的聲紋 (Voice Print)識別，即說話人識別的研 究也扎扎實實地開展起來，并很快達到了實用化的階段。這個研究計劃不僅在美國園內(nèi)，而且對世界各國都產(chǎn)生了很大的影響，它促進了連續(xù)語音識別研究的興起。但是，在整個 20 世紀(jì) 70 年代還是有幾項研究 成果對語音信號處理技術(shù)的進步和發(fā)展產(chǎn)生了重大的影響。從此矢量量化技術(shù)不僅在語音 識別、語音編碼和說話人識別等方面發(fā)揮了重要作用，而且很快推廣到其他許多領(lǐng)域。 20 世紀(jì) 80 年代，由于矢量量化、隱馬爾可夫模型和人工神經(jīng)網(wǎng)絡(luò) (ANN)等相繼被應(yīng)用于語音信號處理，并經(jīng)過不斷改進與完善，使得語音信號處理技術(shù)產(chǎn)生了突破性的進展。其理論基礎(chǔ)是 1970 年前后，由 Baum等 人 建立起來的，隨后，由美國卡內(nèi)基 梅 隆 大學(xué) (CMU)的 Baker和 美國 IBM 公司的Jelinek 等人將其應(yīng)用到語音識別中。 進入 20 世紀(jì) 90 年代以來，語音信號 采集與分析 在實用化方面取得了許多實質(zhì)性的研究進展。一方面，對聲學(xué)語音學(xué)統(tǒng)計模型的研究逐漸深入， 魯棒 的語音識別、基于語音段的建模方法及隱馬爾可夫模型 與人工 神 經(jīng)網(wǎng)絡(luò)的結(jié)合成為研究的熱點。 數(shù)字信號處理（ DSP）簡介 數(shù)字信號處理（ DigitalSignalProcessing，簡稱 DSP）是一門涉及許多學(xué)科而又廣泛應(yīng)用于許多領(lǐng)域的新興學(xué)科。在過去的二十多年時間里，數(shù)字信號處理已經(jīng)在通信等領(lǐng)域得到極為廣泛的應(yīng)用。 數(shù)字信號處理是圍繞著數(shù)字信號處理的理論、實現(xiàn)和應(yīng)用等幾個方面發(fā)展起來的。反過來，數(shù)字信號處理的應(yīng)用又促進了數(shù)字信號處理理論的提高。 數(shù)字信號處理是以眾多學(xué)科為理論基礎(chǔ)的，它所涉及的范圍極其廣泛。近來新興的一些學(xué)科，如人工智能、模式識別、神經(jīng)網(wǎng)絡(luò)等，都與數(shù)字信號處理密不可分。 本文主要工作 4 本文簡要介紹了語音信號采集與分析的發(fā)展史以及語音信號的特征、采集與分析方法，并通過 PC 機錄制自己的一段聲音，運用 Matlab 進行仿真分析，最后加入噪聲進行濾波處理，比較濾波前后的變化。第 3 章主要是對語音信號進行時域、頻域上的分析 ，如短時功率譜，短時能量，短時平均過零率，語譜圖分析等等。 5 2 語音信號的特點與采集 語音信號的特點 通過對大量語音信號的觀察和分析發(fā)現(xiàn)，語音信號主要有下面兩個特點： ○ 1 在頻域內(nèi)，語音信號的頻譜分量主要集中在 300～ 3400Hz 的范圍內(nèi)。 ○ 2 在時域內(nèi)，語音信號具有“短時性”的特點，即在總體上，語音信號的特征是隨著時間而變化的，但在一段較短的時間間隔內(nèi)，語音信號保持平穩(wěn)。 下面是一段語音信號的時域波形圖 (圖 21)和頻域圖 (圖 22)，由這兩個圖可以看出語音信號的兩個特點。 ○ 2 抑制 50Hz 的電源工頻干擾。當(dāng)使用要求較高或很高的場合時 fH＝ 4500Hz或 8000Hz、 fL＝ 60Hz、 fs＝ 10kHz 或 20kHz。 采樣也稱抽樣，是信號在時間上的離散化，即按照一定時間間隔△ t 在模擬信號 ｘ (t)上逐點采取其瞬時值。 下圖時一段語音信號在采樣頻率 情況下的頻譜圖。 7 0 1 2 3 4 5 6x 1 04 0 . 200 . 20 . 40 . 6抽取后的信號0 5000 10000 1500011 . 522 . 53 圖 24抽取后的信號時域波形圖和頻域波形圖 對上述信號進行 1/80 采樣頻率抽取，即 采樣頻率 變?yōu)閷⒔?500Hz 時，由于采樣頻率比較小，所以采樣點數(shù)就稀疏，所得離散信號就越偏離于原信號，頻譜也發(fā)生了混疊。如何合理選擇△ t涉及到許多需要考慮的技術(shù)因素。但過高的采樣頻率并不可取，對固定長度（ T）的信號，采集到過大的數(shù)據(jù)量（ N=T/△ t），給計算機增加不必要的計算工作量和存儲空間；若數(shù)據(jù)量（ N）限定，則采樣時間過短，會導(dǎo)致一些數(shù)據(jù)信息被排斥在外。 根據(jù)采樣定理，當(dāng)采樣頻率大于信號的兩倍帶寬時，采樣過程不會丟失信息，利用理想濾波器可從采樣信號中不失真 地重構(gòu)原始信號波形。量化電平按級數(shù)變化，實際的振動值是連續(xù)的物理量。 語音信號經(jīng)過預(yù)濾波和采樣后，由 A／ D 變換器變換為二 進 制數(shù)字碼 。市面上購買到的普通聲卡在這方面做的都很好，語音聲波通過話筒輸入到聲卡后直接獲得的是經(jīng)過防混疊濾波、 A/D 變換、量化處理的離 8 散的數(shù)字信號。調(diào)節(jié)錄音機保存界面的“更改”選項，可以存儲各種格式的 WAVE 文件。 Windows 自帶的錄音機 聲音 麥克風(fēng) 聲卡 濾波 采樣 A/D 轉(zhuǎn)換 Wav 9 3 語音信號的分析 語音信號分析是語音信號處理的前提和基礎(chǔ)，只有分析出可表示語音信號本質(zhì)特征的參數(shù)，才有可能利用這些參數(shù)進行高效的語音通信、語音合成和語音識別等處理。因此語音信號分析在語音信號處理應(yīng)用中具有舉足輕重的地位。因為，語音信號從整體來看其特性及表征其本質(zhì)特征的參數(shù)均是隨時間而變化的，所以它是一個非 平 穩(wěn)態(tài)過程，不能用處理 平 穩(wěn)信號的數(shù)字信號處理技術(shù)對其進行分析處理。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。 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，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。 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)。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。這種分析方法的特點是： ○ 1 表示語音信號比較直觀、物理意 10 義明確。 ○ 3 可以得到語音的一些重要的參數(shù)。 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。 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： ( ) ( ) ( ) ( )nx m w m x n m m?? 01mN? ? ? 1 0 ~ ( 1)( ) { mNmwm ???? ， 0， 其 他 值 其中， n＝ 0， 1T， 2T，?，并且 N為幀長， T 為幀移長度。為此可采用另一個度量語音信號幅度值變化