語音信號的短時分析技術(shù)

1、v常用的短時分析技術(shù)有：短時能量短時平均幅度短時過零率短時自相關(guān)函數(shù)短時平均幅度差函數(shù)短時頻譜短時功率譜預(yù)濾波v預(yù)濾波的目的防止混疊干擾抑制50Hz的電源干擾預(yù)濾波實際上是一個帶通濾波器，其上下截止頻率分別為fH和fL 。對于絕大多數(shù)語音編碼器而言，要求fH=3400Hz, fL=60100Hz， fs=8KHz.對于語音識別系統(tǒng)而言，用于電話用戶時要求技術(shù)指標(biāo)與語音編碼器相同，如果對于更高的要求場合，則fH=4500Hz或8000Hz, fL=60Hz， fs=10KHz或20KHz幀和加窗的概念v短時分析將語音流分為一段一段來處理，每一段稱為一“幀”；v幀長：1030ms，20ms常見；（

2、幀率）幀移：01/2幀長，幀與幀之間的平滑過渡；v為了減小語音幀的截斷效應(yīng)，需要加窗處理；)()()(nwnsnsw10, 1)(Nnnw10),12cos(46. 054. 0)(NnNnnw10),12cos(1 (5 . 0)(NnNnnw矩形窗HammingHannv不同的窗口選擇（形狀、長度），將決定短時平均能量的性質(zhì)。什么樣的窗口，其短時平均能量才能更好的反映語音信號的振幅變化哪？v首先是窗口的形狀，窗口有多種形狀，他們都是中心對稱的。v其次是窗口的長度，無論什么形狀的窗口，窗口序列的長度N將起決定性的作用。N選得太大，濾波器的通帶變窄，波形的振幅變化細(xì)節(jié)就看不出來，反之，如果N太

3、小，則濾波器的通帶變寬，信號得不到足夠的平均。v所謂窗口長度的長短，都是相對于語音信號的基調(diào)周期而言的。通常認(rèn)為在一個語音幀內(nèi)，應(yīng)含有17個基調(diào)周期為好?？墒侨说恼Z音的基調(diào)周期值是變化的，從女性小孩的2ms到老年男子的14ms（即基調(diào)頻率為500Hz至70Hz），所以N的選擇是比較困難的。通常折衷的選擇N為100200點為宜。若采用頻率為10KHz，則相當(dāng)于每幀的長度（即窗口序列的長度）約為1020ms為宜。若采樣頻率為8KHz，200點相當(dāng)于25ms，40幀/s；120點相當(dāng)于15ms，66幀/s.窗函數(shù)及其比較三種窗函數(shù)都有低通特性，通過分析三種窗的頻率響應(yīng)幅度特性可以發(fā)現(xiàn)：矩形窗的主瓣寬

4、度最小，旁瓣高度最高，會導(dǎo)致泄漏現(xiàn)象，哈明窗的主瓣最寬，旁瓣高度最低，可以有效的克服泄漏現(xiàn)象，具有更平滑的低通特性，應(yīng)用更廣泛。v窗口的形狀和長度對分析影響很大，不同的分析方法對窗函數(shù)的要求不盡一樣；10203040506000.81SamplesAmplitudeTime domain00.8-100-80-60-40-2002040Normalized Frequency ( rad/sample)Magnitude (dB)Frequency domainHamming10203040506000.81SamplesAmplitude

5、Time domain00.8-150-100-50050Normalized Frequency ( rad/sample)Magnitude (dB)Frequency domain10203040506000.81SamplesAmplitudeTime domain00.8-20-10010203040Normalized Frequency ( rad/sample)Magnitude (dB)Frequency domainHann矩形窗語音信號的短時能量（語音信號強度的度量參數(shù)）v如果窗的起點是n=0，短時能量為v如果窗的起點

6、為n=m，短時能量為：)(1020nSENnw)(12mnSEmNmnwm不同窗口寬度的短時能量函數(shù)示意圖短時平均能量的主要用途可以從語音中區(qū)別出濁音來，因為濁音時短時平均能量的值要比清音時短時平均能量的值大很多；可以用來區(qū)別聲母和韻母的分界、無聲和有聲的分界等最為一種超音段信息，用于語音識別中。語音信號的短時平均幅度v如果窗的起點是n=0，短時平均幅度為v如果窗的起點為n=m，短時平均幅度為：1)(mNmnwmmnSM100)(NnwnSMv短時過零率v波形穿過橫軸（零電平）的次數(shù)|)1(sgn)(sgn|210nsnsZww短時過零可以看作信號頻率的簡單度量0, 10, 1)sgn(xxx

7、語音信號的短時過零率Zv過零就是指信號通過零值。過零率就是每秒內(nèi)信號值通過零值的次數(shù)。v對于離散時間序列，過零則是指序列取樣值改變符號，過零率則是每個樣本的改變符號的次數(shù)。對于語音信號，則是指在一幀語音中語音信號波形穿過橫軸（零電平）的次數(shù)。可以用相鄰兩個取樣改變符號的次數(shù)來計算。v如果窗的起點是n=0，短時過零率Z為100)1()(21NnwwnSSgnnSSgnZ將Z應(yīng)用于語音信號分析中v發(fā)濁音時，聲帶振動，因而聲門激勵是以此音調(diào)頻率為基頻來使聲道共振；盡管有若干個共振峰，但其能量的分布集中于低于3KHz的頻率范圍內(nèi)。v發(fā)清音時聲帶不振動，聲道某部分阻塞產(chǎn)生類白噪聲激勵，通過聲道后其能量集

8、中在比濁音時更高的頻率范圍內(nèi)。v濁音時能量集中于較低頻率段內(nèi)，具有較低的過零率，而清音時能量集中于較高頻率段內(nèi)，具有較高的過零率。濁音和清音情況下典型的平均過零率的直方圖。直方圖的分布形狀與高斯分布很吻合，而且濁音時的短時平均過零率的均值為14過零/10ms，清音時短時過零率的均值為47過零/10ms。注意到濁音和清音有一個交疊區(qū)域，此時很難分清是濁音還是清音，盡管如此，平均過零率仍可以粗略的判斷清音和濁音。v短時平均能量和短時平均過零率兩個參數(shù)，也都可以用于語音識別中。主要用于識別無聲段和語音段的起點和終點的位置。v在背景噪聲比較小的時候用平均能量來識別比較有效，在背景噪聲比較大的時候用平均

9、過零率來識別比較有效，但是通常情況是兩個參數(shù)聯(lián)合進(jìn)行識別。vE、M、Z的條件概率密度函數(shù)濁音、清音、無聲的短時特性S（無聲）U（清音）V（濁音）三種情況下短時平均幅度的條件概率密度的示意圖?？梢钥闯觯瑵嵋舻亩虝r平均幅度最大，無聲的短時平均幅度最小。清音的短時過零率最大，無聲居中，濁音的短時過零率最小。語音有聲和無聲v在許多語音處理技術(shù)中需要判斷一段輸入信號中哪些是語音段，哪些是無聲段（只有背景噪聲）v在語音識別中正確的決定所要識別語音的起點、終點對于提高識別率往往是重要的。v對于數(shù)字移動通信的手持機(jī)編譯碼器，在較長的無聲段應(yīng)降低發(fā)射功率以節(jié)約其電池的消耗。語音有聲和無聲v對于已經(jīng)判定為語音段的

10、部分，尚需決定其清音或濁音，無論對于語音識別還是低速語音編譯碼器這都是很重要的。這些問題可以概括為無聲/有聲判決以及更細(xì)致的S/U/V判決。v能夠?qū)崿F(xiàn)這些判決的依據(jù)在于不同性質(zhì)的語音的各種短時參數(shù)具有不同的概率密度函數(shù)以及相鄰的若干幀語音應(yīng)具有一致的語音特性，它們不會在 S、U、V之間跳來跳去。判斷語音信號的起點和終點v在獨立詞（字）語音識別系統(tǒng)中需正確判定每一個輸入語音的起點和終點，利用短時平均幅度和短時過零率可以做到這一點。v首先，可根據(jù)濁語音情況下短時平均幅度M的概率密度函數(shù)P(M/V)確定一個閾值參數(shù)MH, MH的值定得比較高。當(dāng)一幀輸入信號的M值超過MH時，就可以十分肯定該幀語音信號

11、不是無聲，而有相當(dāng)大的可能性是濁音。判斷語音信號的起點和終點v根據(jù)MH可判定輸入語音中的前后兩個點N1和N2, N1和N2之間肯定是語音段，但是語音的精確起點、終點還要在N1之前和N2之后仔細(xì)查找。為此在設(shè)置一個低閾值參數(shù)ML ，由N1向前找，當(dāng)短時平均幅度M由大到小減至ML時可以確定點N1 。類似由N2向后找，可以確定N2 。在N1和N2之間仍能肯定是語音段。判斷語音信號的起點和終點v由N1向前和N2向后繼續(xù)用短時過零率Z進(jìn)行搜索。根據(jù)無聲情況下短時過零率Z的均值，設(shè)置一個參數(shù)Z0，如果由N1向前搜索時Z始終大于Z0的3倍，則認(rèn)為這些信號仍屬于語音段，直至Z突然下降到低于3Z0值時，這時可以

12、確定語音的精確起點（為了保證可靠，由N1 向前搜索時間不超過25ms）。對終點做同樣的處理。采取這一算法的原因在于， N1以前可能是一段清輔音段（如f,s），它的能量相當(dāng)弱，依靠能量不可能把他們與無聲段區(qū)別開，而他們的過零率明顯高于無聲，因而能用這個參數(shù)來精確的判斷二者的分割點，也就是語音真正的起點。判斷語音信號的起點和終點v另一種判斷的方法是如果能夠求出S、U、V三種情況下短時平均幅度M和短時過零率Z的條件聯(lián)合概率密度函數(shù)P(M、 Z/S), P(M、Z/U), P(M、Z/V)，那么就可以采用統(tǒng)計學(xué)中的最大似然算法，根據(jù)一幀信號的M和Z值來判斷它的S/U/V。就是計算后驗概率：vP(X/M

13、,Z)=P(M,Z/X)P(X)/P(M,Z)v其中，X=S或U或V。后驗概率最大者即作為判決結(jié)果。v事實上，僅依靠M和Z兩個參數(shù)還是不夠的，通常要選擇更多的參數(shù)，如相關(guān)函數(shù)等。v短時自相關(guān)函數(shù)10)()()(kNnwwwknsnskR1、是偶函數(shù)；2、s(n)是周期的，那么R(k)也是周期的；3、可用于基音周期估計和線性預(yù)測分析；語音信號的短時自相關(guān)函數(shù)假設(shè) 一段加窗語音信號，非零區(qū)間為n=0N-1, 的自相關(guān)函數(shù)稱為語音信號的短時自相關(guān)函數(shù)，)(nsw 1, 1)()()()()(10NNllnSnSlnSnSlRnlNnwwwww可以證明，自相關(guān)函數(shù)是偶函數(shù)，且在l=0處取得最大值，且值

14、為短時能量)(nswv修正的自相關(guān)函數(shù)KkknsnskRNnwww0, )()()(10)()()(nwnsnswKNnnw10, 1)(短時自相關(guān)函數(shù)的特點濁音是周期信號，濁音的短時自相關(guān)函數(shù)也呈現(xiàn)明顯的周期性，自相關(guān)函數(shù)的周期就是濁音信號的周期。清音接近于隨機(jī)噪聲，請音的短時自相關(guān)函數(shù)不具有周期性，且隨著l的增大迅速減小。根據(jù)這個性質(zhì)可以判斷一個語音信號是清音還是濁音，還可以判斷濁音的基音周期。語音信號的短時頻譜)(nsw的離散時域付里葉變換)(exp( jwSw稱為語音信號的短時頻譜10)exp()()(exp(NnwwjwnnsjwS2)(exp(jwSw稱為語音信號的短時功率譜語音信

15、號的短時頻譜窗函數(shù)w(n)語音信號S(n)加窗語音信號Sw(n)DTFTS(exp(jw)DTFTW(exp(jw)DTFTSw(exp(jw)計算短時頻譜一般采用哈明窗)(exp()(exp()(exp(jwWjwSjwSw)()()(nwnsnswv短時平均幅度差函數(shù)（AMDF）Average Magnitude Difference FunctionRoss等人于1974年提出的 10| )()(|)(lNnwwwnslnslD050100150200250300350-4000-20000200040006000Voiced Frame. The pitch is about 42.0

16、5010015020025030035002468x 105AMDF Fun050100150200250300350400450-4000-2000020004000(a) A Voiced Speech Segment05010015020025030035040045002468x 105(b) AMDF for the Speech Segment( + local minima )050100150200250300350400450-2000020004000A: Speech Segment05010015020025000.511.522.5x 105B: Modified A

17、MDF( + local minima )短時基音周期估計v基于短時自相關(guān)函數(shù)的基音周期估計最大峰與基音周期不一致，要求幀長大于兩個基音周期；受共振峰的干擾，可以采取濾波或中心消波預(yù)處理。v基于短時AMDF的基音周期估計需進(jìn)行谷值點清晰度檢查、比較復(fù)雜的閾值判決；預(yù)處理可以改善效果；對幅度變化比較敏感?；诙虝r自相關(guān)函數(shù)的基音周期估計方法v短時自相關(guān)函數(shù)在基音周期的各個整數(shù)倍點上取得最大值，只要能找到第一最大峰值點的位置并計算它與l=0點的間隔，便能估計出基音周期。v實際上，第一最大峰值點的位置有時不能與基音周期相吻合。因此很多時候并不是計算l=0點的距離作為基音周期。產(chǎn)生這種情況的原因：與窗

18、的選取長度有關(guān)，窗口過長或過短都會導(dǎo)致不一致。通常認(rèn)為窗長至少應(yīng)大于兩個基音周期，語音信號中最長的基音周期約為20ms,因此在基音周期估計時窗長應(yīng)選的大于40ms。與聲道特性的影響有，有時窗長足夠長，但是第一最大值與基音周期仍不一致，這是主要由聲道的共振峰特性造成的干擾。（1、60900Hz的帶通濾波器濾波，并用濾波信號的自相關(guān)函數(shù)進(jìn)行基音周期的估計； 2、對語音信號進(jìn)行非線性變換后求自相關(guān)函數(shù)，一種有效的非線性變換是中心削波，削波后基音周期的峰起更尖銳） 語音信號的短時平均幅度差函數(shù)（AMDF）為了求基音周期，還可以采用短時平均幅度差函數(shù)10)()()(lNnwwwnslnslr對于周期語音信號，其短時平均幅度差函數(shù)也是周期性的。在估計基音周期時，不論計算短時自相關(guān)函數(shù)還是短時平均幅度差函數(shù)，一般都采用矩形窗基于短時平均幅度差函數(shù)的基音周期估計方法的特點v基音周期的谷點銳度比峰點的銳度要尖銳，估計的精度更高v計算短時平均幅度差函數(shù)不用乘法，計算量小v可以通過對語音信號進(jìn)行譜平滑（去除共振峰的影響）和中心削波處理來改善基音周期估計的效果v短時平均幅度差函數(shù)對于語音信號的快速變化比較敏感。對基音周期軌跡的平滑v中值濾波 平滑點附近左右各取L個點，將2L+1個點按大小排列，取隊列中間值作為平滑器的輸出v線性濾波 通過一個低通濾波器v組合平滑 可以將兩個