基于時(shí)域特征的語(yǔ)音自動(dòng)分割算法實(shí)現(xiàn)

引言眾所周知，語(yǔ)言是人們之間彼此交流溝通的最方便最快捷的手段之一。在如今這個(gè)信息時(shí)代中用數(shù)字化的方式來(lái)實(shí)施語(yǔ)音的傳輸、儲(chǔ)存、識(shí)別、合成、增強(qiáng)是整個(gè)數(shù)字通信系統(tǒng)中最為關(guān)鍵的要素之一REF_Ref450503226\r\h[1]。連續(xù)語(yǔ)音的自動(dòng)分割是我們?cè)谶M(jìn)行語(yǔ)音信號(hào)處理的過(guò)程中遇到的首個(gè)需要解決的復(fù)雜難點(diǎn)。之所以要進(jìn)行語(yǔ)音的自動(dòng)分割，就是為了減少語(yǔ)音識(shí)別的計(jì)算量并提高語(yǔ)音識(shí)別系統(tǒng)的識(shí)別精度。我們?cè)趯?duì)語(yǔ)音進(jìn)行過(guò)分割之后就可以將語(yǔ)音段和噪聲段別離開(kāi)來(lái)，這樣后續(xù)再進(jìn)行語(yǔ)音識(shí)別的時(shí)候識(shí)別系統(tǒng)只需要對(duì)語(yǔ)音段進(jìn)行檢測(cè)。如果語(yǔ)音自動(dòng)分割出現(xiàn)錯(cuò)誤，那么語(yǔ)音信號(hào)的識(shí)別也就無(wú)法實(shí)現(xiàn)。這在許多語(yǔ)音處理領(lǐng)域中是一個(gè)十分根本的問(wèn)題。特別是在進(jìn)行獨(dú)立的單個(gè)文字自動(dòng)識(shí)別的時(shí)候，能否準(zhǔn)確的找到每個(gè)單字的語(yǔ)音信號(hào)范圍，以及能否將聲母、韻母分割開(kāi)都是十分重要的。語(yǔ)音信號(hào)分割的準(zhǔn)確與否對(duì)于一個(gè)完整的語(yǔ)音識(shí)別系統(tǒng)具有重要意義，不僅算法會(huì)影響其最終實(shí)現(xiàn)和使用效果，最終結(jié)果在很大程度上受外界環(huán)境的影響是非常大的。因?yàn)檩斎胄盘?hào)的時(shí)候根本不可能是純粹的語(yǔ)音輸入，多多少少都會(huì)帶有一定的背景噪聲。研究人員通過(guò)實(shí)驗(yàn)比照發(fā)現(xiàn)，語(yǔ)音自動(dòng)分割的準(zhǔn)確性會(huì)直接影響到語(yǔ)音識(shí)別的結(jié)果，因?yàn)槿绻指钏惴▽?duì)于語(yǔ)音和噪聲的判斷出現(xiàn)錯(cuò)誤那么之后對(duì)所謂語(yǔ)音段進(jìn)行的識(shí)別也就變得毫無(wú)意義。因此一個(gè)優(yōu)秀的語(yǔ)音自動(dòng)分割結(jié)果就意味著語(yǔ)音識(shí)別過(guò)程的一個(gè)好的開(kāi)始。進(jìn)行自動(dòng)分割為了達(dá)成的目的就是，在各種各樣的應(yīng)用環(huán)境下的信號(hào)流中將人聲段和噪聲段分開(kāi)，并進(jìn)一步確定語(yǔ)音信號(hào)的起始點(diǎn)及結(jié)束點(diǎn)REF_Ref450565110\r\h[2]。1948年香農(nóng)〔C.E.Shannon〕把關(guān)于熵的概念引入到信息論中，把熵看作是一個(gè)隨機(jī)事件的不確定性的度量REF_Ref450565551\r\h[3]。熵的大小和一個(gè)系統(tǒng)的有序度直接相關(guān)，有序度越高，熵就越低；反之，一個(gè)系統(tǒng)隨機(jī)性越高，其熵就越高。本課題是要提出一種相對(duì)簡(jiǎn)便并具有一定準(zhǔn)確率的語(yǔ)音自動(dòng)分割算法。綜合比照各類算法后決定采用一種子帶譜熵的改進(jìn)算法來(lái)進(jìn)行語(yǔ)音分割。算法的總體流程主要包括輸入語(yǔ)音文件、進(jìn)行預(yù)處理、選擇適宜參數(shù)、分析確定閾值、檢測(cè)語(yǔ)音信號(hào)端點(diǎn)。該算法在傳統(tǒng)譜熵法的根底上進(jìn)行了改進(jìn)，提出了一些經(jīng)驗(yàn)性的約束，設(shè)定了歸一化譜概率密度的上限，并引入了子帶譜熵的思想從而進(jìn)一步提高了語(yǔ)音自動(dòng)分割的準(zhǔn)確性REF_Ref451160971\r\h[12]。概述2.1課題背景語(yǔ)音自動(dòng)分割技術(shù)在語(yǔ)音識(shí)別系統(tǒng)中占有重要地位，是整個(gè)系統(tǒng)的重要組成局部。所謂語(yǔ)音自動(dòng)分割技術(shù)，就是通過(guò)計(jì)算機(jī)的智能識(shí)別將人說(shuō)話的音節(jié)局部和說(shuō)話人所處的背景噪聲相別離，從而為下一步進(jìn)行的語(yǔ)音識(shí)別打好根底。如果對(duì)于語(yǔ)音的分割不準(zhǔn)確，語(yǔ)音信號(hào)識(shí)別就會(huì)因?yàn)橐艄?jié)錯(cuò)誤而無(wú)法實(shí)現(xiàn)或出現(xiàn)大量錯(cuò)誤。在實(shí)際工程應(yīng)用中，我們需要在進(jìn)行語(yǔ)音內(nèi)容識(shí)別之前先對(duì)輸入系統(tǒng)的連續(xù)語(yǔ)音信號(hào)進(jìn)行預(yù)處理，將每個(gè)音節(jié)的起始點(diǎn)和終止點(diǎn)劃分出來(lái)。這樣識(shí)別系統(tǒng)才能有效的針對(duì)每個(gè)音節(jié)分別進(jìn)行識(shí)別操作，不會(huì)盲目識(shí)別噪聲信號(hào)的內(nèi)容，使得語(yǔ)音識(shí)別系統(tǒng)能夠盡可能的做到對(duì)語(yǔ)音信號(hào)實(shí)時(shí)、準(zhǔn)確的判斷。隨著數(shù)字信號(hào)處理技術(shù)和計(jì)算機(jī)性能的不斷開(kāi)展，一些具有自適應(yīng)、人工智能特性的語(yǔ)音識(shí)別系統(tǒng)已經(jīng)可以在不是特別復(fù)雜的環(huán)境下對(duì)語(yǔ)音信號(hào)做出較為精確的判斷。隨著市場(chǎng)需求的不斷增加，各研發(fā)機(jī)構(gòu)在相關(guān)硬件和軟件配套設(shè)施的投入上越來(lái)越大，各類高魯棒性的新型算法正不斷走進(jìn)我們的日常生活。雖然我們?cè)谌粘Ｊ褂弥袝?huì)發(fā)現(xiàn)內(nèi)置于各類終端中的語(yǔ)音識(shí)別功能并不是十分好用，很多時(shí)候都會(huì)出現(xiàn)錯(cuò)誤，但我們?nèi)匀粦?yīng)該對(duì)語(yǔ)音識(shí)別技術(shù)為我們生活提供的方便表示感謝，并對(duì)該領(lǐng)域技術(shù)的開(kāi)展持有樂(lè)觀態(tài)度。語(yǔ)音識(shí)別技術(shù)的市場(chǎng)應(yīng)用還處于初期階段，為了使該技術(shù)的市場(chǎng)化應(yīng)用更為便利，目前需要為語(yǔ)音輸入通道硬件和軟件的根本引擎和平臺(tái)建立相應(yīng)的標(biāo)準(zhǔn)和標(biāo)準(zhǔn)，這樣一來(lái)語(yǔ)音識(shí)別技術(shù)就可以通過(guò)統(tǒng)一標(biāo)準(zhǔn)的結(jié)構(gòu)集成到各種各樣需要語(yǔ)音功能的軟件、操作系統(tǒng)中去，從而改變電子產(chǎn)品傳統(tǒng)的人機(jī)交互模式，實(shí)現(xiàn)大量的語(yǔ)音控制。隨著語(yǔ)音電子產(chǎn)品的不斷開(kāi)展，語(yǔ)音識(shí)別技術(shù)為了適應(yīng)市場(chǎng)的現(xiàn)實(shí)需求，其在研究和開(kāi)發(fā)中還有著大量的工作要做。2.2語(yǔ)音信號(hào)簡(jiǎn)述通過(guò)對(duì)人們講話語(yǔ)音在時(shí)域和頻域兩個(gè)方面進(jìn)行研究分析，發(fā)現(xiàn)無(wú)論人們的年齡處于哪個(gè)階段，語(yǔ)音的頻率分布都是相對(duì)密集的，大局部都集中分布在300~3400Hz的頻率范圍內(nèi)?；谶@一特征，研究人員可以在對(duì)語(yǔ)音進(jìn)行識(shí)別之前先將其通過(guò)一個(gè)帶通濾波器，將處于300~3400Hz的語(yǔ)音信號(hào)別離出來(lái)得到所需要的頻譜，這樣的初步篩選將有利于提高語(yǔ)音自動(dòng)分割算法和語(yǔ)音識(shí)別系統(tǒng)的準(zhǔn)確性以及運(yùn)行效率。然后我們需要對(duì)選定頻譜范圍內(nèi)的連續(xù)語(yǔ)音信號(hào)進(jìn)行采樣，使其變成計(jì)算機(jī)能夠處理的離散時(shí)域的語(yǔ)音信號(hào)，采樣率通常取8kHz左右，也可以根據(jù)具體情況進(jìn)行相應(yīng)的調(diào)節(jié)。當(dāng)實(shí)驗(yàn)或應(yīng)用對(duì)采樣出來(lái)的信號(hào)有更為苛刻的要求時(shí)，我們就可以通過(guò)提高語(yǔ)音信號(hào)的采樣率或者擴(kuò)大語(yǔ)音信號(hào)的采樣范圍等手段提供更為精確、更為全面的采樣結(jié)果。由于為了適應(yīng)實(shí)際應(yīng)用的要求，實(shí)現(xiàn)在低信噪比條件下的準(zhǔn)確語(yǔ)音自動(dòng)分割，現(xiàn)在的語(yǔ)音自動(dòng)分割算法多采用自適應(yīng)的采樣率而不再是傳統(tǒng)的系統(tǒng)指定的采樣率。由于人體的發(fā)聲特性使得語(yǔ)音信號(hào)是一個(gè)非穩(wěn)態(tài)的、時(shí)變的信號(hào)。眾所周知，計(jì)算機(jī)和人耳不同，對(duì)于這類信號(hào)是無(wú)法進(jìn)行處理的，研究人員為了解決這個(gè)問(wèn)題就發(fā)現(xiàn)了可以利用“短時(shí)特性〞來(lái)進(jìn)行語(yǔ)音信號(hào)處理。所謂短時(shí)特性之所以存在就是因?yàn)槿说目谇辉诎l(fā)出各種聲音的時(shí)候需要進(jìn)行緩慢的肌肉運(yùn)動(dòng)，和肌肉運(yùn)動(dòng)的時(shí)間相比幾十毫秒就相當(dāng)于是一個(gè)短時(shí)間，在這個(gè)短時(shí)間內(nèi)我們就可以認(rèn)為語(yǔ)音信號(hào)是穩(wěn)定的、時(shí)不變的。語(yǔ)音信號(hào)必須要保持它的短時(shí)特點(diǎn)才能進(jìn)行語(yǔ)音信號(hào)處理，所有的語(yǔ)音信號(hào)處理系統(tǒng)都是根據(jù)這種短時(shí)特性開(kāi)發(fā)出來(lái)的。根據(jù)這種短時(shí)特性就相應(yīng)的產(chǎn)生了一系列的語(yǔ)音信號(hào)處理的參數(shù)，如短時(shí)能量、短時(shí)過(guò)零率、短時(shí)頻譜以及短時(shí)自相關(guān)函數(shù)等，根據(jù)這些參數(shù)我們才能對(duì)語(yǔ)音信號(hào)實(shí)施有效的處理。對(duì)整段信號(hào)進(jìn)行分幀處理后我們就可以得到這些短時(shí)參數(shù)特征，整個(gè)信號(hào)中的每一段叫作“一幀〞，幀長(zhǎng)一般取10~30ms，通常情況下我們可以將這段短時(shí)間內(nèi)的語(yǔ)音信號(hào)看作是相對(duì)平穩(wěn)的。這樣一來(lái)從整個(gè)語(yǔ)音的角度來(lái)看，每一幀的特征參數(shù)就共同組合成了特征參數(shù)的時(shí)間序列。從另一個(gè)方面看，語(yǔ)音信號(hào)另有一個(gè)相對(duì)較為簡(jiǎn)單的分類方式，就是根據(jù)人們發(fā)聲的音素進(jìn)行分類。根據(jù)這種分類方法，無(wú)論語(yǔ)音的發(fā)聲者使用何種語(yǔ)言、帶有何種音調(diào)，從聲學(xué)上來(lái)看都可以按照清音和濁音來(lái)進(jìn)行分類。我們對(duì)這兩種類型語(yǔ)音的短時(shí)特性進(jìn)行分析就可以發(fā)現(xiàn)這種分類方式的依據(jù)。清音的短時(shí)能量要遠(yuǎn)高于濁音，濁音的短時(shí)過(guò)零率那么遠(yuǎn)高于清音。在進(jìn)行語(yǔ)音自動(dòng)分割時(shí)，噪聲一般具有較小的能量和較低的過(guò)零率，我們只需要結(jié)合這兩個(gè)參數(shù)就可以在信噪比條件不是很差的條件下對(duì)語(yǔ)音信號(hào)做出較為準(zhǔn)確的分割。2.3語(yǔ)音自動(dòng)分割現(xiàn)狀對(duì)語(yǔ)音自動(dòng)分割算法的研究最初能夠上溯到上世紀(jì)50年代。那個(gè)時(shí)候?yàn)榱四軌驅(qū)⒄Z(yǔ)音段和噪聲段區(qū)分開(kāi)來(lái)，從而實(shí)現(xiàn)一個(gè)實(shí)時(shí)語(yǔ)音翻譯系統(tǒng)，該算法應(yīng)運(yùn)而生，并把該算法定名為VAD(voiceActivityDetection)，指的是將語(yǔ)音段和背景噪聲段別離開(kāi)來(lái)的處理過(guò)程REF_Ref451181087\r\h[16]。要想實(shí)現(xiàn)一次高準(zhǔn)確性、高可靠性的語(yǔ)音自動(dòng)分割或者語(yǔ)音識(shí)別，影響其結(jié)果的因素不僅僅局限于所采用的算法。除了語(yǔ)音識(shí)別外，還有語(yǔ)音自動(dòng)分割，他們對(duì)于大局部整體系統(tǒng)最終結(jié)果的影響都是非常大的。語(yǔ)音識(shí)別以及語(yǔ)音自動(dòng)分割應(yīng)用的領(lǐng)域是很廣的，除了用于實(shí)驗(yàn)、商業(yè)還有一些高精度的檢測(cè)或者識(shí)別需要用到他們，在識(shí)別過(guò)程中產(chǎn)生的一些誤差也許對(duì)于實(shí)驗(yàn)的影響不是很大，但是對(duì)于那些要求很高的高精度檢測(cè)來(lái)說(shuō)這些誤差將是不能接受的。為了實(shí)現(xiàn)高精度的檢測(cè)，我們需要根據(jù)識(shí)別系統(tǒng)對(duì)性能要求的不同而采用專門的算法，否那么語(yǔ)音識(shí)別的準(zhǔn)確性將無(wú)法得到保證REF_Ref450571688\r\h[5]。在21世紀(jì)，電子信息技術(shù)伴隨著摩爾定律飛速開(kāi)展，各類語(yǔ)音數(shù)字信號(hào)處理技術(shù)也取得了日新月異的成就，尤其是語(yǔ)音識(shí)別技術(shù)在和電腦上的應(yīng)用實(shí)踐最為出眾，讓人們真正體會(huì)到了科學(xué)技術(shù)的進(jìn)步為生活帶來(lái)的便利。但是，由于人們的語(yǔ)音輸入經(jīng)常伴有較大的背景噪音，在這些噪聲的干擾下語(yǔ)音識(shí)別的準(zhǔn)確性就會(huì)大大降低，在一些專業(yè)領(lǐng)域的語(yǔ)音識(shí)別同樣面臨著嚴(yán)峻的問(wèn)題。而語(yǔ)音信號(hào)處理是為了識(shí)別純潔的人聲設(shè)計(jì)出來(lái)的，或者通過(guò)各種手段將沒(méi)有用處的噪聲信號(hào)去除。為了實(shí)現(xiàn)這一目標(biāo)，語(yǔ)音自動(dòng)分割技術(shù)就是一個(gè)有效的手段。語(yǔ)音自動(dòng)分割就是指通過(guò)設(shè)計(jì)好的算法，將一段連續(xù)的語(yǔ)音信號(hào)分割為有用的語(yǔ)音〔人聲等〕和無(wú)用的噪聲，并且將每個(gè)語(yǔ)音音節(jié)的起始點(diǎn)和終止點(diǎn)進(jìn)行標(biāo)記處理。語(yǔ)音自動(dòng)分割是各類語(yǔ)音信號(hào)處理的應(yīng)用中不可缺少的環(huán)節(jié)。一段混雜著噪聲的語(yǔ)音信號(hào)經(jīng)過(guò)自動(dòng)分割以后會(huì)極大的改善識(shí)別系統(tǒng)的整體性能和識(shí)別精度REF_Ref450571739\r\h[6]。隨著應(yīng)用前景的日漸廣闊，語(yǔ)音自動(dòng)分割技術(shù)已經(jīng)日益成為眾多學(xué)者研究的熱點(diǎn)方向，研究人員提出了很多新型語(yǔ)音自動(dòng)分割算法，如：基于混淆網(wǎng)絡(luò)、基于仿生識(shí)別、基于短時(shí)分形維數(shù)、基于神經(jīng)網(wǎng)絡(luò)等的算法。不僅有許多新型、先進(jìn)的分割算法，而且每種算法的具體實(shí)現(xiàn)也是多種多樣的。2.4本文內(nèi)容和章節(jié)安排論文要做的內(nèi)容主要是綜合評(píng)估了各種語(yǔ)音分割算法的優(yōu)缺點(diǎn)后，采用改進(jìn)后的譜熵法來(lái)進(jìn)行語(yǔ)音信號(hào)自動(dòng)分割。算法分析語(yǔ)音的時(shí)頻域特性，選取適宜的參數(shù)，計(jì)算出當(dāng)前語(yǔ)音文件的參數(shù)值，再用適宜的算法確定閾值，最后實(shí)現(xiàn)語(yǔ)音自動(dòng)分割。第1章引言主要介紹語(yǔ)音自動(dòng)分割算法的概況。第2章簡(jiǎn)要概述了語(yǔ)音自動(dòng)分割算法的課題背景、研究現(xiàn)狀等。第3章語(yǔ)音信號(hào)的根本處理方法和經(jīng)典語(yǔ)音自動(dòng)分割算法。前者從時(shí)域和頻域兩個(gè)角度介紹了語(yǔ)音信號(hào)分析的根本模式。后者詳細(xì)分析、介紹了幾種具代表性的語(yǔ)音自動(dòng)分割算法。第4章基于語(yǔ)音熵的自動(dòng)分割方法的分析與研究深入介紹了熵的概念以及譜熵法在語(yǔ)音自動(dòng)分割中的應(yīng)用，并最終確定了本文的語(yǔ)音分割方案。第5章算法實(shí)現(xiàn)與仿真主要介紹了算法的具體實(shí)現(xiàn)過(guò)程以及仿真結(jié)果。第6章結(jié)論主要是對(duì)實(shí)驗(yàn)結(jié)果的總結(jié)分析以及對(duì)算法開(kāi)展的展望。經(jīng)典語(yǔ)音自動(dòng)分割算法所謂語(yǔ)音自動(dòng)分割就是在一段連續(xù)語(yǔ)音中，把有用的語(yǔ)音音節(jié)和構(gòu)成干擾的背景噪聲區(qū)分開(kāi)來(lái)，明確每個(gè)音節(jié)的起始點(diǎn)和終止點(diǎn)。隨著語(yǔ)音信號(hào)處理技術(shù)的不斷開(kāi)展，語(yǔ)音自動(dòng)分割方法越來(lái)越多，每種算法都有各自的特點(diǎn)和應(yīng)用場(chǎng)景。比較經(jīng)典的語(yǔ)音自動(dòng)分割算法包括短時(shí)能量檢測(cè)法、自相關(guān)函數(shù)法、倒譜距離檢測(cè)法等。本章將對(duì)各類算法進(jìn)行詳細(xì)的分析總結(jié)，進(jìn)而引出一種魯棒性較好的語(yǔ)音自動(dòng)分割算法。語(yǔ)音信號(hào)的時(shí)域分析語(yǔ)音信號(hào)是時(shí)域信號(hào)，時(shí)域在對(duì)語(yǔ)音信號(hào)進(jìn)行分析時(shí)是最直觀的，通常來(lái)說(shuō)語(yǔ)音信號(hào)處理的仿真結(jié)果都是以時(shí)間為橫坐標(biāo)的。所謂時(shí)域分析一般就是指基于短時(shí)能量、短時(shí)過(guò)零率、短時(shí)功率譜等參數(shù)，來(lái)對(duì)語(yǔ)音信號(hào)進(jìn)行相應(yīng)的分析。通過(guò)對(duì)這些短時(shí)參數(shù)的提取、利用，我們就能夠?qū)崿F(xiàn)語(yǔ)音信號(hào)的時(shí)域分析。再對(duì)任何一種數(shù)字信號(hào)進(jìn)行分析處理時(shí)，時(shí)域波形總是我們最早了解到的而且是最直觀的語(yǔ)音狀態(tài)描述。時(shí)域分析方法的特點(diǎn)有：〔1〕能夠直接觀察語(yǔ)音信號(hào)的波形；〔2〕不需要進(jìn)行復(fù)雜的計(jì)算就能夠?qū)崿F(xiàn)；〔3〕能獲得重要的短時(shí)特征；〔4〕信號(hào)特征能夠直觀表達(dá)出來(lái)，減小理解難度。連續(xù)信號(hào)數(shù)字化語(yǔ)音信號(hào)之所以要進(jìn)行預(yù)濾波的主要原因有二：(1)抑制系統(tǒng)輸入的語(yǔ)音信號(hào)中高于二分之一采樣頻率fs的頻域分量；(2)抑制50Hz的電源工頻干擾。因此只有帶通濾波器才能符合預(yù)濾波器的使用要求。設(shè)其上截止頻率為fh，下截止頻率為fl。一般情況下，眾多語(yǔ)音編譯碼器上截止頻率和下截止頻率都設(shè)定為=3400Hz、=60~100Hz、采樣率為=8kHz。而對(duì)于語(yǔ)音識(shí)別系統(tǒng)來(lái)說(shuō)，當(dāng)應(yīng)用的場(chǎng)景不一樣的時(shí)候，選用的參數(shù)也是不同的。當(dāng)用于用戶時(shí)，指標(biāo)通常采用fh=3400Hz、fl=60~100Hz、采樣率為fs=8kHz。當(dāng)用于對(duì)語(yǔ)音識(shí)別系統(tǒng)要求很高的場(chǎng)所時(shí)，通常就要采用更狂的頻譜范圍、更高的采樣率。語(yǔ)音信號(hào)通過(guò)預(yù)處理之后就會(huì)轉(zhuǎn)化為二進(jìn)制數(shù)字碼。模擬信號(hào)需要通過(guò)采樣量化轉(zhuǎn)化為數(shù)字信號(hào)，在這個(gè)過(guò)程中，由于量化過(guò)程的根本原理導(dǎo)致其必然會(huì)有一定的誤差出現(xiàn)。當(dāng)語(yǔ)音信號(hào)波形的變化幅度特別大或者量化間隔Δ特別小時(shí)，可以發(fā)現(xiàn)量化噪聲與輸入信號(hào)是不存在相關(guān)關(guān)系的，根據(jù)這個(gè)特點(diǎn)就可以實(shí)現(xiàn)相關(guān)法的語(yǔ)音自動(dòng)分割。數(shù)模變換又可以稱作數(shù)字化的反過(guò)程，他的核心意思就是指從已經(jīng)進(jìn)行過(guò)數(shù)字化的語(yǔ)音信號(hào)中重新構(gòu)建起模擬的語(yǔ)音信號(hào)波形。在進(jìn)行了A/D、D/A轉(zhuǎn)換之后語(yǔ)音信號(hào)會(huì)產(chǎn)生高次諧波失真，為了有效地防止這種情況的發(fā)生，我們必須在數(shù)模轉(zhuǎn)換之后加一個(gè)平滑濾波器。這個(gè)平滑濾波器將對(duì)語(yǔ)音波形的高次諧波起到平滑作用，從而有效消除高次諧波失真。預(yù)加重處理根據(jù)人的發(fā)聲原理可以得知，聲門鼓勵(lì)和口鼻輻射等因素都將對(duì)語(yǔ)音信號(hào)的平均功率譜產(chǎn)生較為明顯的影響。這種影響主要表達(dá)在，輸入的語(yǔ)音信號(hào)會(huì)因此在高頻端產(chǎn)生較為嚴(yán)重信號(hào)衰減，這就有可能導(dǎo)致信號(hào)高頻端的信噪比居高不下，不能滿足語(yǔ)音信號(hào)識(shí)別的要求，與低頻段產(chǎn)生鮮明的比照。當(dāng)衰減到達(dá)一定程度時(shí)就會(huì)出現(xiàn)高頻局部的語(yǔ)音頻譜求不出來(lái)的問(wèn)題。怎么才能減小高頻端的信號(hào)低落程度，或者能夠通過(guò)某種方式抵消信號(hào)衰減帶來(lái)的影響成為了研究人員需要解決的問(wèn)題。目前，較為行之有效的一種方式就是對(duì)語(yǔ)音信號(hào)進(jìn)行預(yù)加重處理。預(yù)加重成功的利用語(yǔ)音信號(hào)與噪聲信號(hào)具有不同特性的特點(diǎn)，對(duì)輸入信號(hào)高于800Hz的高頻分量進(jìn)行人為的加重處理。這樣一來(lái)高頻局部的信噪比就會(huì)得到相應(yīng)的提高，使其滿足系統(tǒng)要求，這樣將有助于之后進(jìn)行的頻譜分析或聲道參數(shù)分析過(guò)程。在進(jìn)行預(yù)加重的同時(shí)，為了有效地提高語(yǔ)音信號(hào)信噪比，壓縮信號(hào)的動(dòng)態(tài)范圍，我們可以在語(yǔ)音信號(hào)數(shù)字化時(shí)在反混疊濾波器之前進(jìn)行預(yù)加重處理。但大多數(shù)情況下，預(yù)加重處理是放在語(yǔ)音信號(hào)數(shù)字化之后進(jìn)行，常有6dB/器REF_Ref451417797\r\h[6]：(3-1)式中μ值接近于1REF_Ref450576492\r\h[9]。在進(jìn)行信號(hào)處理的過(guò)程中，我們不僅需要對(duì)信號(hào)進(jìn)行預(yù)加重處理，很多時(shí)候我們也需要將信號(hào)恢復(fù)成原始信號(hào)，這個(gè)時(shí)候就要使用去加重。去加重技術(shù)的思想和預(yù)加重根本相同，只不過(guò)實(shí)現(xiàn)方式不同。分幀加窗處理對(duì)語(yǔ)音信號(hào)實(shí)施過(guò)預(yù)加重之后，下一步就是要對(duì)其實(shí)施分幀加窗處理。通過(guò)實(shí)驗(yàn)，我們發(fā)現(xiàn)語(yǔ)音信號(hào)在30~100ms的范圍內(nèi)，其頻譜特征以及一些物理特征根本保持不變。為了方便計(jì)算機(jī)的處理，只要將語(yǔ)音信號(hào)按此長(zhǎng)度進(jìn)行分幀處理，就可以將平穩(wěn)過(guò)程的處理方法和理論引入到語(yǔ)音短時(shí)處理中。在進(jìn)行分幀處理時(shí)，如果幀與幀之間是連續(xù)分段的，那么有可能發(fā)生幀與幀之間的信號(hào)發(fā)生突變的情況，為了防止這種情況的發(fā)生，在分幀時(shí)通常使用如圖3.1所示的交疊分段法。圖3.1中兩幀之間的重疊局部稱為幀移。我們大多數(shù)情況下都將幀移與幀長(zhǎng)的比設(shè)為0~1/2。所謂分幀其實(shí)就是用選定的窗函數(shù)乘以，類似于一個(gè)濾波器，在窗以外的語(yǔ)音信號(hào)都會(huì)被抑制掉，只有窗內(nèi)的信號(hào)可以通過(guò)，這樣就得到了加窗語(yǔ)音信號(hào)。圖幀長(zhǎng)與幀移的例如矩形窗和海明窗是我們經(jīng)常使用的兩種窗函數(shù)，它們的表達(dá)式如式(3-2)、(3-3)所示：矩形窗：(3-2)海明窗：(3-3)其中N為幀長(zhǎng)。我們對(duì)語(yǔ)音信號(hào)進(jìn)行加窗分幀處理就是為了得到對(duì)之后的語(yǔ)音識(shí)別有用的各項(xiàng)短時(shí)參數(shù)，短時(shí)參數(shù)會(huì)受到多方面因素的影響，窗函數(shù)的選擇是否正確就是其中的一個(gè)重要因素。為了解決這個(gè)問(wèn)題，我們接下來(lái)就從窗函數(shù)的形狀和長(zhǎng)度來(lái)仔細(xì)討論這個(gè)問(wèn)題。1．窗口形狀通常情況下，窗函數(shù)應(yīng)該能夠盡量減小語(yǔ)音幀的截?cái)嘈?yīng)〔波形峰起值趨于總跳變值的9%〕，為了實(shí)現(xiàn)這一目標(biāo)我們需要盡量減小時(shí)間窗兩端的坡度；在頻域上3dB帶寬要盡量寬，而邊帶最大值那么要做的盡量小。雖然基于時(shí)域、頻域、倒譜域等不同的短時(shí)分析方法對(duì)于窗函數(shù)的要求各有不同，但該標(biāo)準(zhǔn)還是適用于大多數(shù)一般情況的。本文只以最為典型的矩形窗和海明窗〔Hamming〕為例進(jìn)行比較：矩形窗：(3-4)數(shù)字濾波器的頻率響應(yīng)為：(3-5)它具有線性的相位，其頻率響應(yīng)為：(3-6)這里，fs為采樣頻率，為采樣周期。海明窗：(3-7)通過(guò)窗函數(shù)可以發(fā)現(xiàn)海明窗頻率響應(yīng)的帶寬以及通帶外衰減都遠(yuǎn)大于矩形窗。矩形窗與海明窗的比照見(jiàn)表3.1中。表矩形窗與海明窗的比照窗函數(shù)類型旁瓣峰值主瓣寬度最小阻帶衰減矩形窗-134π/N-21海明窗-418π/N-532．窗口長(zhǎng)度頻率分辨率Δ可表示為：(3-8)式〔3-8〕中，為采樣周期〔采樣頻率的倒數(shù)〕，N為窗長(zhǎng)。通過(guò)式〔3-8〕可知，在采樣周期一定的情況下，頻率分辨率與窗口寬度成反比例，當(dāng)窗口寬度N增加時(shí)頻率分辨率Δ會(huì)隨之減小；由此可見(jiàn)這兩者之間是矛盾的，如果窗口取得短，那么Δ會(huì)減小，而時(shí)間分辨率那么會(huì)提高。所以需要根據(jù)實(shí)際應(yīng)用場(chǎng)景來(lái)進(jìn)行衡量，因此，窗口的長(zhǎng)度選擇應(yīng)適宜。而有時(shí)基音周期也會(huì)對(duì)窗口長(zhǎng)度的選擇產(chǎn)生至關(guān)重要的影響。語(yǔ)音信號(hào)的數(shù)字化和預(yù)處理過(guò)程對(duì)于整個(gè)系統(tǒng)來(lái)說(shuō)是十分關(guān)鍵的一個(gè)環(huán)節(jié)，正因?yàn)槿绱嗽趯?duì)一整個(gè)系統(tǒng)進(jìn)行性能評(píng)定的時(shí)候，必須要詳細(xì)交代系統(tǒng)的采樣頻率、精度、預(yù)加重方法、窗函數(shù)、幀長(zhǎng)以及幀移等語(yǔ)音參數(shù)。綜上所述，通過(guò)對(duì)以上處理過(guò)程的詳細(xì)介紹，語(yǔ)音信號(hào)就從一整段連續(xù)的信號(hào)被分割為以幀為單位的短時(shí)信號(hào)了，之后再將每個(gè)短時(shí)語(yǔ)音幀看成是近似平穩(wěn)的隨機(jī)信號(hào)，再來(lái)提取出其中的語(yǔ)音特征參數(shù)。在處理過(guò)程中，將以幀為單位從整段數(shù)據(jù)中逐幀取出數(shù)據(jù)，逐幀處理，全部幀都處理完成后進(jìn)行匯總REF_Ref450576492\r\h[9]。語(yǔ)音信號(hào)的頻域分析頻域分析是從另一個(gè)方面對(duì)信號(hào)進(jìn)行分析，雖然頻域分析方法沒(méi)有時(shí)域分析形象、直觀，但它卻有著更為簡(jiǎn)練、剖析問(wèn)題更加深刻等時(shí)域分析無(wú)法比較的優(yōu)勢(shì)。兩者共同組成了語(yǔ)音信號(hào)分析。目前，。然而，它們是互相聯(lián)系，缺一不可，相輔相成的。傅立葉變換法傅里葉變換〔FourierTransform,FT〕不僅僅在數(shù)學(xué)上廣泛應(yīng)用，同時(shí)也應(yīng)用于工學(xué)的各個(gè)領(lǐng)域，語(yǔ)音信號(hào)頻域分析就是其中之一，是對(duì)線性系統(tǒng)進(jìn)行分析時(shí)最有效的手段。要想得到語(yǔ)音信號(hào)相應(yīng)的功率譜、頻譜、倒譜距離、譜熵等特征，我們可以將加窗分幀后的語(yǔ)音信號(hào)做傅氏變變換再做傅氏反變換。如上文所述，因?yàn)檎Z(yǔ)音信號(hào)的特性是時(shí)變的，為了便于計(jì)算機(jī)處理所以采用短時(shí)傅氏變換，由此得出的為短時(shí)頻域特征，窗函數(shù)均選取Hamming。(1)短時(shí)頻譜和短時(shí)功率譜假設(shè)信號(hào)經(jīng)傅氏變換后在頻域記為，那么與的關(guān)系如公式(4-1)：(3-9)語(yǔ)音的頻譜為的幅度，那么有： (3-10)語(yǔ)音信號(hào)的短時(shí)功率譜取值實(shí)際上就是幅度的平方，公式為： (3-11)(2)倒譜距離在低信噪比條件下，可以使用倒譜系數(shù)求得倒譜距離，并以此為參數(shù)進(jìn)行語(yǔ)音自動(dòng)分割。語(yǔ)音信號(hào)的倒譜可定義為： (3-12)為語(yǔ)音信號(hào)能量譜密度函數(shù)，為倒譜系數(shù)，通過(guò)可得到倒譜距離為： (3-13)(3)熵熵是一個(gè)用來(lái)描述物質(zhì)的概率程度的物理量。熵是用來(lái)表示的信息量的，當(dāng)?shù)姆植几怕氏嗤瑫r(shí)，熵取最大值，也就是說(shuō)，的隨機(jī)性越高，其所包含的信息量就越大，熵值越高。取的概率函數(shù)可以表示為： (3-14)那么的熵為： (3-15)線性預(yù)測(cè)法由于語(yǔ)音信號(hào)各個(gè)樣點(diǎn)之間存在著一定的聯(lián)系，所以在進(jìn)行信號(hào)分幀采樣之后，我們可以根據(jù)樣點(diǎn)之間的聯(lián)系預(yù)測(cè)當(dāng)前幀或者之后幾幀的樣點(diǎn)值。也就是說(shuō)可以通過(guò)線性組合用先前幀的參數(shù)值近似估計(jì)出后面幀的采樣值。語(yǔ)音信號(hào)前后幀之間的聯(lián)系可以總結(jié)為一組參數(shù)特征，而噪聲信號(hào)那么因?yàn)榍昂蟛淮嬖谙嚓P(guān)性所以沒(méi)有這種參數(shù)特征。這樣一來(lái)我們就找到了語(yǔ)音段和噪聲段之間的區(qū)別，這種區(qū)別能夠?yàn)楹罄m(xù)的語(yǔ)音信號(hào)處理工作提供相關(guān)依據(jù)。線性預(yù)測(cè)分析的重要性不是其預(yù)測(cè)功能，而是它能夠提供一組簡(jiǎn)潔的語(yǔ)音信號(hào)模型參數(shù)。該方法的有效運(yùn)用能夠提高語(yǔ)音識(shí)別率并減少計(jì)算時(shí)間。經(jīng)典語(yǔ)音自動(dòng)分割算法的分析所謂的語(yǔ)音自動(dòng)分割，就是講人說(shuō)話的有用的語(yǔ)音信號(hào)段從帶有背景噪聲的整段音頻信號(hào)中別離出來(lái)，將語(yǔ)音段和噪聲段通過(guò)算法自動(dòng)別離。目前這種自動(dòng)分割技術(shù)的準(zhǔn)確性還會(huì)受到很多因素的影響，分割效果普遍沒(méi)有人工分割準(zhǔn)確，但這種技術(shù)有巨大的市場(chǎng)需求，隨著相關(guān)領(lǐng)域的研發(fā)投入日益加大，各類能夠在低信噪比條件下對(duì)語(yǔ)音進(jìn)行準(zhǔn)確分割的新型算法不斷涌現(xiàn)。不過(guò)這些算法還是以最為經(jīng)典的語(yǔ)音自動(dòng)分割算法為根底開(kāi)展而來(lái)的，本章就先來(lái)詳細(xì)介紹一下包括短時(shí)能量、短時(shí)過(guò)零率、倒譜距離在內(nèi)的幾種經(jīng)典算法。在下一章那么會(huì)對(duì)MATLAB仿真實(shí)驗(yàn)所采用的改進(jìn)后的譜熵法做詳細(xì)介紹。語(yǔ)音自動(dòng)分割簡(jiǎn)述可靠性、自適應(yīng)性、實(shí)時(shí)性、魯棒性和精確性是有效的自動(dòng)分割算法應(yīng)當(dāng)具備的幾個(gè)根本要素。當(dāng)語(yǔ)音音節(jié)端點(diǎn)被準(zhǔn)確的檢測(cè)出來(lái)以后，才有可能實(shí)現(xiàn)語(yǔ)音識(shí)別系統(tǒng)的根本功能，實(shí)現(xiàn)高效、準(zhǔn)確的語(yǔ)音識(shí)別，還能夠減小系統(tǒng)計(jì)算量，排除無(wú)聲段干擾。實(shí)驗(yàn)發(fā)現(xiàn)，無(wú)論在什么環(huán)境下，語(yǔ)音端點(diǎn)分割錯(cuò)誤都會(huì)對(duì)整體的語(yǔ)音識(shí)別準(zhǔn)確性產(chǎn)生巨大的影響。不僅如此，在語(yǔ)音合成、編碼等各種各樣的語(yǔ)音信號(hào)處理系統(tǒng)中，語(yǔ)音自動(dòng)分割算法的準(zhǔn)確性、魯棒性等性能指標(biāo)都對(duì)整體系統(tǒng)發(fā)揮著至關(guān)重要的作用，因此不斷研究語(yǔ)音自動(dòng)分割算法并對(duì)其進(jìn)行改進(jìn)具有重大意義。語(yǔ)音自動(dòng)分割原理語(yǔ)音自動(dòng)分割所依據(jù)的原理就是：通過(guò)對(duì)各種特征參數(shù)的提取可以發(fā)現(xiàn)，語(yǔ)音段和噪聲段的參數(shù)值具有一定的差異，越為優(yōu)秀的算法其兩局部特征參數(shù)所表達(dá)出來(lái)的差異就會(huì)越大，這樣語(yǔ)音自動(dòng)分割才會(huì)更加精準(zhǔn)。而且這種差異要盡量不會(huì)因?yàn)橥饨绫尘霸肼暤挠绊懚a(chǎn)生大幅變化，如果容易受到背景噪聲的影響那么說(shuō)明算法的魯棒性不是很好。為了便于提取所說(shuō)的特征參數(shù)并對(duì)其進(jìn)行有效地分析，每個(gè)語(yǔ)音信號(hào)段進(jìn)入系統(tǒng)后都需要先對(duì)其進(jìn)行預(yù)處理。需要進(jìn)行預(yù)加重，這樣才能使語(yǔ)音信號(hào)的低頻段和高頻段的信噪比參數(shù)表現(xiàn)的平滑。需要進(jìn)行分窗加幀，這樣語(yǔ)音信號(hào)才能具有短時(shí)性。在進(jìn)行分幀的時(shí)候，為了保證信號(hào)的連續(xù)變化、防止突變，我們通常會(huì)在兩幀之間設(shè)置好幀移，使起短時(shí)特性能夠表現(xiàn)的更加平滑，易于分析。預(yù)處理完成后就可以對(duì)信號(hào)提取特征參數(shù)，并根據(jù)語(yǔ)音段和噪聲段特征參數(shù)的差異來(lái)對(duì)其進(jìn)行分割。根據(jù)特征參數(shù)差異的大小，以及使用的參數(shù)的個(gè)數(shù)，可以分為單參數(shù)或者雙參數(shù)、單門限或者雙門限。一般來(lái)說(shuō)，用于判斷的參數(shù)越多自動(dòng)分割的準(zhǔn)確性也越高，但同時(shí)我們也要考慮到計(jì)算量大小的問(wèn)題，不能盲目的增加算法中的特征參數(shù)個(gè)數(shù)。參數(shù)提取是對(duì)語(yǔ)音和噪聲信號(hào)進(jìn)行提取的參數(shù)。聲音是人體的聲音，人體發(fā)聲的原理是來(lái)自人體器官聲帶的振動(dòng)。而噪聲信號(hào)的出現(xiàn)，多是由大自然、完結(jié)物體碰撞等因素引起的，在頻率和能量上有很大的不同。本文基于能量差分，對(duì)該算法的短時(shí)能量和短時(shí)過(guò)零率進(jìn)行了分析，并根據(jù)其它特征參數(shù)進(jìn)行頻譜和頻譜熵的研究。語(yǔ)音可分為兩類：清音和濁音。，度比較低，而濁音正好與之相反。短時(shí)幅度這項(xiàng)參數(shù)適合在信噪比較高的環(huán)境中使用，但當(dāng)背景噪聲較大、較為復(fù)雜的時(shí)候，短時(shí)平均過(guò)零率就可以發(fā)揮出它的優(yōu)勢(shì)，獲得較好的判斷結(jié)果。由此可見(jiàn)，參數(shù)提取的是否正確，該參數(shù)能否真正有效的反映出人聲和背景噪聲之間的區(qū)別對(duì)于整個(gè)系統(tǒng)最終效果有著十分重要的作用。語(yǔ)音自動(dòng)分割流程如下圖：圖3.2語(yǔ)音自動(dòng)分割流程圖說(shuō)話人的語(yǔ)音信號(hào)和噪聲信號(hào)在特征參數(shù)上有明顯的差異，不同環(huán)境下的噪聲信號(hào)特征參數(shù)也有差異，自動(dòng)分割系統(tǒng)就根據(jù)這些提取出來(lái)的各不相同的特征參數(shù)來(lái)設(shè)置相應(yīng)的門限，在滿足一定的規(guī)那么后就會(huì)被判定為語(yǔ)音開(kāi)始或者語(yǔ)音結(jié)束。門限值設(shè)定好之后，當(dāng)信號(hào)超過(guò)預(yù)先設(shè)定的門限值時(shí)，語(yǔ)音信號(hào)有可能已經(jīng)開(kāi)始，但是這里還需要對(duì)其持續(xù)時(shí)間做一個(gè)判決。假設(shè)信號(hào)連續(xù)超過(guò)設(shè)定的門限幾幀都沒(méi)有衰落回去，那么說(shuō)明信號(hào)進(jìn)入了語(yǔ)音段。對(duì)于結(jié)束點(diǎn)的判斷與起始點(diǎn)根本類似。當(dāng)檢測(cè)到語(yǔ)音信號(hào)低于預(yù)先設(shè)定的門限值且連續(xù)幾幀均低于該門限時(shí)，那么說(shuō)明語(yǔ)音信號(hào)結(jié)束。由于單門限、單參數(shù)的語(yǔ)音自動(dòng)分割算法準(zhǔn)確性有限，所以各類新型算法層出不窮，實(shí)際應(yīng)用中根本上不再會(huì)看到機(jī)遇單門限、單參數(shù)的自動(dòng)分割算法。基于短時(shí)能量和短時(shí)過(guò)零率的語(yǔ)音自動(dòng)分割在常用的短時(shí)能量和過(guò)零率相結(jié)合的語(yǔ)音自動(dòng)分割算法中，濁音通常使用短時(shí)能量來(lái)進(jìn)行檢測(cè)、清音那么使用短時(shí)過(guò)零率，當(dāng)背景噪聲較為復(fù)雜時(shí)那么通常采用兩者相配合以便實(shí)現(xiàn)語(yǔ)音信號(hào)自動(dòng)分割的準(zhǔn)確性。這個(gè)算法在進(jìn)行輸入語(yǔ)音信號(hào)的檢測(cè)過(guò)程中短時(shí)能量和短時(shí)過(guò)零率是分步開(kāi)展的。根據(jù)人聲的發(fā)音特征，可以把語(yǔ)音信號(hào)劃分為濁音、清音和無(wú)聲三類音。由于清音所攜帶的能量相對(duì)較小，會(huì)比較容易將其與無(wú)聲區(qū)混淆，但過(guò)零率檢測(cè)恰好能夠彌補(bǔ)能量檢測(cè)的缺乏之處，它能夠清晰的分辨出清音和無(wú)聲。綜合兩種特征參數(shù)的特點(diǎn)可知，在信噪比良好的條件下將它們結(jié)合起來(lái)進(jìn)行自動(dòng)分割能夠得到較為準(zhǔn)確的結(jié)果。短時(shí)平均能量首先，從能量大小的角度上來(lái)看，語(yǔ)音信號(hào)的能量在一般情況下是遠(yuǎn)大于噪聲能量的，這樣一來(lái)就可以通過(guò)能量值來(lái)區(qū)分噪聲和語(yǔ)音或者進(jìn)行語(yǔ)音自動(dòng)分割。由于人的發(fā)聲方式的物理原因，未經(jīng)處理的人聲信號(hào)是時(shí)變的，為了能夠應(yīng)用平穩(wěn)狀態(tài)下的各種研究方法，我們需要對(duì)語(yǔ)音信號(hào)進(jìn)行加窗分幀，從而使一整段語(yǔ)音信號(hào)分成以幾十ms為一幀的眾多語(yǔ)音幀，在每個(gè)語(yǔ)音幀內(nèi)我們認(rèn)為語(yǔ)音信號(hào)是相對(duì)平穩(wěn)的。之后，我們就可以對(duì)每幀的能量幅度做集合運(yùn)算，從而得到我們需要的短時(shí)特征參數(shù)——短時(shí)能量。對(duì)短時(shí)能量進(jìn)行分析可以發(fā)現(xiàn)，濁音、清音、靜音的短時(shí)能量依次遞減，我們可以以此為依據(jù)，設(shè)置相應(yīng)的門限進(jìn)行自動(dòng)分割。語(yǔ)音信號(hào){x(n)}在n時(shí)刻的為： (3-16)式〔3-16〕中，為Hamming。令，那么有： (3-17)式中，為窗函數(shù)，語(yǔ)音信號(hào)一般取10~30ms，我們可以把每幀語(yǔ)音信號(hào)看成是近似平穩(wěn)的。通過(guò)分幀加窗處理，我們就可以對(duì)原來(lái)無(wú)法進(jìn)行處理的一整段語(yǔ)音信號(hào)進(jìn)行逐幀處理了。每次只對(duì)一幀內(nèi)的短時(shí)信號(hào)進(jìn)行分析，得出相應(yīng)的短時(shí)參數(shù)。短時(shí)能量可作為清音和濁音的區(qū)分標(biāo)準(zhǔn)進(jìn)行使用。短時(shí)平均幅度可以定義為：(3-18)通常情況下，信噪比較高的語(yǔ)音信號(hào)只需要依據(jù)短時(shí)能量就能夠較為準(zhǔn)確的檢測(cè)出語(yǔ)音端點(diǎn)，但如果語(yǔ)音不是十分的純潔，帶有一定的背景噪聲，結(jié)果就很容易出現(xiàn)錯(cuò)誤。因?yàn)榍逡舻哪芰窟h(yuǎn)遠(yuǎn)小于濁音，但是清音和靜音的能量比起來(lái)就相差不多了，如果有一定的背景噪聲存在，那么清音和噪聲的判斷很容易發(fā)生錯(cuò)誤。根據(jù)這點(diǎn)，為了提高自動(dòng)分割算法的準(zhǔn)確性，便提出兩種參數(shù)相結(jié)合的方法?？梢酝ㄟ^(guò)以下幾種算法實(shí)現(xiàn)： (3-19) (3-20) (3-21)在計(jì)算機(jī)上進(jìn)行仿真出圖時(shí)，波形的高度就代表著語(yǔ)音信號(hào)的幅度，能量越高的信號(hào)波峰越高，而能量較小的信號(hào)波峰也比較低，在進(jìn)行語(yǔ)音自動(dòng)分割的時(shí)候，涉及到具體的門限就需要依據(jù)語(yǔ)音信號(hào)波峰的高度來(lái)進(jìn)行設(shè)置。雙門限是指需要設(shè)定兩個(gè)閾值，先設(shè)定一個(gè)低一點(diǎn)的幅度值對(duì)語(yǔ)音信號(hào)實(shí)施第一次判決，再選擇一個(gè)高一點(diǎn)的值實(shí)施第二次判決。短時(shí)過(guò)零率短時(shí)過(guò)零率就是指每幀信號(hào)改變符號(hào)次數(shù)。根據(jù)輸入系統(tǒng)語(yǔ)音信號(hào)的最大值與最小值之間的變化，對(duì)語(yǔ)音信號(hào)實(shí)施歸一化處理。這樣就能將語(yǔ)音信號(hào)波峰波谷的變化轉(zhuǎn)換為穿過(guò)坐標(biāo)橫軸的次數(shù)。將語(yǔ)音信號(hào)的定義為：(3-22)式〔3-22〕中，，即：(3-23)短時(shí)過(guò)零率可以通過(guò)比較語(yǔ)音信號(hào)和噪聲信號(hào)之間頻率的差異來(lái)進(jìn)行自動(dòng)分割。當(dāng)發(fā)清音時(shí)，頻率較高，而頻率高就意味著平均過(guò)零率高。這和平均過(guò)零率很低的噪聲信號(hào)形成鮮明比照，這樣在短時(shí)能量很難準(zhǔn)確判別的清音和噪聲問(wèn)題上，短時(shí)過(guò)零率卻能夠做出有效的識(shí)別?？梢缘弥?，這兩個(gè)特征參數(shù)如果一同使用的話自動(dòng)分割的準(zhǔn)確率就能大幅提高?；诙虝r(shí)能量和短時(shí)過(guò)零率的雙門限自動(dòng)分割圖雙門限自動(dòng)分割程序流程圖所示的方法是將短時(shí)能量和短時(shí)過(guò)零率結(jié)合起來(lái)進(jìn)行語(yǔ)音分割的方法，在信噪比良好的情況下，能對(duì)語(yǔ)音信號(hào)實(shí)現(xiàn)較為準(zhǔn)確的自動(dòng)分割。與之前介紹的單門限的判斷流程不同，雙門限檢測(cè)對(duì)于每個(gè)特征參數(shù)都設(shè)定有兩個(gè)門限。當(dāng)語(yǔ)音信號(hào)參數(shù)值高于設(shè)定的第一個(gè)較低的門限時(shí)，說(shuō)明有一定可能進(jìn)入人聲段，此時(shí)判決繼續(xù)。當(dāng)語(yǔ)音信號(hào)在此根底上超過(guò)了預(yù)先設(shè)置好的第二個(gè)較高的門限，并且持續(xù)有幾幀的時(shí)長(zhǎng)時(shí)，我們就認(rèn)為語(yǔ)音信號(hào)進(jìn)入了人聲段。對(duì)人聲段終止點(diǎn)的判決大體上就是它的逆過(guò)程。當(dāng)語(yǔ)音信號(hào)的參數(shù)值低于設(shè)定的第一個(gè)較高的門限時(shí)，說(shuō)明人聲段有可能結(jié)束，算法繼續(xù)對(duì)其進(jìn)行檢測(cè)，假設(shè)參數(shù)值又低于了設(shè)定好的第二個(gè)較低的門限并持續(xù)了幾幀的時(shí)長(zhǎng)那么說(shuō)明語(yǔ)音信號(hào)進(jìn)入了背景噪聲段。這里所說(shuō)的“幾幀〞就是指算法預(yù)先設(shè)定好的最短語(yǔ)音和最短靜音兩個(gè)參數(shù)。因?yàn)橛行┰肼暱赡苁峭话l(fā)性的、大功率的，這類噪聲很有可能同時(shí)滿足雙門限的條件，為了防止此類噪聲對(duì)語(yǔ)音自動(dòng)分割的準(zhǔn)確性產(chǎn)生不利影響才設(shè)置了這兩個(gè)參數(shù)。一旦語(yǔ)音信號(hào)超過(guò)了較高的判決門限，檢測(cè)系統(tǒng)就會(huì)認(rèn)為語(yǔ)音信號(hào)已經(jīng)進(jìn)入了語(yǔ)音階段，但是判定還沒(méi)有結(jié)束。系統(tǒng)會(huì)繼續(xù)判斷當(dāng)前的狀態(tài)是否能夠滿足最短語(yǔ)音和最短靜音的條件，如果不滿足那么會(huì)被認(rèn)定為噪聲信號(hào)，所有參數(shù)值歸零，算法重新開(kāi)始判斷REF_Ref451288797\r\h[15]?；诘棺V特征的語(yǔ)音自動(dòng)分割倒譜特征在語(yǔ)音識(shí)別系統(tǒng)中，很多時(shí)候短時(shí)能量和短時(shí)過(guò)零率所包含的信息并不能進(jìn)行準(zhǔn)確的語(yǔ)音自動(dòng)分割，尤其是在說(shuō)話人所處環(huán)境較為復(fù)雜、信噪比較低的情形下，基于短時(shí)能量和短時(shí)過(guò)零率的自動(dòng)分割算法通常都會(huì)出現(xiàn)很多錯(cuò)誤，不能準(zhǔn)確識(shí)別出語(yǔ)音音節(jié)的起始點(diǎn)和終止點(diǎn)。而倒譜特征所包含的信息量要遠(yuǎn)遠(yuǎn)大于它們，同時(shí)由于倒譜的定義方式與其不同，使得基于倒譜特征進(jìn)行的語(yǔ)音自動(dòng)分割根本上不用考慮噪聲大小的影響。使其能夠在低信噪比條件下獲得準(zhǔn)確的分割結(jié)果。倒譜距離設(shè)語(yǔ)音信號(hào)為,其倒譜變換為。語(yǔ)音信號(hào)倒譜的一種定義為： (3-24)式中，為倒譜系數(shù)，且是實(shí)數(shù)。S(ω)與S′(ω)，利用帕塞瓦爾定理，數(shù): (3-25)式〔3-25〕中，與分別代表S(w)和S′(w)的，兩個(gè)信號(hào)譜的差異大小可以用對(duì)數(shù)譜的均方距離來(lái)進(jìn)行描述，因此可以采用倒譜距離為特征參數(shù)來(lái)識(shí)別語(yǔ)音音節(jié)的區(qū)間。基于倒譜距離的語(yǔ)音自動(dòng)分割算法流程和短時(shí)能量作為特征參數(shù)的算法十分相似，只不過(guò)變換了特征參數(shù)而已。由于極少有語(yǔ)音信號(hào)從第一幀開(kāi)始就進(jìn)入說(shuō)話人語(yǔ)音段，故將語(yǔ)音前幾幀默認(rèn)為噪聲段。通過(guò)對(duì)這段噪聲進(jìn)行分析可以得出倒譜系數(shù)矢量，噪聲倒譜矢量的近似值可以根據(jù)公式〔3-26〕所述進(jìn)行不斷更新： (3-26)式〔3-26〕中，，。計(jì)算倒譜距離： (3-27)式中，譜。式中處理語(yǔ)音信號(hào)所采用的倒譜特征是復(fù)倒譜特征，F(xiàn)FT復(fù)倒譜就是由語(yǔ)音信號(hào)先經(jīng)過(guò)傅里葉變換，然后求其復(fù)對(duì)數(shù)的傅氏變換就可以得到相應(yīng)信號(hào)的復(fù)倒譜。此種檢測(cè)方法相較于短時(shí)能量和短時(shí)過(guò)零率的方法雖然具有很多優(yōu)點(diǎn)，但它同時(shí)也具有計(jì)算復(fù)雜、運(yùn)算量大的缺點(diǎn)，將其應(yīng)用于語(yǔ)音自動(dòng)分割時(shí)實(shí)時(shí)問(wèn)題不易解決。4基于語(yǔ)音熵的自動(dòng)分割算法設(shè)計(jì)上文所述的基于短時(shí)能量和短時(shí)過(guò)零率等特征參數(shù)的語(yǔ)音自動(dòng)分割算法，雖然計(jì)算簡(jiǎn)便，且易于實(shí)現(xiàn)。但是該算法在低信噪比條件下，對(duì)于語(yǔ)音音節(jié)起始點(diǎn)和終止點(diǎn)的檢測(cè)準(zhǔn)確程度是無(wú)法到達(dá)預(yù)期效果的，從而導(dǎo)致自動(dòng)分割準(zhǔn)確性低下，整個(gè)語(yǔ)音識(shí)別系統(tǒng)出現(xiàn)大量錯(cuò)誤。如果單從分割準(zhǔn)確性的角度來(lái)考察，基于模式識(shí)別的方法準(zhǔn)確性是很高的，但是在實(shí)際應(yīng)用的過(guò)程中我們不能僅僅考慮精確性一方面問(wèn)題，還要考慮諸如實(shí)時(shí)性、計(jì)算量等多方面因素。為了在它們之間尋找一個(gè)平衡點(diǎn)，既能保證自動(dòng)分割的準(zhǔn)確性又可以防止大規(guī)模的運(yùn)算，本章介紹一種基于語(yǔ)音熵的語(yǔ)音自動(dòng)分割算法，并對(duì)其進(jìn)行了一定的改進(jìn)。4.1本文設(shè)計(jì)方案圖4.1改進(jìn)的譜熵法語(yǔ)音自動(dòng)分割算法過(guò)程框圖首先讀入之前錄制好的連續(xù)語(yǔ)音文件；對(duì)語(yǔ)音信號(hào)進(jìn)行包括預(yù)加重、加窗分幀在內(nèi)的預(yù)處理；為了取得更精確地語(yǔ)音分割結(jié)果，人為添加一些經(jīng)驗(yàn)性約束，如頻譜范圍設(shè)定在250~3500Hz，歸一化譜概率密度上限設(shè)置為0.9；求出子帶能量概率分布密度；求出子帶譜熵；通過(guò)平滑處理設(shè)置閾值；應(yīng)用雙門限端點(diǎn)檢測(cè)法檢測(cè)出音節(jié)起始點(diǎn)和終止點(diǎn)；對(duì)各個(gè)音節(jié)起始點(diǎn)和終止點(diǎn)進(jìn)行標(biāo)記；語(yǔ)音自動(dòng)分割完成。譜熵的定義4.2.1熵的定義及概念，最初是熱力學(xué)，，。一個(gè)系統(tǒng)混亂度越高，它的信息熵就越高，一個(gè)系統(tǒng)越是有一定規(guī)律可循，它的信息熵就越低。在語(yǔ)音信號(hào)中語(yǔ)音段因?yàn)槭侨税l(fā)出的聲音，幀與幀之間存在著一定的聯(lián)系，所以語(yǔ)音段的信息熵就低。相反，背景噪聲根本上都是隨機(jī)的，所以信息熵就高。充分利用這個(gè)差異，就能實(shí)現(xiàn)基于譜熵的語(yǔ)音自動(dòng)分割算法。，它們獨(dú)立特征，N，那么為REF_Ref450809458\r\h[13]； (4-1)其中 (4-2)需要注意的是，最初輸入系統(tǒng)的語(yǔ)音信號(hào)是連續(xù)的，在計(jì)算它的信息熵之前需要對(duì)其進(jìn)行采樣量化，將連續(xù)信號(hào)轉(zhuǎn)化為離散信號(hào)，然后才能對(duì)其進(jìn)行求解。4.2.2譜熵，得到的第，那么FFT變換后，其中第kfkYi(k)，那么每個(gè)頻率分量的歸一化譜概率密度函數(shù)為 (4-3)式中，pi(k)為第i幀第k個(gè)頻率分量fk對(duì)應(yīng)的概率密度；N為FFT長(zhǎng)度。：(4-4)4.2.3譜熵的特征設(shè)X為離散信源，其概率空間為(4-5)那么信源X的熵函數(shù)為 (4-6)式中，P=(p1,p2,…,pq)是q維矢量，并且滿足和，故常稱P為概率矢量。從上述譜熵的定義中可以發(fā)現(xiàn)譜熵表達(dá)了信源在頻域幅值分布中的“無(wú)序性〞。假設(shè)熵函數(shù)有 (4-7)也就是等概分布的時(shí)候，語(yǔ)音信號(hào)的熵到達(dá)最大值，這一特征稱為最大離散熵定理。4.3譜熵法語(yǔ)音自動(dòng)分割的改進(jìn)算法基于最根本的譜熵原理在語(yǔ)音信號(hào)中的應(yīng)用，為了提高區(qū)分語(yǔ)音信號(hào)和非語(yǔ)音段的能力、消除某些能量集中噪聲某個(gè)特定頻率對(duì)傳統(tǒng)譜熵方法的影響，改進(jìn)的譜熵法語(yǔ)音自動(dòng)分割算法。區(qū)分語(yǔ)音段和噪聲段的能力，做出了一些經(jīng)驗(yàn)性的約束。由于大局部語(yǔ)音信號(hào)都在250~3500Hz頻帶內(nèi)，設(shè)第k條譜線頻率為fk，有 (4-8)2.為了防止某些噪聲集中在某個(gè)頻率對(duì)譜熵方法的影響，需設(shè)定歸一化譜概率密度的上限： (4-9)3.為了消除每幀信號(hào)快速傅里葉變換〔FFT〕后的譜線幅值受噪聲影響，把每條譜線的譜熵改為子帶的譜熵，x(n)，加窗ixi(m)，他的離散傅里葉變換〔DFT〕為 (4-10)式中，Xi(k)是語(yǔ)音幀xi(m)的短時(shí)傅里葉變換，每個(gè)分量的能量。這樣歸一化譜概率密度函數(shù)定義為 (4-11)將每幀的前半段的信息熵計(jì)算出來(lái) (4-12)H(i)是第i幀的譜熵。子帶譜熵的思想是將一幀又進(jìn)一步分成幾個(gè)子帶，再分別求出每一個(gè)子帶譜熵，這樣一來(lái)就消除了每一條譜線幅值會(huì)受到噪聲影響的問(wèn)題。設(shè)每個(gè)子帶由4條譜線組成，共有Nb個(gè)子帶，這樣第i幀中的第m子帶的子帶能量為 (4-13)相應(yīng)地，子帶能量的概率pb(m,i)和子帶譜熵Hb(i)分別為 (4-14) (4-15)4.在譜熵的計(jì)算中引入一個(gè)正常量K到概率分布式〔6-14〕中，得到新的子帶能量的概率分布密度公式 (4-16)比較式〔6-14〕可得出新的子帶譜熵(4-17)綜上所述，噪聲負(fù)熵的減小程度與語(yǔ)音的負(fù)熵減小程度相比要明顯很多，而且，不同的噪聲的譜熵區(qū)別不是十清楚顯，這就使得容易設(shè)定自動(dòng)分割的門限值。因此在噪聲環(huán)境下