基于時域特征的語音自動分割算法實現(xiàn)

引言眾所周知，語言是人們之間彼此交流溝通的最方便最快捷的手段之一。在如今這個信息時代中用數(shù)字化的方式來實施語音的傳輸、儲存、識別、合成、增強(qiáng)是整個數(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)語音的自動分割是我們在進(jìn)行語音信號處理的過程中遇到的首個需要解決的復(fù)雜難點。之所以要進(jìn)行語音的自動分割，就是為了減少語音識別的計算量并提高語音識別系統(tǒng)的識別精度。我們在對語音進(jìn)行過分割之后就可以將語音段和噪聲段別離開來，這樣后續(xù)再進(jìn)行語音識別的時候識別系統(tǒng)只需要對語音段進(jìn)行檢測。如果語音自動分割出現(xiàn)錯誤，那么語音信號的識別也就無法實現(xiàn)。這在許多語音處理領(lǐng)域中是一個十分根本的問題。特別是在進(jìn)行獨立的單個文字自動識別的時候，能否準(zhǔn)確的找到每個單字的語音信號范圍，以及能否將聲母、韻母分割開都是十分重要的。語音信號分割的準(zhǔn)確與否對于一個完整的語音識別系統(tǒng)具有重要意義，不僅算法會影響其最終實現(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。因為輸入信號的時候根本不可能是純粹的語音輸入，多多少少都會帶有一定的背景噪聲。研究人員通過實驗比照發(fā)現(xiàn)，語音自動分割的準(zhǔn)確性會直接影響到語音識別的結(jié)果，因為如果分割算法對于語音和噪聲的判斷出現(xiàn)錯誤那么之后對所謂語音段進(jìn)行的識別也就變得毫無意義。因此一個優(yōu)秀的語音自動分割結(jié)果就意味著語音識別過程的一個好的開始。進(jìn)行自動分割為了達(dá)成的目的就是，在各種各樣的應(yīng)用環(huán)境下的信號流中將人聲段和噪聲段分開，并進(jìn)一步確定語音信號的起始點及結(jié)束點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簡便并具有一定準(zhǔn)確率的語音自動分割算法。綜合比照各類算法后決定采用一種子帶譜熵的改進(jìn)算法來進(jìn)行語音分割。算法的總體流程主要包括輸入語音文件、進(jìn)行預(yù)處理、選擇適宜參數(shù)、分析確定閾值、檢測語音信號端點。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)一步提高了語音自動分割的準(zhǔn)確性REF_Ref451160971\r\h[12]。概述2.1課題背景語音自動分割技術(shù)在語音識別系統(tǒng)中占有重要地位，是整個系統(tǒng)的重要組成局部。所謂語音自動分割技術(shù)，就是通過計算機(jī)的智能識別將人說話的音節(jié)局部和說話人所處的背景噪聲相別離，從而為下一步進(jìn)行的語音識別打好根底。如果對于語音的分割不準(zhǔn)確，語音信號識別就會因為音節(jié)錯誤而無法實現(xiàn)或出現(xiàn)大量錯誤。在實際工程應(yīng)用中，我們需要在進(jìn)行語音內(nèi)容識別之前先對輸入系統(tǒng)的連續(xù)語音信號進(jìn)行預(yù)處理，將每個音節(jié)的起始點和終止點劃分出來。這樣識別系統(tǒng)才能有效的針對每個音節(jié)分別進(jìn)行識別操作，不會盲目識別噪聲信號的內(nèi)容，使得語音識別系統(tǒng)能夠盡可能的做到對語音信號實時、準(zhǔn)確的判斷。隨著數(shù)字信號處理技術(shù)和計算機(jī)性能的不斷開展，一些具有自適應(yīng)、人工智能特性的語音識別系統(tǒng)已經(jīng)可以在不是特別復(fù)雜的環(huán)境下對語音信號做出較為精確的判斷。隨著市場需求的不斷增加，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。雖然我們在日常使用中會發(fā)現(xiàn)內(nèi)置于各類終端中的語音識別功能并不是十分好用，很多時候都會出現(xiàn)錯誤，但我們?nèi)匀粦?yīng)該對語音識別技術(shù)為我們生活提供的方便表示感謝，并對該領(lǐng)域技術(shù)的開展持有樂觀態(tài)度。語音識別技術(shù)的市場應(yīng)用還處于初期階段，為了使該技術(shù)的市場化應(yīng)用更為便利，目前需要為語音輸入通道硬件和軟件的根本引擎和平臺建立相應(yīng)的標(biāo)準(zhǔn)和標(biāo)準(zhǔn)，這樣一來語音識別技術(shù)就可以通過統(tǒng)一標(biāo)準(zhǔn)的結(jié)構(gòu)集成到各種各樣需要語音功能的軟件、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，實現(xiàn)大量的語音控制。隨著語音電子產(chǎn)品的不斷開展，語音識別技術(shù)為了適應(yīng)市場的現(xiàn)實需求，其在研究和開發(fā)中還有著大量的工作要做。2.2語音信號簡述通過對人們講話語音在時域和頻域兩個方面進(jìn)行研究分析，發(fā)現(xiàn)無論人們的年齡處于哪個階段，語音的頻率分布都是相對密集的，大局部都集中分布在300~3400Hz的頻率范圍內(nèi)?；谶@一特征，研究人員可以在對語音進(jìn)行識別之前先將其通過一個帶通濾波器，將處于300~3400Hz的語音信號別離出來得到所需要的頻譜，這樣的初步篩選將有利于提高語音自動分割算法和語音識別系統(tǒng)的準(zhǔn)確性以及運行效率。然后我們需要對選定頻譜范圍內(nèi)的連續(xù)語音信號進(jìn)行采樣，使其變成計算機(jī)能夠處理的離散時域的語音信號，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)實驗或應(yīng)用對采樣出來的信號有更為苛刻的要求時，我們就可以通過提高語音信號的采樣率或者擴(kuò)大語音信號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)實際應(yīng)用的要求，實現(xiàn)在低信噪比條件下的準(zhǔn)確語音自動分割，現(xiàn)在的語音自動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)聲特性使得語音信號是一個非穩(wěn)態(tài)的、時變的信號。眾所周知，計算機(jī)和人耳不同，對于這類信號是無法進(jìn)行處理的，研究人員為了解決這個問題就發(fā)現(xiàn)了可以利用“短時特性〞來進(jìn)行語音信號處理。所謂短時特性之所以存在就是因為人的口腔在發(fā)出各種聲音的時候需要進(jìn)行緩慢的肌肉運動，和肌肉運動的時間相比幾十毫秒就相當(dāng)于是一個短時間，在這個短時間內(nèi)我們就可以認(rèn)為語音信號是穩(wěn)定的、時不變的。語音信號必須要保持它的短時特點才能進(jìn)行語音信號處理，所有的語音信號處理系統(tǒng)都是根據(jù)這種短時特性開發(fā)出來的。根據(jù)這種短時特性就相應(yīng)的產(chǎn)生了一系列的語音信號處理的參數(shù)，如短時能量、短時過零率、短時頻譜以及短時自相關(guān)函數(shù)等，根據(jù)這些參數(shù)我們才能對語音信號實施有效的處理。對整段信號進(jìn)行分幀處理后我們就可以得到這些短時參數(shù)特征，整個信號中的每一段叫作“一幀〞，幀長一般取10~30ms，通常情況下我們可以將這段短時間內(nèi)的語音信號看作是相對平穩(wěn)的。這樣一來從整個語音的角度來看，每一幀的特征參數(shù)就共同組合成了特征參數(shù)的時間序列。從另一個方面看，語音信號另有一個相對較為簡單的分類方式，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，無論語音的發(fā)聲者使用何種語言、帶有何種音調(diào)，從聲學(xué)上來看都可以按照清音和濁音來進(jìn)行分類。我們對這兩種類型語音的短時特性進(jìn)行分析就可以發(fā)現(xiàn)這種分類方式的依據(jù)。清音的短時能量要遠(yuǎn)高于濁音，濁音的短時過零率那么遠(yuǎn)高于清音。在進(jìn)行語音自動分割時，噪聲一般具有較小的能量和較低的過零率，我們只需要結(jié)合這兩個參數(shù)就可以在信噪比條件不是很差的條件下對語音信號做出較為準(zhǔn)確的分割。2.3語音自動分割現(xiàn)狀對語音自動分割算法的研究最初能夠上溯到上世紀(jì)50年代。那個時候為了能夠?qū)⒄Z音段和噪聲段區(qū)分開來，從而實現(xiàn)一個實時語音翻譯系統(tǒng)，該算法應(yīng)運而生，并把該算法定名為VAD(voiceActivityDetection)，指的是將語音段和背景噪聲段別離開來的處理過程REF_Ref451181087\r\h[16]。要想實現(xiàn)一次高準(zhǔn)確性、高可靠性的語音自動分割或者語音識別，影響其結(jié)果的因素不僅僅局限于所采用的算法。除了語音識別外，還有語音自動分割，他們對于大局部整體系統(tǒng)最終結(jié)果的影響都是非常大的。語音識別以及語音自動分割應(yīng)用的領(lǐng)域是很廣的，除了用于實驗、商業(yè)還有一些高精度的檢測或者識別需要用到他們，在識別過程中產(chǎn)生的一些誤差也許對于實驗的影響不是很大，但是對于那些要求很高的高精度檢測來說這些誤差將是不能接受的。為了實現(xiàn)高精度的檢測，我們需要根據(jù)識別系統(tǒng)對性能要求的不同而采用專門的算法，否那么語音識別的準(zhǔn)確性將無法得到保證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展，各類語音數(shù)字信號處理技術(shù)也取得了日新月異的成就，尤其是語音識別技術(shù)在和電腦上的應(yīng)用實踐最為出眾，讓人們真正體會到了科學(xué)技術(shù)的進(jìn)步為生活帶來的便利。但是，由于人們的語音輸入經(jīng)常伴有較大的背景噪音，在這些噪聲的干擾下語音識別的準(zhǔn)確性就會大大降低，在一些專業(yè)領(lǐng)域的語音識別同樣面臨著嚴(yán)峻的問題。而語音信號處理是為了識別純潔的人聲設(shè)計出來的，或者通過各種手段將沒有用處的噪聲信號去除。為了實現(xiàn)這一目標(biāo)，語音自動分割技術(shù)就是一個有效的手段。語音自動分割就是指通過設(shè)計好的算法，將一段連續(xù)的語音信號分割為有用的語音〔人聲等〕和無用的噪聲，并且將每個語音音節(jié)的起始點和終止點進(jìn)行標(biāo)記處理。語音自動分割是各類語音信號處理的應(yīng)用中不可缺少的環(huán)節(jié)。一段混雜著噪聲的語音信號經(jīng)過自動分割以后會極大的改善識別系統(tǒng)的整體性能和識別精度REF_Ref450571739\r\h[6]。隨著應(yīng)用前景的日漸廣闊，語音自動分割技術(shù)已經(jīng)日益成為眾多學(xué)者研究的熱點方向，研究人員提出了很多新型語音自動分割算法，如：基于混淆網(wǎng)絡(luò)、基于仿生識別、基于短時分形維數(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)容主要是綜合評估了各種語音分割算法的優(yōu)缺點后，采用改進(jìn)后的譜熵法來進(jìn)行語音信號自動分割。算法分析語音的時頻域特性，選取適宜的參數(shù)，計算出當(dāng)前語音文件的參數(shù)值，再用適宜的算法確定閾值，最后實現(xiàn)語音自動分割。第1章引言主要介紹語音自動分割算法的概況。第2章簡要概述了語音自動分割算法的課題背景、研究現(xiàn)狀等。第3章語音信號的根本處理方法和經(jīng)典語音自動分割算法。前者從時域和頻域兩個角度介紹了語音信號分析的根本模式。后者詳細(xì)分析、介紹了幾種具代表性的語音自動分割算法。第4章基于語音熵的自動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音自動分割中的應(yīng)用，并最終確定了本文的語音分割方案。第5章算法實現(xiàn)與仿真主要介紹了算法的具體實現(xiàn)過程以及仿真結(jié)果。第6章結(jié)論主要是對實驗結(jié)果的總結(jié)分析以及對算法開展的展望。經(jīng)典語音自動分割算法所謂語音自動分割就是在一段連續(xù)語音中，把有用的語音音節(jié)和構(gòu)成干擾的背景噪聲區(qū)分開來，明確每個音節(jié)的起始點和終止點。隨著語音信號處理技術(shù)的不斷開展，語音自動分割方法越來越多，每種算法都有各自的特點和應(yīng)用場景。比較經(jīng)典的語音自動分割算法包括短時能量檢測法、自相關(guān)函數(shù)法、倒譜距離檢測法等。本章將對各類算法進(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音自動分割算法。語音信號的時域分析語音信號是時域信號，時域在對語音信號進(jìn)行分析時是最直觀的，通常來說語音信號處理的仿真結(jié)果都是以時間為橫坐標(biāo)的。所謂時域分析一般就是指基于短時能量、短時過零率、短時功率譜等參數(shù)，來對語音信號進(jìn)行相應(yīng)的分析。通過對這些短時參數(shù)的提取、利用，我們就能夠?qū)崿F(xiàn)語音信號的時域分析。再對任何一種數(shù)字信號進(jìn)行分析處理時，時域波形總是我們最早了解到的而且是最直觀的語音狀態(tài)描述。時域分析方法的特點有：〔1〕能夠直接觀察語音信號的波形；〔2〕不需要進(jìn)行復(fù)雜的計算就能夠?qū)崿F(xiàn)；〔3〕能獲得重要的短時特征；〔4〕信號特征能夠直觀表達(dá)出來，減小理解難度。連續(xù)信號數(shù)字化語音信號之所以要進(jìn)行預(yù)濾波的主要原因有二：(1)抑制系統(tǒng)輸入的語音信號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。而對于語音識別系統(tǒng)來說，當(dāng)應(yīng)用的場景不一樣的時候，選用的參數(shù)也是不同的。當(dāng)用于用戶時，指標(biāo)通常采用fh=3400Hz、fl=60~100Hz、采樣率為fs=8kHz。當(dāng)用于對語音識別系統(tǒng)要求很高的場所時，通常就要采用更狂的頻譜范圍、更高的采樣率。語音信號通過預(yù)處理之后就會轉(zhuǎn)化為二進(jìn)制數(shù)字碼。模擬信號需要通過采樣量化轉(zhuǎn)化為數(shù)字信號，在這個過程中，由于量化過程的根本原理導(dǎo)致其必然會有一定的誤差出現(xiàn)。當(dāng)語音信號波形的變化幅度特別大或者量化間隔Δ特別小時，可以發(fā)現(xiàn)量化噪聲與輸入信號是不存在相關(guān)關(guān)系的，根據(jù)這個特點就可以實現(xiàn)相關(guān)法的語音自動分割。數(shù)模變換又可以稱作數(shù)字化的反過程，他的核心意思就是指從已經(jīng)進(jìn)行過數(shù)字化的語音信號中重新構(gòu)建起模擬的語音信號波形。在進(jìn)行了A/D、D/A轉(zhuǎn)換之后語音信號會產(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)換之后加一個平滑濾波器。這個平滑濾波器將對語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，聲門鼓勵和口鼻輻射等因素都將對語音信號的平均功率譜產(chǎn)生較為明顯的影響。這種影響主要表達(dá)在，輸入的語音信號會因此在高頻端產(chǎn)生較為嚴(yán)重信號衰減，這就有可能導(dǎo)致信號高頻端的信噪比居高不下，不能滿足語音信號識別的要求，與低頻段產(chǎn)生鮮明的比照。當(dāng)衰減到達(dá)一定程度時就會出現(xiàn)高頻局部的語音頻譜求不出來的問題。怎么才能減小高頻端的信號低落程度，或者能夠通過某種方式抵消信號衰減帶來的影響成為了研究人員需要解決的問題。目前，較為行之有效的一種方式就是對語音信號進(jìn)行預(yù)加重處理。預(yù)加重成功的利用語音信號與噪聲信號具有不同特性的特點，對輸入信號高于800Hz的高頻分量進(jìn)行人為的加重處理。這樣一來高頻局部的信噪比就會得到相應(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)分析過程。在進(jìn)行預(yù)加重的同時，為了有效地提高語音信號信噪比，壓縮信號的動態(tài)范圍，我們可以在語音信號數(shù)字化時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)加重處理是放在語音信號數(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)行信號處理的過程中，我們不僅需要對信號進(jìn)行預(yù)加重處理，很多時候我們也需要將信號恢復(fù)成原始信號，這個時候就要使用去加重。去加重技術(shù)的思想和預(yù)加重根本相同，只不過實現(xiàn)方式不同。分幀加窗處理對語音信號實施過預(yù)加重之后，下一步就是要對其實施分幀加窗處理。通過實驗，我們發(fā)現(xiàn)語音信號在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。為了方便計算機(jī)的處理，只要將語音信號按此長度進(jìn)行分幀處理，就可以將平穩(wěn)過程的處理方法和理論引入到語音短時處理中。在進(jìn)行分幀處理時，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發(fā)生突變的情況，為了防止這種情況的發(fā)生，在分幀時通常使用如圖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的比設(shè)為0~1/2。所謂分幀其實就是用選定的窗函數(shù)乘以，類似于一個濾波器，在窗以外的語音信號都會被抑制掉，只有窗內(nèi)的信號可以通過，這樣就得到了加窗語音信號。圖幀長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。我們對語音信號進(jìn)行加窗分幀處理就是為了得到對之后的語音識別有用的各項短時參數(shù)，短時參數(shù)會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重要因素。為了解決這個問題，我們接下來就從窗函數(shù)的形狀和長度來仔細(xì)討論這個問題。1．窗口形狀通常情況下，窗函數(shù)應(yīng)該能夠盡量減小語音幀的截斷效應(yīng)〔波形峰起值趨于總跳變值的9%〕，為了實現(xiàn)這一目標(biāo)我們需要盡量減小時間窗兩端的坡度；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。雖然基于時域、頻域、倒譜域等不同的短時分析方法對于窗函數(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。通過式〔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增加時頻率分辨率Δ會隨之減?。挥纱丝梢娺@兩者之間是矛盾的，如果窗口取得短，那么Δ會減小，而時間分辨率那么會提高。所以需要根據(jù)實際應(yīng)用場景來進(jìn)行衡量，因此，窗口的長度選擇應(yīng)適宜。而有時基音周期也會對窗口長度的選擇產(chǎn)生至關(guān)重要的影響。語音信號的數(shù)字化和預(yù)處理過程對于整個系統(tǒng)來說是十分關(guān)鍵的一個環(huán)節(jié)，正因為如此在對一整個系統(tǒng)進(jìn)行性能評定的時候，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)、幀長以及幀移等語音參數(shù)。綜上所述，通過對以上處理過程的詳細(xì)介紹，語音信號就從一整段連續(xù)的信號被分割為以幀為單位的短時信號了，之后再將每個短時語音幀看成是近似平穩(wěn)的隨機(jī)信號，再來提取出其中的語音特征參數(shù)。在處理過程中，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]。語音信號的頻域分析頻域分析是從另一個方面對信號進(jìn)行分析，雖然頻域分析方法沒有時域分析形象、直觀，但它卻有著更為簡練、剖析問題更加深刻等時域分析無法比較的優(yōu)勢。兩者共同組成了語音信號分析。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，同時也應(yīng)用于工學(xué)的各個領(lǐng)域，語音信號頻域分析就是其中之一，是對線性系統(tǒng)進(jìn)行分析時最有效的手段。要想得到語音信號相應(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音信號做傅氏變變換再做傅氏反變換。如上文所述，因為語音信號的特性是時變的，為了便于計算機(jī)處理所以采用短時傅氏變換，由此得出的為短時頻域特征，窗函數(shù)均選取Hamming。(1)短時頻譜和短時功率譜假設(shè)信號經(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)語音的頻譜為的幅度，那么有： (3-10)語音信號的短時功率譜取值實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)行語音自動分割。語音信號的倒譜可定義為： (3-12)為語音信號能量譜密度函數(shù)，為倒譜系數(shù)，通過可得到倒譜距離為： (3-13)(3)熵熵是一個用來描述物質(zhì)的概率程度的物理量。熵是用來表示的信息量的，當(dāng)?shù)姆植几怕氏嗤瑫r，熵取最大值，也就是說，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)測法由于語音信號各個樣點之間存在著一定的聯(lián)系，所以在進(jìn)行信號分幀采樣之后，我們可以根據(jù)樣點之間的聯(lián)系預(yù)測當(dāng)前幀或者之后幾幀的樣點值。也就是說可以通過線性組合用先前幀的參數(shù)值近似估計出后面幀的采樣值。語音信號前后幀之間的聯(lián)系可以總結(jié)為一組參數(shù)特征，而噪聲信號那么因為前后不存在相關(guān)性所以沒有這種參數(shù)特征。這樣一來我們就找到了語音段和噪聲段之間的區(qū)別，這種區(qū)別能夠為后續(xù)的語音信號處理工作提供相關(guān)依據(jù)。線性預(yù)測分析的重要性不是其預(yù)測功能，而是它能夠提供一組簡潔的語音信號模型參數(shù)。該方法的有效運用能夠提高語音識別率并減少計算時間。經(jīng)典語音自動分割算法的分析所謂的語音自動分割，就是講人說話的有用的語音信號段從帶有背景噪聲的整段音頻信號中別離出來，將語音段和噪聲段通過算法自動別離。目前這種自動分割技術(shù)的準(zhǔn)確性還會受到很多因素的影響，分割效果普遍沒有人工分割準(zhǔn)確，但這種技術(shù)有巨大的市場需求，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語音進(jìn)行準(zhǔn)確分割的新型算法不斷涌現(xiàn)。不過這些算法還是以最為經(jīng)典的語音自動分割算法為根底開展而來的，本章就先來詳細(xì)介紹一下包括短時能量、短時過零率、倒譜距離在內(nèi)的幾種經(jīng)典算法。在下一章那么會對MATLAB仿真實驗所采用的改進(jìn)后的譜熵法做詳細(xì)介紹。語音自動分割簡述可靠性、自適應(yīng)性、實時性、魯棒性和精確性是有效的自動分割算法應(yīng)當(dāng)具備的幾個根本要素。當(dāng)語音音節(jié)端點被準(zhǔn)確的檢測出來以后，才有可能實現(xiàn)語音識別系統(tǒng)的根本功能，實現(xiàn)高效、準(zhǔn)確的語音識別，還能夠減小系統(tǒng)計算量，排除無聲段干擾。實驗發(fā)現(xiàn)，無論在什么環(huán)境下，語音端點分割錯誤都會對整體的語音識別準(zhǔn)確性產(chǎn)生巨大的影響。不僅如此，在語音合成、編碼等各種各樣的語音信號處理系統(tǒng)中，語音自動分割算法的準(zhǔn)確性、魯棒性等性能指標(biāo)都對整體系統(tǒng)發(fā)揮著至關(guān)重要的作用，因此不斷研究語音自動分割算法并對其進(jìn)行改進(jìn)具有重大意義。語音自動分割原理語音自動分割所依據(jù)的原理就是：通過對各種特征參數(shù)的提取可以發(fā)現(xiàn)，語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)出來的差異就會越大，這樣語音自動分割才會更加精準(zhǔn)。而且這種差異要盡量不會因為外界背景噪聲的影響而產(chǎn)生大幅變化，如果容易受到背景噪聲的影響那么說明算法的魯棒性不是很好。為了便于提取所說的特征參數(shù)并對其進(jìn)行有效地分析，每個語音信號段進(jìn)入系統(tǒng)后都需要先對其進(jìn)行預(yù)處理。需要進(jìn)行預(yù)加重，這樣才能使語音信號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，這樣語音信號才能具有短時性。在進(jìn)行分幀的時候，為了保證信號的連續(xù)變化、防止突變，我們通常會在兩幀之間設(shè)置好幀移，使起短時特性能夠表現(xiàn)的更加平滑，易于分析。預(yù)處理完成后就可以對信號提取特征參數(shù)，并根據(jù)語音段和噪聲段特征參數(shù)的差異來對其進(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。一般來說，用于判斷的參數(shù)越多自動分割的準(zhǔn)確性也越高，但同時我們也要考慮到計算量大小的問題，不能盲目的增加算法中的特征參數(shù)個數(shù)。參數(shù)提取是對語音和噪聲信號進(jìn)行提取的參數(shù)。聲音是人體的聲音，人體發(fā)聲的原理是來自人體器官聲帶的振動。而噪聲信號的出現(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，對該算法的短時能量和短時過零率進(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。短時幅度這項參數(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)雜的時候，短時平均過零率就可以發(fā)揮出它的優(yōu)勢，獲得較好的判斷結(jié)果。由此可見，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)別對于整個系統(tǒng)最終效果有著十分重要的作用。語音自動分割流程如下圖：圖3.2語音自動分割流程圖說話人的語音信號和噪聲信號在特征參數(shù)上有明顯的差異，不同環(huán)境下的噪聲信號特征參數(shù)也有差異，自動分割系統(tǒng)就根據(jù)這些提取出來的各不相同的特征參數(shù)來設(shè)置相應(yīng)的門限，在滿足一定的規(guī)那么后就會被判定為語音開始或者語音結(jié)束。門限值設(shè)定好之后，當(dāng)信號超過預(yù)先設(shè)定的門限值時，語音信號有可能已經(jīng)開始，但是這里還需要對其持續(xù)時間做一個判決。假設(shè)信號連續(xù)超過設(shè)定的門限幾幀都沒有衰落回去，那么說明信號進(jìn)入了語音段。對于結(jié)束點的判斷與起始點根本類似。當(dāng)檢測到語音信號低于預(yù)先設(shè)定的門限值且連續(xù)幾幀均低于該門限時，那么說明語音信號結(jié)束。由于單門限、單參數(shù)的語音自動分割算法準(zhǔn)確性有限，所以各類新型算法層出不窮，實際應(yīng)用中根本上不再會看到機(jī)遇單門限、單參數(shù)的自動分割算法?；诙虝r能量和短時過零率的語音自動分割在常用的短時能量和過零率相結(jié)合的語音自動分割算法中，濁音通常使用短時能量來進(jìn)行檢測、清音那么使用短時過零率，當(dāng)背景噪聲較為復(fù)雜時那么通常采用兩者相配合以便實現(xiàn)語音信號自動分割的準(zhǔn)確性。這個算法在進(jìn)行輸入語音信號的檢測過程中短時能量和短時過零率是分步開展的。根據(jù)人聲的發(fā)音特征，可以把語音信號劃分為濁音、清音和無聲三類音。由于清音所攜帶的能量相對較小，會比較容易將其與無聲區(qū)混淆，但過零率檢測恰好能夠彌補能量檢測的缺乏之處，它能夠清晰的分辨出清音和無聲。綜合兩種特征參數(shù)的特點可知，在信噪比良好的條件下將它們結(jié)合起來進(jìn)行自動分割能夠得到較為準(zhǔn)確的結(jié)果。短時平均能量首先，從能量大小的角度上來看，語音信號的能量在一般情況下是遠(yuǎn)大于噪聲能量的，這樣一來就可以通過能量值來區(qū)分噪聲和語音或者進(jìn)行語音自動分割。由于人的發(fā)聲方式的物理原因，未經(jīng)處理的人聲信號是時變的，為了能夠應(yīng)用平穩(wěn)狀態(tài)下的各種研究方法，我們需要對語音信號進(jìn)行加窗分幀，從而使一整段語音信號分成以幾十ms為一幀的眾多語音幀，在每個語音幀內(nèi)我們認(rèn)為語音信號是相對平穩(wěn)的。之后，我們就可以對每幀的能量幅度做集合運算，從而得到我們需要的短時特征參數(shù)——短時能量。對短時能量進(jìn)行分析可以發(fā)現(xiàn)，濁音、清音、靜音的短時能量依次遞減，我們可以以此為依據(jù)，設(shè)置相應(yīng)的門限進(jìn)行自動分割。語音信號{x(n)}在n時刻的為： (3-16)式〔3-16〕中，為Hamming。令，那么有： (3-17)式中，為窗函數(shù)，語音信號一般取10~30ms，我們可以把每幀語音信號看成是近似平穩(wěn)的。通過分幀加窗處理，我們就可以對原來無法進(jìn)行處理的一整段語音信號進(jìn)行逐幀處理了。每次只對一幀內(nèi)的短時信號進(jìn)行分析，得出相應(yīng)的短時參數(shù)。短時能量可作為清音和濁音的區(qū)分標(biāo)準(zhǔn)進(jìn)行使用。短時平均幅度可以定義為：(3-18)通常情況下，信噪比較高的語音信號只需要依據(jù)短時能量就能夠較為準(zhǔn)確的檢測出語音端點，但如果語音不是十分的純潔，帶有一定的背景噪聲，結(jié)果就很容易出現(xiàn)錯誤。因為清音的能量遠(yuǎn)遠(yuǎn)小于濁音，但是清音和靜音的能量比起來就相差不多了，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)生錯誤。根據(jù)這點，為了提高自動分割算法的準(zhǔn)確性，便提出兩種參數(shù)相結(jié)合的方法?？梢酝ㄟ^以下幾種算法實現(xiàn)： (3-19) (3-20) (3-21)在計算機(jī)上進(jìn)行仿真出圖時，波形的高度就代表著語音信號的幅度，能量越高的信號波峰越高，而能量較小的信號波峰也比較低，在進(jìn)行語音自動分割的時候，涉及到具體的門限就需要依據(jù)語音信號波峰的高度來進(jìn)行設(shè)置。雙門限是指需要設(shè)定兩個閾值，先設(shè)定一個低一點的幅度值對語音信號實施第一次判決，再選擇一個高一點的值實施第二次判決。短時過零率短時過零率就是指每幀信號改變符號次數(shù)。根據(jù)輸入系統(tǒng)語音信號的最大值與最小值之間的變化，對語音信號實施歸一化處理。這樣就能將語音信號波峰波谷的變化轉(zhuǎn)換為穿過坐標(biāo)橫軸的次數(shù)。將語音信號的定義為：(3-22)式〔3-22〕中，，即：(3-23)短時過零率可以通過比較語音信號和噪聲信號之間頻率的差異來進(jìn)行自動分割。當(dāng)發(fā)清音時，頻率較高，而頻率高就意味著平均過零率高。這和平均過零率很低的噪聲信號形成鮮明比照，這樣在短時能量很難準(zhǔn)確判別的清音和噪聲問題上，短時過零率卻能夠做出有效的識別?？梢缘弥@兩個特征參數(shù)如果一同使用的話自動分割的準(zhǔn)確率就能大幅提高?；诙虝r能量和短時過零率的雙門限自動分割圖雙門限自動分割程序流程圖所示的方法是將短時能量和短時過零率結(jié)合起來進(jìn)行語音分割的方法，在信噪比良好的情況下，能對語音信號實現(xiàn)較為準(zhǔn)確的自動分割。與之前介紹的單門限的判斷流程不同，雙門限檢測對于每個特征參數(shù)都設(shè)定有兩個門限。當(dāng)語音信號參數(shù)值高于設(shè)定的第一個較低的門限時，說明有一定可能進(jìn)入人聲段，此時判決繼續(xù)。當(dāng)語音信號在此根底上超過了預(yù)先設(shè)置好的第二個較高的門限，并且持續(xù)有幾幀的時長時，我們就認(rèn)為語音信號進(jìn)入了人聲段。對人聲段終止點的判決大體上就是它的逆過程。當(dāng)語音信號的參數(shù)值低于設(shè)定的第一個較高的門限時，說明人聲段有可能結(jié)束，算法繼續(xù)對其進(jìn)行檢測，假設(shè)參數(shù)值又低于了設(shè)定好的第二個較低的門限并持續(xù)了幾幀的時長那么說明語音信號進(jìn)入了背景噪聲段。這里所說的“幾幀〞就是指算法預(yù)先設(shè)定好的最短語音和最短靜音兩個參數(shù)。因為有些噪聲可能是突發(fā)性的、大功率的，這類噪聲很有可能同時滿足雙門限的條件，為了防止此類噪聲對語音自動分割的準(zhǔn)確性產(chǎn)生不利影響才設(shè)置了這兩個參數(shù)。一旦語音信號超過了較高的判決門限，檢測系統(tǒng)就會認(rèn)為語音信號已經(jīng)進(jìn)入了語音階段，但是判定還沒有結(jié)束。系統(tǒng)會繼續(xù)判斷當(dāng)前的狀態(tài)是否能夠滿足最短語音和最短靜音的條件，如果不滿足那么會被認(rèn)定為噪聲信號，所有參數(shù)值歸零，算法重新開始判斷REF_Ref451288797\r\h[15]。基于倒譜特征的語音自動分割倒譜特征在語音識別系統(tǒng)中，很多時候短時能量和短時過零率所包含的信息并不能進(jìn)行準(zhǔn)確的語音自動分割，尤其是在說話人所處環(huán)境較為復(fù)雜、信噪比較低的情形下，基于短時能量和短時過零率的自動分割算法通常都會出現(xiàn)很多錯誤，不能準(zhǔn)確識別出語音音節(jié)的起始點和終止點。而倒譜特征所包含的信息量要遠(yuǎn)遠(yuǎn)大于它們，同時由于倒譜的定義方式與其不同，使得基于倒譜特征進(jìn)行的語音自動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)語音信號為,其倒譜變換為。語音信號倒譜的一種定義為： (3-24)式中，為倒譜系數(shù)，且是實數(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，兩個信號譜的差異大小可以用對數(shù)譜的均方距離來進(jìn)行描述，因此可以采用倒譜距離為特征參數(shù)來識別語音音節(jié)的區(qū)間?；诘棺V距離的語音自動分割算法流程和短時能量作為特征參數(shù)的算法十分相似，只不過變換了特征參數(shù)而已。由于極少有語音信號從第一幀開始就進(jìn)入說話人語音段，故將語音前幾幀默認(rèn)為噪聲段。通過對這段噪聲進(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，，。計算倒譜距離： (3-27)式中，譜。式中處理語音信號所采用的倒譜特征是復(fù)倒譜特征，F(xiàn)FT復(fù)倒譜就是由語音信號先經(jīng)過傅里葉變換，然后求其復(fù)對數(shù)的傅氏變換就可以得到相應(yīng)信號的復(fù)倒譜。此種檢測方法相較于短時能量和短時過零率的方法雖然具有很多優(yōu)點，但它同時也具有計算復(fù)雜、運算量大的缺點，將其應(yīng)用于語音自動分割時實時問題不易解決。4基于語音熵的自動分割算法設(shè)計上文所述的基于短時能量和短時過零率等特征參數(shù)的語音自動分割算法，雖然計算簡便，且易于實現(xiàn)。但是該算法在低信噪比條件下，對于語音音節(jié)起始點和終止點的檢測準(zhǔn)確程度是無法到達(dá)預(yù)期效果的，從而導(dǎo)致自動分割準(zhǔn)確性低下，整個語音識別系統(tǒng)出現(xiàn)大量錯誤。如果單從分割準(zhǔn)確性的角度來考察，基于模式識別的方法準(zhǔn)確性是很高的，但是在實際應(yīng)用的過程中我們不能僅僅考慮精確性一方面問題，還要考慮諸如實時性、計算量等多方面因素。為了在它們之間尋找一個平衡點，既能保證自動分割的準(zhǔn)確性又可以防止大規(guī)模的運算，本章介紹一種基于語音熵的語音自動分割算法，并對其進(jìn)行了一定的改進(jìn)。4.1本文設(shè)計方案圖4.1改進(jìn)的譜熵法語音自動分割算法過程框圖首先讀入之前錄制好的連續(xù)語音文件；對語音信號進(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音分割結(jié)果，人為添加一些經(jīng)驗性約束，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；通過平滑處理設(shè)置閾值；應(yīng)用雙門限端點檢測法檢測出音節(jié)起始點和終止點；對各個音節(jié)起始點和終止點進(jìn)行標(biāo)記；語音自動分割完成。譜熵的定義4.2.1熵的定義及概念，最初是熱力學(xué)，，。一個系統(tǒng)混亂度越高，它的信息熵就越高，一個系統(tǒng)越是有一定規(guī)律可循，它的信息熵就越低。在語音信號中語音段因為是人發(fā)出的聲音，幀與幀之間存在著一定的聯(lián)系，所以語音段的信息熵就低。相反，背景噪聲根本上都是隨機(jī)的，所以信息熵就高。充分利用這個差異，就能實現(xiàn)基于譜熵的語音自動分割算法。，它們獨立特征，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)的語音信號是連續(xù)的，在計算它的信息熵之前需要對其進(jìn)行采樣量化，將連續(xù)信號轉(zhuǎn)化為離散信號，然后才能對其進(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個頻率分量fk對應(yīng)的概率密度；N為FFT長度。：(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“無序性〞。假設(shè)熵函數(shù)有 (4-7)也就是等概分布的時候，語音信號的熵到達(dá)最大值，這一特征稱為最大離散熵定理。4.3譜熵法語音自動分割的改進(jìn)算法基于最根本的譜熵原理在語音信號中的應(yīng)用，為了提高區(qū)分語音信號和非語音段的能力、消除某些能量集中噪聲某個特定頻率對傳統(tǒng)譜熵方法的影響，改進(jìn)的譜熵法語音自動分割算法。區(qū)分語音段和噪聲段的能力，做出了一些經(jīng)驗性的約束。由于大局部語音信號都在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頻率對譜熵方法的影響，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)是語音幀xi(m)的短時傅里葉變換，每個分量的能量。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算出來 (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)一步分成幾個子帶，再分別求出每一個子帶譜熵，這樣一來就消除了每一條譜線幅值會受到噪聲影響的問題。設(shè)每個子帶由4條譜線組成，共有Nb個子帶，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.在譜熵的計算中引入一個正常量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)定自動分割的門限值。因此在噪聲環(huán)境下