語音短時幅度和短時過零率分析與應用

摘要:給出一段語音，對這段語音的清濁音進行了研究。為了區(qū)分該語音的清音段與濁音段，提出一種短時幅度和短時過零率相結(jié)合的方法。分析比較了短時幅度和短時過零率分別出現(xiàn)的不同結(jié)果。短時幅度值Mn大的對應于濁音段，而Mn值小的對應于清音段。高平均過零率對應于清音，低平均過零率對應于濁音，分析結(jié)果表明將短時幅度和短時過零率結(jié)合起來的方法可以大體上區(qū)分清音段和濁音段。

關鍵詞:語音;短時幅度;短時過零率;分析;清音段和濁音段

中圖分類號:TN912文獻標識碼:A文章編號:1009-3044(2009)33-9314-02

Analysis and Application of Short-time Magnitude and Short-time Zero-crossing Rate in Speech

WU Yan-hua

(Department of Physics， Qinghai Normal University， Xi'ning 810008， China)

Abstract: Giving a period of speech，and to research on the Unvoiced and Voiced sound of the speech.In order to distinguish the segment of，a method of combing Short-time Magnitude and Short-time Zero-crossing Rate is proposed in this paper.By analyzing the different results based on Short-time Magnitude and Short-time Zero-crossing Rate.The one whose Short-time Magnitude is bigger corresponds the segment of Voiced sound，otherwise corresponds the segment of Unvoiced sound.The high Short-time Average Rate corresponds Unvoiced sound，and the low one corresponds Voiced sound.The analysis results show that the method of combing Short-time Magnitude and Short-time Zero-crossing Rate can distinguish the segment of Unvoiced and voiced sound roughly.

Key words: speech; short-time magnitude; short-time zero-crossing rate; analysis; the segment of unvoiced and voiced sound

語音是語言的聲學表現(xiàn)，是人類交流信息的最自然、最有效、最方便的手段。語音信號處理是一門以語言學和數(shù)字信號處理為基礎的綜合性學科，包括了語音識別、語音合成、語音編碼和說話人識別等四大分支。而語音基音檢測是語音信號處理中的一項重要技術之一，與許多語音信號處理技術相關。因此，語音基音檢測的準確度和檢測效率一直受到科技工作者的重視。其中，有效地區(qū)分清音段和濁音段對其起著關鍵作用隨著社會的快速發(fā)展，機器參與了人類的生產(chǎn)活動和社會活動。人們發(fā)現(xiàn)，人-機之間最好的通信方式是語言通信，而語音是語言的聲學表現(xiàn)，是人類交流信息的最自然、最有效、最方便的手段。作為語音信號處理研究的領域，語音識別技術的最終目的是實現(xiàn)人-機自由對話，也就是賦予機器以聽覺，使機器能聽懂人的語言，辨明話音的內(nèi)容或說話人，將人的語音正確轉(zhuǎn)化為書面語言或有意義的符號或進一步使機器能夠按照人的意志進行操作把人類從繁重或危險的勞動中解脫出來。在語音信號處理中，清濁音判決是語音信號預處理的一個重要環(huán)節(jié)。能否準確地對語音信號進行清濁音判決，決定著后續(xù)的工作能否順利進行。基音周期的檢測、語音的合成效果很大程度上都取決于清濁音的判斷正確與否。語音信號檢測在語音信號處理和通信等領域，有著十分重要的意義。一般來說，語音信號檢測算法主要依據(jù)語音在噪聲的不同特性進行判決，由于清音的特性與噪聲非常相似，而濁音的特性和噪聲區(qū)別明顯，所以常采用濁音檢測的方法。目前常用于語音檢測的方法有短時能量法、短時平均幅度(Average Magnitude，AM)法、短時過零率法、相關性檢測法、短時平均幅度差(Average Magnitude Difference Function，AMDF)法等。到目前為止，已經(jīng)提出了許多種清濁音判決方法。本文主要介紹是的語音短時幅度和短時過零率相結(jié)合的方法，可以大體上區(qū)分清音段和濁音段，為以后更好地進行清濁音判決創(chuàng)造了條件。

1 數(shù)據(jù)來源

本文所用的數(shù)據(jù)源都是從WAVE文件中得到的。

WAVE文件作為多媒體中使用的聲波文件格式之一，它是以RIFF格式為標準的。RIFF是英文Resource Interchange File Format的縮寫，每個WAVE文件的頭四個字節(jié)便是“RIFF”。WAVE文件由文件頭和數(shù)據(jù)體兩大部分組成。其中文件頭又分為RIFF/WAV文件標識段和聲音數(shù)據(jù)格式說明段兩部分。常見的聲音文件主要有兩種，分別對應于單聲道(11.025KHz采樣率、8Bit的采樣值)和雙聲道(44.1Hz采樣率、16Bit的采樣值)。

錄制一段語音，王之渙的《登鸛雀樓》中的詩句 “白日依山盡，黃河入海流。欲窮千里目，更上一層樓。”(女聲)，然后保存其.WAVE文件，取名為“dgql.wav”。則語音dgql.wav顯示的部分波形圖(取該語音的前5000個樣本)如圖1所示。

2 對短時幅度和短時過零率的分析

2.1 用短時平均幅度Mn進行清濁音判斷

2.1.1 短時平均幅度定義

語音信號x(n)的短時平均幅度的定義為

其實現(xiàn)框圖如圖1所示。這里用計算加權(quán)了的信號絕對值之和代替平方和。這種短時處理的方法比較簡單，因為它不必作平方運算。Mn也是一幀語音信號能量大小的表征，與En的區(qū)別在于其計算時小取樣值和大取樣值不會因取平方而造成較大差異。

2.1.2 窗口的形狀和長度的選擇

本算法中窗口選擇海明窗，其定義為:

其中，N為窗口的長度。

選擇海明窗的理由是窗函數(shù)的選取原則為窗函數(shù)截取后的x(n)盡量是中間大兩頭小的光滑函數(shù)，沖激響應對應的濾波器具有低通特性。海明窗雖然主瓣最高(帶寬大)，但旁瓣最低(通帶外的衰減大)，可以有效地克服泄露現(xiàn)象，具有低通特性。故選擇海明窗更能反映出語音信號的幅度變化。

選擇海明窗后，就應選擇窗口的長度N了。如果N很大，它等效于帶寬很窄的低通濾波器，此時Mn隨時間的變化很小，不能反映語音信號的幅度變化，波形的變化細節(jié)就看不出來;反之，N太小時，濾波器的通帶變寬，短時幅度隨時間有急劇的變化，不能得到平滑的能量函數(shù)，。不論什么樣的窗口，窗長對于能否反映語音信號的幅度變化，起決定作用。窗長太大或太小都不行，故窗長選擇應合適。本方法中選擇的窗長為240，窗移為80，共有60幀。

2.2 用短時平均過零率對清濁音頻譜的進行粗略估計

2.2.1 短時平均過零率定義

短時平均過零率是語音信號時域分析中最簡單的一種特征。顧名思義，它是指每幀內(nèi)信號通過零值的次數(shù)。對于連續(xù)語音信號，短時平均過零率可以考察其時域波形通過時間軸的情況。對于離散信號，短時平均過零率實際上就是信號采樣點符號變化的次數(shù)。短時平均過零率仍然可以在一定程度上反映其頻譜性質(zhì)，可以通過短時平均過零率獲得譜特性的一種粗略估計。

語音信號x(n)的短時平均過零率的定義為

式中，sgn[·]是符號函數(shù)，即

2.2.2 窗口的形狀和長度的選擇

窗函數(shù)w(n)為矩形窗，即

本方法中選擇的窗長為240，窗移為80，共有60幀。

根據(jù)前面語音信號x(n)的短時平均過零率的定義式Zn，可得實現(xiàn)過零的框圖，如圖2所示。由圖可見，首先對語音信號序列x(n)進行成對地查對采樣以確定是否發(fā)生過零，若發(fā)生符號文化，則表示有一次過零;而后進行一階差分計算，再求絕對值，最后進行濾波。

3 短時幅度和短時過零率的應用

3.1 短時平均幅度主要用途

Mn也是一幀語音信號能量大小的表征，由于平均幅度函數(shù)沒有平方運算，因此其動態(tài)范圍(最大值和最小值之比)要比短時能量小，接近于標準能量計算的動態(tài)范圍的平方要，窗長N對平均幅度函數(shù)的影響與短時能量的分析結(jié)論是完全一致的，且濁音時Mn值比清音時大得多。所以，短時平均幅度也可以用來區(qū)分清音段和濁音段。

如在圖四中，短時幅度Mn值大的對應于濁音段，而Mn值小的對應于清音段。由圖上的Mn值的變化，可大致判定濁音變?yōu)榍逡艋蚯逡糇優(yōu)闈嵋舻臅r刻。

語音dgql.wav顯示的部分短時平均幅度的連續(xù)圖(取該語音的前5000個樣本)如圖4所示。

3.2 短時平均過零率主要用途

短時平均過零率可應用于語音信號分析中。由于它粗略地描述了信號的頻譜特性，因而可以區(qū)分清濁音。發(fā)濁音時，其語音能量約集中于3kHz以下。而發(fā)清音時，其多數(shù)能量出現(xiàn)在較高頻率上。既然高頻意味著高的平均過零率，低頻率意味著平均過零率，那么可以認為濁音時具有較低的平均過零數(shù)，而清音時具有較高的平均過零率。但這種高低僅是相對而言，沒有精確的數(shù)值關系。

在這首詩中，這四句話的平均過零率變化都很大，如在圖5中，可以看出，高平均過零率對應于清音，低平均過零率對應于濁音;但是清音和濁音的變化非常明顯。因而，短時平均過零率可以用于清音和濁音的大分類上。

語音dgql.wav顯示的部分短時平均過零率的連續(xù)圖(取該語音的前5000個樣本)如圖5所示。

4 結(jié)束語

通過短時平均過零率和短時幅度結(jié)合起來的方法，可以大體上區(qū)分清音段和濁音段。此方法，對于清音，短時過零率比較高，短時幅度比較低;對于濁音，其短時過零率比較低，但是短時幅度比較高。在背景噪聲較小的情況下，短時幅度比較準確，但當背景噪聲較大時，短時平均過零率可以獲得較好的判斷結(jié)果。但將兩者結(jié)合起來，就可以達到較好的效果，特別是在清濁音的大分類上，效果更佳。該文提出的方法局限性很大，它只是能夠大概區(qū)分清音段與濁音段，但是很難區(qū)分清音還是濁音。這個區(qū)域所含的信息量是很大的。近年來，有用子波分析提取基音的，也有用語音的分形特征作盒維數(shù)統(tǒng)計分析的。這種方法還有待于進一步改進。

參考文獻:

[1] 馬祥杰，孟相如，張百生.一種自相關基音檢測方法[J].通信技術，2003(5).

[2] 武光利，戴玉剛，馬寧.基于短時平均幅度和短時過零率的藏語語音端點檢測研究[J].福建電腦，2007，(3):166-167.

[3] 吳恬盈.一種新的清濁音在線辨識法[J].計算機仿真，2007，(04).

[4] 張仁志，崔慧娟.基于短時能量的語音端點檢測算法研究[J].電聲技術，2005，(07).

[5] 熊琦，杜旭，朱曉亮.一種基于短時平均幅度差的語音檢測算法[J].電聲技術，2006，(09):50-51.

[6] 李昱，林志謀，黃云鷹，等.基于短時能量和短時過零率的VAD算法及其FPGA實現(xiàn)[J].電子技術應用，2006，(9).

[7] 廖逢釵，盧昌荊，王紅雨.基于短時平均幅度的語音端點檢測的改進[J].三明學院學報，2006，23(2).

[8] 馮康，時慧琨.一種參考短時平均能量和平均幅度差函數(shù)的基音檢測方法[J].淮南師范學院學報，2003，5(5).

[9] 周家新，王長松，汪建新，等.基于短時幅度-過零率函數(shù)識別抽油井液面回波[J].化工自動化及儀表，2007，34(2):59-62.

[10] 胡航.語音信號處理[M].哈爾濱:哈爾濱工業(yè)大學出版社，2005.30-33.