端點檢測兩種方法的討論

方臻成

【摘要】 在語音信號處理中，端點檢測是十分重要的一項內容。端點檢測，可以在有噪聲的背景中確定語音信號的起始點和終止點，為后續處理做必要的準備。而由于背景噪聲的存在，光從波形上判斷始終點會有一定困難。本文針對端點檢測，介紹短時能量法與過零率法兩種方法，并對這兩種方法進行討論。

【關鍵詞】 語音信號處理 端點檢測

一、背景

在錄制語音時，除了將說話人的語音錄進計算機外，還不可避免地將外界噪聲也錄入計算機。因此，在說話者沒有說話的時候，也會有信號出現在錄制好的文件中。在這種情況下，就給判斷語音信號從哪開始，在哪結束帶來困難。在這種情況下，對信號進行端點檢測，來判斷語音的始點與終點是有必要的。下面介紹的是兩種常用方法：短時能量法與過零率法。

二、語音的分類

從發音特點來分，語音可以分成很多種。最基本的兩種是元音與輔音。當我們發元音時，聲帶發出的聲音氣流從喉腔、咽腔進入口腔從唇腔出去時，這些聲腔完全開放，氣流順利通過，如漢語拼音的a、o、e。當我們發輔音時，呼出的聲流，由于通路的某一部分封閉起來或受到阻礙，氣流被阻，與發聲器官發生摩擦從而發出聲音，如漢語拼音的s、t。

三、短時能量法

將語音信號數字化后，信號x（n）短時能量定義如下：

■

其中w（n）是窗函數。由于語音信號的短時能量一般會比噪聲的要大，因此可以通過短時能量對語音信號的起點與終點進行判斷。

四、短時過零率法

如果將時間作為橫軸，聲音的振幅作為縱軸，那么就可以在坐標上記錄聲音的波形圖。過零率就是單位時間內波形穿越時間軸的次數。一般來說，噪聲都是頻率高，振幅小的信號，因此噪聲的過零率極高。為了屏蔽噪聲的過零率，我們設置一個閾值。比如說，假設噪聲的幅度一般不超過a（a是一個比較小的數），那么我們就把正負a作為一個閾值，只有波形穿越了正負a這一區間，才算一次穿越橫軸。這樣，噪聲就在正負a區間震動，并不會提高過零率。這樣，就可以通過過零率判斷語音的始終點。信號{x（n）}的短時平均過零率定義為：

■

其中sgn是符號函數：

■

五、兩種方法的比較

錄取“一、二、三”三個字節的音頻，將音頻數字化后進行分幀，幀長為160點。以160點為幀長，80為幀移，分別計算其短時能量與過零率。圖1由上至下三個圖分別是語音數字化后的波形圖、短時能量與過零率。

在三個圖中，用豎線劃分出來的部分就是元音部分。從這三個圖中可以看到，對于元音，不管用短時能量還是過零率，都能較好地看出元音地起點與終點。但對于輔音，情況就有點復雜。以音節“三”為例，“三”包含一個輔音“s”和一個元音“an”，從圖中可看出，發“s”時，語音的短時能量非常低，而過零率卻非常高，這證明，輔音的幅度很小（但比噪音大），而輔音的頻率比元音大得多。因此，如果光用短時能量，很難判斷出輔音的出現。而對元音方面，雖然用兩種方法都能判斷元音的始終點，但從音節“三”看出，元音的過零率比輔音要低，因此光靠過零率來識別元音，會有誤差。

因此，從圖1可知，輔音過零率高而短時能量小，元音過零率低而短時能量大。光靠一種方法來判斷語音的始終會有誤差的，應該將兩者結合起來看。總的來說，在噪聲比較小的時候，用短時能量判斷會比較準確，而在噪聲比較大時，用過零率來判斷會比較準確。

參 考 文 獻

[1] 趙力. 語音信號處理[M].機械工業出版社