固話信道下語音特征參數影響研究

郭逾等

摘 要： 通過對比麥克風與固話信道下語音信號的時域、頻域參數，結合固話傳輸系統的特性，分析語音信號經過固話信道傳輸后，各參數的異同點以及固話信道對語音信號的影響。并采用[F]比的方法，分析麥克風信道和固話信道下語音信號MFCC特征參數的差異。實驗結果表明，語音信號經過固話信道傳輸后，不僅造成信號的頻率失真，還伴隨有寬帶噪聲和共振型噪聲。在MFCC特征參數方面，麥克風和固話信道的第二維MFCC參數差異最明顯，低維參數相比高維參數差異較大，男性說話人特征參數相比女性說話人差異較大。

關鍵詞： 固話信道； 噪聲； 語音參數； Mel頻率倒譜系數； [F]比

中圖分類號： TN916?34 文獻標識碼： A 文章編號： 1004?373X（2015）11?0073?06

Influence of fixed telephone channel on voice feature parameters

GUO Yu， ZHANG Er?hua， LIU Chi， YANG Zi?fan

（School of Computer Science and Engineering， Nanjing University of Science and Technology， Nanjing 210094， China）

Abstract： By comparing time?domain and frequency?domain parameters of voice signal in microphone channel and fixed telephone channel， the influence of parameter similarities， differences and fixed telephone channel on voice signal are analyzed in combination with the characteristics of the fixed telephone transmission system after the voice signal is transmitted through the fixed telephone channel. The difference of voice signal MFCC characteristic parameters in microphone channel and fixed telephone channel is analyzed with the method of F?ratio. The experimental results show that the frequency distortion of voice signal， accompanying with wide?band noise and resonance noise， occurs after the voice signal is transmitted in the fixed telephone channel. In the aspect of MFCC characteristic parameters， the most obvious difference is the second dimensional MFCC parameter in microphone channel and fixed telephone channel， the difference in lower dimension is greater than that in higher dimension， and the difference of characteristic parameter in male speakers is greater than that of female speakers.

Keywords： fixed telephone channel； noise； voice parameter； Mel?frequency cepstrum coefficient； F?ratio

0 引 言

近年來，隨著說話人識別技術的不斷發展，說話人識別在干凈語音環境下取得了較好的識別性能。但在信道失配條件下，由于信道的卷積噪聲以及傳輸信道本身特性的原因，對原始語音信號產生了較大的影響，從而降低了說話人識別系統的性能。針對信道失配問題，目前已經有一些處理方法，例如針對特征域的倒譜均值歸一（CMN）、RASTA濾波；針對得分域的Z?score、T?score方法；模型域的聯合因子分析（JA）[1?2]等，這些方法在實際應用中都取得了較好的效果。但是針對信道本身的研究較為少見，信道本身的特性、語音信號通過信道傳輸后產生何種畸變、語音特征參數對信道傳輸的敏感度等問題，都需要進一步探索。

本文首先介紹了固定電話的工作原理、固話噪聲的來源和信號失真的原因，其次將麥克風信道語音和固話信道語音的時域和頻域參數進行對比，然后針對MEL頻率倒譜系數（MFCC）進行研究分析，并采用F比的方法，對麥克風信道和固話信道下MFCC各維分量進行比較，研究語音信號經過固話系統傳輸后，對信號參數產生的影響。

1 固定電話工作原理及噪聲類型

1.1 固定電話系統構成

信號源在固定電話系統中經過了復雜的傳輸過程。固定電話傳輸系統如圖1所示，說話人發出的語音信號在電話機送話器處完成聲/電轉換形成模擬信號，模擬信號經過電話用戶線傳輸到交換機，在交換機處完成編碼（如有長距離傳輸將會進行光纜調制），形成數字信號，數字信號經過傳輸信道（光纜或同軸電纜）傳輸后進入另一交換機，在交換機處完成譯碼，數字信號轉換為模擬信號，再通過電話用戶線將模擬信號傳輸到電話機，在電話機受話器完成電/聲轉換，最后傳入接收人耳中。

1.2 信號失真及噪聲產生原因

固話傳輸系統產生的失真和噪聲類型主要包括頻率失真、非線性失真、量化失真以及傳輸線路噪聲[3]。

（1） 頻率失真

考慮到人的聽覺系統和信道傳輸的特點，電話機在發送端和接收端有不同頻響的傳輸特性，從而產生頻率失真。如圖2（a）、圖2（b）所示。

（2） 非線性失真

由于送（受）話器質量不佳、發送端（接收端）放大器的饋電電壓不夠或工作點選擇不當、自動增益控制電路設計不佳等問題，將會導致最終接收到的語音信號產生非線性失真，直接導致輸出信號產生新的頻率成分。

（3） 量化噪聲

通過聲/電轉換后的模擬信號在交換機處將要進行信源編碼和信道編碼，以適應光纜或同軸電纜傳輸。其中，在進行信源編碼時，我國對固話語音信號采用A律13折線量化標準，這是一種非均勻量化方式，它存在一定的量化誤差[4]。

最大相對量化誤差公式為：

[12 ? ΔμXSamples] （1）

式中：[Δμ]為量化間隔；[XSamples]為采樣值。

信源編碼輸出功率信噪比為：

[SNq=22（BfH）] （2）

式中：[B]為系統帶寬；[fH]為信號截止頻率。

（4） 傳輸線路噪聲

信號在線路中傳輸，容易受到外界噪聲的干擾，包括由電火花引起的脈沖噪聲、相鄰電臺或電子設備引起的窄帶噪聲、一些電阻性元器件引起的熱噪聲等。傳輸線路主要包括連接用戶電話機與交換機的電話用戶線，以及連接交換機的光纜或同軸電纜。由于目前數字信號在光纜中傳輸幾乎可以達到無損的狀態，傳輸線路噪聲主要在電話用戶線上產生。

錄音過程中接收端電話用戶線受到相鄰電子設備影響，引起的噪聲如圖3所示。

圖3 典型傳輸線路噪聲

2 語音基本參數比較

2.1 語音數據庫

實驗所采用的語音數據為課題組實驗室錄制，錄音過程中，麥克風與固定電話同時錄音。語音庫包含400名說話人，其中男性200人，女性200人。

錄音內容包括3段數字語音和4段文本語音，數字語音包含0～9共10個孤立的阿拉伯數字，文本T1共計392個漢字，文本T2共計231個漢字，文本T3共計289個漢字，文本T4共計680個漢字。

采樣頻率為16 000 Hz，16 b量化。

2.2 預處理

在進行實驗之前，對語音數據進行預處理，預處理包括預加重、分幀和加窗。

預加重濾波器為：

[H（z）=1-αz-1] （3）

式中[α]取值為0.95。

分幀幀長為512點，約32 ms，幀移為256點。窗函數選用hamming窗，函數表達式如下：

[W（n）=0.54-0.46cos2πn（L-1），0≤n≤L-10，other ] （4）

2.3 語音無聲段

語音的無聲段基本可以認為只有噪聲的存在。固話語音在無聲段有“滋滋”的噪聲，而麥克風語音的無聲段保持靜音。如圖4（a）所示，為一段固話無聲段的語音波形圖，圖4（b）為同時錄制的一段麥克風無聲段的語音波形圖。

從圖4中可以明顯看出，固話無聲段語音的波形振幅明顯比麥克風大，這說明固話語音中存在較大的噪聲。兩者除了波形振幅有明顯差別外，在固話語音信號中，還存在能量較高的間歇脈沖。

通過對固話噪聲產生的原因以及噪聲的性質進行分析，持續噪聲的特性與寬帶噪聲相近，它可能來源于信道傳輸過程中產生的熱噪聲以及信源編碼過程中產生的量化噪聲。

短時脈沖噪聲的來源比較復雜，可能來自于電話用戶線的干擾或電話機聲/電（電/聲）轉換器的影響。

固話語音信號中存在的噪聲對信號產生的影響不僅體現在時域參數上，在倒譜域的影響也較為明顯。通過對圖4（a）中的固話無聲段語音信號進行倒譜域研究分析，發現該信號的倒譜波形存在明顯的峰值。

如圖5（a）所示，在固話無聲段的倒譜波形圖上，存在明顯的假峰值，而麥克風無聲段的倒譜圖中則沒有峰值。通常情況下濁音信號的周期性激勵能夠形成倒譜峰值。說話人發清音或無聲時，沒有周期性激勵，理論上不會出現峰值[5]。在固話無聲段的倒譜波形中出現峰值，說明該語音信號中存在周期噪聲。

經過大量的實驗和觀察，發現固話無聲段的倒譜波形中普遍存在假峰值。噪聲產生具體原因還需要進一步探索。

2.4 語音段

人在聽覺上，對固話語音和麥克風語音存在一定的差異，主要原因是不同信道語音的音色不同。

根據聲學理論，聲音是由聲帶發出的一系列頻率、振幅不同的振動復合而成，主要包括基音以及頻率為基音整數倍的泛音。說話人的音色由泛音的多少以及泛音之間的相對強度決定，音色反映到頻域即為說話人語音頻譜曲線的包絡[6]。

圖6（a）為固話語音數字8（bā）的波形圖，圖6（b）上半部分為一幀固話語音，下半部分為一幀麥克風語音的對數譜波形圖。語音幀對應的范圍介入標線Star與End之間。

從圖6中可以看出，麥克風語音和固話語音在頻譜特征上也存在明顯的差異。在3 500 Hz以上頻段，固話語音的振幅較低，頻譜曲線較為平坦，沒有明顯的峰值。在200～3 500 Hz頻段，固話語音和麥克風語音頻譜曲線的波峰位置幾乎一致，特別是前7個諧波波峰，峰值明顯且峰值對應頻率一致。但是兩者之間的相對強度不一致，從而導致頻譜包絡不一致，其他語音段也普遍存在這種現象。

造成麥克風語音和固話語音頻譜曲線產生差異的原因在于固話傳輸系統在發送（接收）端的頻率響應特征以及噪聲的影響。各次諧波之間的相對強度不一致，直接影響語音的音色以及倒譜特征參數的可靠性。

3 語音特征參數比較

3.1 特征參數

Mel頻率倒譜系數（Mel?Frequency Cepstral Coefficients，MFCC）是說話人識別中較為常用的特征參數。它是基于人耳聽覺特性的特征參數，由于人耳對聲音的感知與聲音的頻率并不是成線性關系，采用Mel頻率更符合人耳的聽覺特性。

Mel頻率與實際頻率之間基本成對數關系，可以用公式（5）表示：

[fmel=2 595log（1+f700）] （5）

其函數曲線如圖7所示，可以看出在Mel頻率和實際頻率在1 000 Hz以下近似呈線性分布關系，在1 000 Hz以上接近對數分布關系。

圖7 實際頻率與Mel頻率對應關系曲線

MFCC參數的計算過程如圖8所示，具體步驟[7]為：

（1） 對原始語音信號進行預處理，包括預加重、分幀、加窗；

（2） 對分幀后的每幀信號做FFT運算，得到該每幀信號的幅度譜；

（3） 將線性頻率尺度轉化為Mel頻率尺度，并在Mel頻率軸上配置[L]個通道的三角濾波器組，取每個三角形濾波器頻率帶寬內所有信號的加權幅度譜作為某個帶通濾波器的輸出；

（4） 對每個濾波器的輸出做對數運算；

（5） 進一步做離散余弦變換（DCT），得到一幀MFCC矢量，所有短時幀的輸出集合作為MFCC特征矢量序列。

當噪聲和語音同時存在時，一個純音可以被以它為中心頻率且具有一定帶寬的連續噪音所掩蔽，相應的帶寬稱為臨界帶寬[8?9]。理論臨界帶寬公式為：

[BWc=25+75[1+1.4（fc1 000）2]0.69] （6）

式中[fc]為中心頻率。

臨界頻率帶寬隨著頻率的變化而變化，并且與Mel頻率的增長是一致的，在1 000 Hz下大致呈線性分布，帶寬為100 Hz左右，在1 000 Hz以上呈對數增長。類似臨界頻帶的劃分，可以將頻帶劃分成一系列三角形的濾波器序列，即Mel濾波器組，如圖9所示。

通常情況下，Mel濾波器的個數由信號的截止頻率決定，濾波器通常采用三角濾波器，但是也可以采用正弦濾波器等[9]。

三角濾波器的個數直接決定了每個濾波器的中心頻率、濾波器實際帶寬以及中心頻率對應的臨界帶寬。實際帶寬與臨界帶寬的匹配程度將會直接影響MFCC參數的精度。

當信號的采樣頻率為16 000 Hz時（最高有效頻率為8 000 Hz），分別在Mel頻率軸上配置不同個數的三角濾波器。圖10為Mel濾波器組分別取24個，36個，48個，64個濾波器時，三角濾波器實際帶寬與中心頻率對應的臨界帶寬曲線，實線為臨界帶寬曲線，星號線為實際帶寬曲線。

Mel濾波器個數較少時，三角濾波器實際帶寬大于臨界帶寬，三角濾波器的平均效應明顯，精度降低；濾波器個數較多時，三角濾波器實際帶寬小于臨界帶寬，三角濾波器的輸出結果不穩定，抗干擾性較差。

當信號的采樣頻率為16 000 Hz時，取48個濾波器構成Mel濾波器組，實際帶寬與臨界帶寬在低頻部分較為合適。

若梅爾頻率域三角濾波器輸出的頻譜輪廓線與原始頻譜的輪廓線吻合較好，則求取的MFCC特征參數能夠反映說話人的個性音色，否則就會產生偏差。圖11為一幀麥克風語音與一幀固話語音的Mel濾波器組輸出的幅值波形圖，所使用的語音幀與圖6相同。

從圖11中可以看出，麥克風語音和固話語音的前20個濾波器輸出（對應的實際頻率即1 300 Hz以下部分），波形曲線較為接近。在第31個以上，即實際頻率3 000 Hz以上的高頻部分，兩者差異較大。這與前文提到的頻譜域參數比較結果一致。

當原始信號采樣頻率為16 000 Hz時，最高有效頻率為8 000 Hz。根據公式（5），實際頻率8 000 Hz對應的Mel頻率為2 840，在Mel頻率軸上設置48個濾波器組，等同于將Mel頻率等間隔劃分為48個頻帶。

根據Mel濾波器組以及語音信號倒譜的性質，可以將Mel濾波器組的輸出幅值波形看作是一個采樣頻率為[fm，]采樣間隔[fc]為[fmL]的信號，其中[fm]是原始信號最高有效頻率對應的Mel頻率，[L]為濾波器個數。

在信號的倒譜域中，周期是以頻率域中振幅譜曲線起伏變化的間距來度量，間距越大，周期越長，在倒譜域中的“頻率”越低；間距越小，周期越短，在倒譜域中的“頻率”越高。

經典的傅里葉變換理論在Mel頻率域上同樣適用。當[fm]為2 840時，若Mel頻率的采樣間隔[fc]為1，倒譜頻率間隔為[12 840]。

當設置[L]個濾波器時，Mel頻率域的采樣間隔[fc]為[fmL，]相應的倒譜頻率間隔為[fcfm。]因此，每一維MFCC特征參數之間的頻率間隔為[fcfm，]可以認為每一維特征參數包含[fc]個采樣點。

第零維特征參數[MFCC0]對應Mel頻譜曲線的均值（直流分量），第[n]維特征參數[MFCCn ]對應Mel倒譜頻率范圍為[[（n-1）?fc+1，n?fc-1]，]其中[1≤n≤L。]

每個Mel倒譜頻率點對應一個Mel頻率，第[k]個Mel倒譜頻率點對應的Mel頻率為：

[fkmel=fkMFCC*fm，1

3.2 評價方法——[F]比

對于某一維單個參數而言，可以用[F]比表征它在說話人識別中的有效性。傳統[F]比的意義在于同一說話人的不同語音會在參數空間映射出不同的點。若對同一說話人這些點分布比較集中，則[F]比值較小；對于不同說話人特征點相距較遠，[F]比值較大[9]。[F=不同說話人特征參數均值的方差同一說話人特征方差的均值=<[μi-μ]2>i<[x（i）a-μi]2>a，i] （8）

式中：[·i]是指對不同說話人作平均；[·a]是指對某說話人各幀的語音特征做平均；[xia]為第[i]個說話人的第[a]幀的語音特征。

[μi = xiaa]

是第[i]個說話人的各幀特征的估計平均值，而：

[μ = μii]

是所有說話人的[μi]的均值。

根據經典的[F]比理論，當僅考慮信道差異時，同一說話人相同語音但傳輸信道不同，參數分布差異只來自于信道的影響。[F]比越大則說明特征參數受到信道的影響越大。

[F信道=不同信道特征參數均值的方差相同信道下特征方差的均值] （9）

3.3 特征參數受影響情況

實驗選取100名說話人語音數據，其中男性50人，女性50人。樣本內容為5段內容、長度不同的短文本。

實驗舍棄第零維系數 [10]，選取第1～30維作為比較對象。第[i]維MFCC系數記作[Ci，]第[i]維系數的[F]比值記作[Fi。]

如圖12所示為所有說話人30維MFCC系數[F]比的統計數據。從圖中可以明顯地看出，語音信號在通過固話系統傳輸后，各維MFCC系數都受到了一定的影響，[F]比超過0.1說明相應維數的麥克風語音特征參數與固話語音特征參數差異較大，該頻率范圍內的語音信號經過固話傳輸后受到影響相對較大。

在30維參數中，[F2]最大，說明固話語音的第2維MFCC系數與麥克風語音的第2維MFCC系數差異最大，第2維MFCC特征參數受到影響最大。

[C2]的Mel倒譜頻率范圍約為[[592 840，1172 840]]，對應的Mel頻率范圍約為[[59，117]]。根據公式（5），該Mel頻率范圍對應的實際頻率范圍為[37.6 Hz，76.6 Hz]。說明固話語音與麥克風語音在實際頻率為[37.6 Hz，76.6 Hz]的頻率成分附近信號差異較大。

除了[F2]外，[F7，][F8，][F12]值也較大，對應實際頻率范圍為[258.3 Hz，308.9 Hz]，[309.8 Hz，364.1 Hz]，[545.1 Hz，612.0 Hz]頻率成分附近的語音信號，受到固話傳輸的影響較大。

從整體趨勢上來看，高維系數相比低維系數受到的影響更小。

倒譜域中的低維部分對應于頻率曲線的慢周期（長周期）變化，高維部分對應于頻率曲線的快周期（短周期）變化。聲道響應曲線為慢周期變化，在倒譜域中主要分布在低維部分。

由于語音信號在經過固話信道傳輸后，原始的聲道響應特征受到固話信道的影響，產生了畸變，所以固話語音信號與麥克風語音信號的特征參數在低維部分差異較大。并且信號經過DCT變換后，能量主要集中在低維部分，高維部分參數能量值較小，相對差異也較小。

如圖13和圖14所示為不同性別說話人[F]比值對比圖。可以看出，不同性別說話人各維MFCC特征參數受到影響的程度存在差別。

男性說話人各維MFCC特征參數的[F]比值與女性說話人的[F]比值相比，普遍較大。其中，男性說話人的[F2]最大，且[F]比超過0.1的維數達到23個。

女性說話人各維MFCC特征參數[F]比中，[F2]最大，[F7，][F8]也相對較大，[F]比值超過0.1的維數僅有9個。

不同性別說話人在總體趨勢上基本保持一致，即低維系數的[F]比值較大，[F2，][F7，][F8]都有較大的值。

在高維MFCC特征參數的[F]比上，女性說話人的值明顯較小，男性說話人高維系數的偶數項[F]比值明顯小于奇數項。

由于不同性別說話人的發聲器官有一定的區別，男性的聲帶寬而長，發出的聲音較為渾厚而低沉，女性的聲帶窄而短，發出的聲音清亮而尖銳。

不同性別說話人在頻譜能量分布、基音周期范圍、聲道響應曲線等均存在差異，導致男女說話人的MFCC系數分布不同，在通過固話信道傳輸后，語音信號包含較多低頻成分的男性說話人語音，相對頻率成分較高的女性說話人語音，受到影響更為明顯。

4 總 結

原始語音信號經過固話信道傳輸后，語音的音色產生了變化，從而影響了說話人識別系統的識別率。由于固話系統發送（接收）端的頻響特性以及信道中存在的寬帶噪聲和共振型噪聲，固話語音信號的時域、頻域特性都產生了畸變。同一說話人的固話語音與麥克風語音在3 000 Hz以下頻率部分，諧波分布位置基本相同，但是諧波的相對大小不一致，從而影響頻譜包絡曲線，導致音色的差異。

在對MFCC特征參數進行提取分析并做[F]比實驗時發現，固話語音的第二維MFCC參數與麥克風語音的差異最大，低維MFCC系數相對高維MFCC系數差異較大，女性說話人MFCC系數的差異低于男性說話人。

從MFCC的提取過程可以看出，倒頻譜將聲道響應和聲源激勵響應分離，聲道響應大多集中在倒譜參數的低維部分，聲源激勵響應相對集中在倒譜參數的高維部分。

本文對固話語音相對麥克風語音的時域、頻域、倒譜特征域的相關參數進行了分析，對于信號失真的處理方法有待進一步分析研究。

參考文獻

[1] 陳偉.信道失配條件下話者確認研究[D].合肥：中國科學技術大學，2011.

[2] BURGET L， MATEJKA P， SCHWARZ P， et al. Analysis of feature extraction and channel compensation in a GMM speaker recognition system [J]. IEEE Transactions on Audio， Speech and Language Processing， 2007， 15（7）： 1979?1986.

[3] 郵電部第一研究所電話機研究室.電話機技術講座[J].電信快報，1994（1）：26?28.

[4] 樊昌信，曹麗娜.通信原理[M].北京：國防工業出版社，2002.

[5] KIM C， STERN R M. Power?normalized cepstral coefficients （PNCC） for robust speech recognition [C]// 2012 IEEE International Conference on Acoustics， Speech and Signal Processing （ICASSP）. Kyoto： IEEE， 2012， 4101?4104.

[6] 方瑜.語音增強相關問題研究[D].北京：北京郵電大學，2012.

[7] 高二中.對話電話語音的話者確認研究[D].合肥：中國科學技術大學，2011.

[8] 劉兵，孫超，楊益新，等.被動聲納目標臨界頻帶頻譜能量的特征提取[J].聲學技術，2009，28（2）：132?134.

[9] 趙力.語音信號處理[M].北京：機械工業出版社，2011.

[10] REYNOLDS D A. Experimental evaluation of features for robust speaker identification [J]. IEEE Transactions on Speech and Audio Processing， 1994， 2（4）： 639?643.