雙譜圖在語音分析中的應用

周麗紅, 雷金輝

(昆明理工大學 信息工程與自動化學院，云南 昆明 650500)

0 引 言

目前，語音識別技術作為信息社會朝著智能化和自動化方向發展的關鍵技術之一，具有重要的研究意義和實用價值。經過近50年的艱苦探索和研究，語音識別技術研究獲得了極大的發展，其中,有些比較成熟的技術已經逐步應用于日常生活中。但總體來說，語音識別在研究和實用化方而的難度還比較大。由于每個人發出的語音中均包含有各自的語音信號特征，語音信號也具有和其他信號共有的一些特征參數，比如周期、頻率、能量等[1]。

為了更直觀地對這些擁有共同特征參數的不同說話者進行語音識別，本文采用了增強實現(augmented reality,AR)參數模型雙譜估計計算語音信號的雙譜。利用雙譜進行語音信息的分析與研究，語音信息特征可以在雙譜圖上得以體現，使得語音信息特征的研究更加直觀，對于語音辨識具有一定效果。

1 數據采集

本文使用Windows附件的錄音機程序驅動聲片采集、播放和簡單語音信號處理[2]。語音錄音在相對安靜的環境中進行，不摻雜外來噪音，實驗人員均在語速和緩、心情平穩下錄制語音。為了清晰地闡明對語音信號進行頻譜分析，實驗對象直接錄制一段語音，并保存為.WAV格式文件，供MATLAB相關函數直接讀取、寫入或播放。最后使用MATLAB讀取錄制的語音文件的數據進行處理、加工。

如表1，本文設置了不同地域、不同性別以及不同語言類型3個變量，共采集了4次語音數據，參與人年齡在18～20歲之間，共有80人參與錄制語音，本文選取16個雙譜圖特征明顯者進行圖譜分析。

2 AR模型與雙譜原理

在語音信息特征分析中，將語音信號看作白噪聲激勵線性時不變系統的結果，如圖1所示。

表1 4次實驗采集表

圖1 系統模型

設輸出{y(t)}為零均值的k階平穩隨機過程，則k階累積量ck,y(τ1,…,τk-1)定義為[3]

ck,y(τ1,…,τk-1)=cum{y(t),y(t+τ1),…,y(t+τk-1)}

(1)

根據由Bartlett,Brilinger和Rosenblatt推導出的BBR公式，對于穩定的線性系統H(z)，設驅動信號a(t)為獨立同分布的非高斯白噪聲時，考慮因果關系的非最小相位系統，則輸出y(t)的累積量函數為

h(t+τ3)

(2)

式中k為累積量的階數；τ為滯后量；h(t)為系統的單位脈沖響應函數。

聲帶振動的氣流激勵聲道之后產生出語音,輸出的隨機信號中含有系統的豐富動態信息，可以建立AR模型

(3)

式中α(i),i=1,2,…,p為自回歸系數；p為自回模型的階數。

根據定義，隨機量y(t)的雙譜為3階矩的二維傅里葉(Fourier)變換三階譜。雙譜不僅能夠提取信號的幅值信息，而且能反映系統的相位信息，二次非線性相位耦合信息[4]。設高階累積量ck，y(τ1，…，τk-1)絕對可和

(4)

則k階累積量譜定義為k階累積量的k-1維Fourier變換，即

τk-1)·exp[-j(ω1τ1+ω2τ2+…+ωk-1τk-1)]

=γa,kH(ω1)H(ω2)…H(ωk-1)

H*[ω1+ω2+…+ωk-1]

(5)

式中ω為頻率；H(ω)為系統的傳遞函數；H*(ω)為H(ω)的共軛函數；Sy,k(ω1,ω2,…,ωk-1)為k階譜，亦稱為k階累積量譜。當k=2，3，4時，分別為功率譜P(ω)、雙譜B(ω1,ω2)和三譜T(ω1,ω2,ω3)。因此，雙譜可以表示為[5～7]

B(ω1,ω2)=γ3aH(ω1)H(ω2)H*(ω1+ω2)

(6)

3 實驗數據分析

圖2為實驗一中男女生的雙譜圖，4人均為云南省昆明市人。從男生的雙譜圖可以看出，2人的雙譜圖均存在非常明顯的譜峰，且譜峰較為清晰，圖像比較集中，譜峰幅值層次非常清楚，主要集中在對角區域，即(50，50)和(200，200)附近，而另外一個對角線區域卻未出現明顯的譜峰，中間部分亦無較為明顯的譜峰，其譜峰底部較為細小。從女生的雙譜圖可以看出，雙譜圖底部均較為粗大，波峰個數較多，較雜，圖形更為紊亂，且除了一個對角線上出現較為明顯的譜峰外，另一對角線上(50，200)和(200，50)處也出現了非常明顯的譜峰。另外，其譜峰覆蓋頻率較廣，幾乎覆蓋整個圖譜區域。

圖2 男女生的語音雙譜圖

圖3 不同語言類型語音雙譜圖

圖3為具有不同語言類型人的雙譜圖，2人均為云南省昆明人，且均為男生。普通話時的雙譜圖可以看出，雙譜圖譜峰明顯，底部較細小，且譜峰層次清晰，較為有序。譜峰主要集中在(50，50)和(200，200)附近，除對角線出現明顯譜峰外，其余各處也出現少許譜峰，但并不明顯。07#和08#圖為講方言時的相應雙譜圖，其圖形紊亂，譜峰較多，底部粗大，譜峰覆蓋頻率面積廣，與第一組中的雙譜圖差異明顯。

圖4 不同地域人講普通話時的語音雙譜圖

圖4為4位不同地域人講普通話時的語音雙譜圖，均為男生?？梢钥闯?，4人的語音雙譜圖差別較大。

圖5為兩種性別、不同語言(方言)、不同地域人的語音雙譜圖，4人語音雙譜圖中，13#圖4中大的譜峰較少，底部也很細小，14#圖譜峰頻率覆蓋面均很大，出現很多譜峰，且相對雜亂，15#圖的譜峰底部較粗，16#圖的峰值主要集中在(125,125)附近，即雙譜圖中心位置，16#圖較15#圖譜峰寬很多。

圖5 不同性別與語言(方言)及地域的語音雙譜圖

從上述實驗可以看出:

1)實驗一中2個男生的語音雙譜圖較為相似，但男女生的2組語音雙譜圖差別明顯。故從實驗一2組圖可以看出男生和女生的語音可以由雙譜圖很容易區分。實驗二中不同語言類型人的兩組圖語音雙譜圖差別較大。實驗三與實驗四中具有各自特征人的雙譜圖亦較易辨別。

2)由本實驗采集的數據情況看，每個人的語音雙譜圖與其性別、語言和地域相關，不同之處越多，其雙譜圖越容易區分。

3)雙譜圖更直觀地表達了峰值所對應的頻率位置，清晰表明個人語音雙譜圖的特征。雙譜圖可以有效辨別每人的語音特色，進一步驗證了雙譜圖在語音分析領域的重要作用。

通過雙譜圖中體現的信息進行分析，可以辨識圖譜中的語音特征。由于能夠影響語音雙譜圖的因素很多，語音中的任何一個部分都會引起雙譜圖的變化，對于語音特征辨識的判斷比較復雜。因此，語音的識別仍有待于進一步的研究。

4 結 論

語音雙譜圖之所以有很大不同，是因為受各方面因素的影響，不同因素越多，雙譜圖差別越明顯。不論何種語音，因素不同，譜峰位置也不同，這是由于頻率成分以及各頻率分量之間發生二次相位耦合的情況不同而反映出的必然結果。因此，從雙譜三維圖形上的特征頻率處表現出的幅值特性上能有效地區別不同說話人的類型，方法能大幅提高語音辨別的準確性，且對語音變化很敏感，對處理語音信號有一定效果，為語音辨識提供了一種可供選擇的方法。

[1] 張 節.語音信號的預處理和特征提取技術[J].電腦知識與技術,2009,22(5)：6280-6282.

[2] 趙淑敏.基于MATLAB實現對語音信號分析[J].信息通信,2010(4):15-17.

[3] 張賢達.時間序列分析[M].北京:清華大學出版社,1996:4.

[4] 蔣雨燕.基于高階累積量AR模型參數的液壓閥故障識別[D].廈門:廈門大學,2009.

[5] 張賢達.現代信號處理[M].北京,清華大學出社,1995:90-93,274-280.

[6] Raghuveer M R.Time-domain approaches to quadratic phase coupling estimation [J].IEEE Transaction on Automatic Control,1990,35(1):48-56.

[7] Collis W B,White P R,Hammond J K.Higher-order spectra:The bispectrum and trispectrum[J].Mechanical Systems and Signal Processing,1998,12(3):375-394.