基于信息熵和小波濾波的清音檢測方法

趙 霞

(西安航空學院 能源與建筑學院，西安 710077)

0 引 言

語音的端點檢測、音節劃分、聲韻分割、濁清判決等對語音信號的后續處理，如消噪、語音識別都有重要應用。目前最常用的幾種方法有：能量、倒譜、頻譜特征、譜熵[1]、過零率、自相關函數，以及它們的組合形式，如能零積[2]。在低噪環境下，很多方法都能夠檢測出語音端點和清音、濁音；部分方法，如能量法能夠很好地區分清音濁音或者濁音和背景噪聲。然而，清音作為絕大部分漢語詞語的起點，其檢測不僅有一定難度，而且是否準確對語音識別性能影響頗大[3]。

從產生原理上講，濁音是通過聲門調制、聲道影響和口腔輻射沖擊序列發出的一組能量并且具有一定規律性的語音；而清音則更像白噪聲，氣流的摩擦、爆破卻沒有聲帶的震動。因此，將清音和白噪聲相互分離，還是比較困難的，特別是清音淹沒在白噪聲中時。

有些“穩健性”的端點檢測方法實際上是通過消噪，清除掉語音中的噪聲[1-2]，然后對信號進行端點檢測的方法實際上改變了原信號，很可能會對清音部分產生比較大的傷害。有的學者使用基于子帶能量比[4-5]的方法或者信息熵[6]對清音進行了檢測。但是這幾種方法在白噪聲下不能很好地檢測出清音來，大量的白噪聲被誤認為是清音，甚至有些濁音也被誤檢為清音。

本文通過仿真試驗發現，在不考慮濁音的情況下，信息熵能夠比較好地區分白噪聲和清音，即使是在清音被白噪聲淹沒的情況下仍然能夠分辨出來，但由于清音和白噪聲的高頻特征，使得它們的信息熵變化比較大，也比較快，檢測時容易將連續清音分割成幾段清音。所以為了可靠地檢測出連續的清音，必須對語音的信息熵序列進行平滑地處理。本文選擇小波濾波方法對信號進行處理,仿真及結果顯示，這種方法能夠很好地從白噪聲及色噪聲中檢測出清音來，并且具有很好的穩健性，在10 dB及以上條件下，完全可以檢測出噪聲中的清音來。

1 (譜)熵與離散小波變換

語音信號x(n)被加性白噪聲w(n)污染后的信號可表示為

zi(n)=xi(n)+wi(n)

(1)

式中:n=1,2,…,N;i為幀號。

1.1 信息熵和譜熵計算

信息熵的計算公式為[7]

(2)

式中，k=1,2,…,M;M為幀長。

譜熵的計算方法為：對信號先進行傅里葉變換，然后進行功率譜密度計算，最后根據功率譜密度計算熵值，就可以得到譜熵結果：

(3)

式中：Zi(k)為第i幀信號的M點FFT；M為FFT變換的長度，本文取值和幀長相等；pi(k)為第i幀信號的功率譜；*表示卷積計算；conj表示共軛。

1.2 離散小波變換和小波濾波

對于任意信號f(t)，其連續小波變換為[8]

FCWT(a,τ)=〈f(t),φa,τ(t)〉=

(4)

式中：a,τ分別為尺度因子(或者尺度參數)和時間因子(或者位移參數)；φ為小波函數；*表示共軛。

對連續小波變換，把尺度因子和時間因子離散化：

其中，a0，Ts分別是用來決定尺度因子和時間因子的離散化程度的參數，得到離散小波變換為

(5)

離散小波變換的結果表明，相當于使用了一對正交鏡像濾波器(QMF)對信號進行高通濾波(相應于小波函數和細節空間)和低通濾波(相應于尺度函數和尺度空間)，對應的正交鏡像濾波器分別為g(p)和h(p)(p為濾波器級數)[9]，然后再進行一次2倍下采樣，得到的小波系數(以3層分解為例)記為cA3、cD3、cD2、cD1分別是3層近似系數、3層細節系數、2層細節系數和1層細節系數。在重構時，使用QMF濾波器g(p)′和h(p)′對小波系數cA3、cD3、cD2、cD1的信號進行濾波，再進行一次2倍采樣。

本文選定了小波基后，對應的正交鏡像濾波器記為g(p,waveletbasis)和h(p,waveletbasis)；同時，重構正交濾波器記為g(p,waveletbasis)′和h(p,waveletbasis)′。

2 清音檢測方法

2.1 譜熵與濁音檢測

如圖1所示，當使用16位量化，采樣率為11.025 kHz的語音，其內容為英文“passage thirty-six”，信噪比為10.720 9 dB，分幀方法為：幀長256，幀移128，矩形窗。計算得到的譜熵顯示，譜熵基本上不會受到清音或白噪聲的影響，是一種很好的濁音檢測方法。

(a) 無噪信號

(b) 染噪信號

(c) 染噪信號的譜熵

圖1 染噪信號的譜熵

濁音的檢測方法如下：

(1) 按照式(3)計算每幀信號的譜熵值，組成譜熵序列。

(2) 選擇門限。選擇2個門限Thmax，Thmin，它們分別是某些非濁音段的譜熵最大值和最小值，可以根據語音信號前面和后面預留的無聲段進行選擇。只有連續大于Thmax或者連續小于Thmin的譜熵對應幀，才能被認為是濁音。一般情況下，濁音的譜熵在開始時比較明顯，因此，為了提高濁音開始點檢測的準確性，進一步消除噪聲的影響，對兩個選定的門限進行如下調整：

Thsmax=1.5Thmax

(6)

Thsmin=0.5Thmin

(7)

如果檢測到連續3幀信號的譜熵值都大于調整后的Thsmax，或者小于調整后的Thsmin，就認為濁音開始。另外還需要注意的是，在噪聲很低情況下，根據信號噪聲得到的門限Thmax非常小，不能正確識別出濁音來，因此，需要對它設定一個下限，通過多次試驗測定顯示，該下限設定為0.003能夠很好地滿足要求，并使得檢測無論是在高背景噪聲還是低背景噪聲下，都能夠有效地檢測出濁音來。

(3) 對濁音結束進行相應判斷。濁音雖然在開始時特征比較明顯，但是在結尾部分其特征卻是緩慢下降的，特別在尾音，甚至和噪聲或者清音的譜熵相當。因此，為了檢測到更精確的濁音結束點，需要對濁音的結束條件加強約束。這里使用的約束方法是：使用調整前的門限Thmax和Thmin。結果表明，使用不同門限對濁音開始和結束進行判斷時，得到的檢測效果有一定進步。如果檢測到連續3幀信號譜熵都小于Thmax，并且大于Thmin，認為濁音結束。

對于檢測后確定為濁音的信號部分，將其全部置零，然后使用該信號進行清音檢測。

2.2 熵與清音檢測

根據分析，熵函數對清音和白噪聲有一定的分辨能力，如圖2(a)、(b)所示，在時域信號中,當清音和白噪聲無法辨認情況下，使用信息熵仍然能夠在一定程度上區分出清音來。為了能夠更好地檢測和提高分辨能力，在檢測清音時，使用的幀長為128，幀移為64。清音檢測方法如下：

(1) 根據式(2)對分幀后的各幀信號計算其信息熵序列(見圖2(b))。

(2) 使用小波濾波方法對熵進行平滑和連續性處理。如圖2(b)所示，雖然清音有明顯的信息熵尖峰存在，但是由于選擇的門限不一定是最優的，同時隨機的白噪聲有可能在某個短暫的時刻超過門限，并且即便是清音，由于它和白噪聲的相似性，也有可能出現連續清音中低于熵值門限的情況，這些都會使連續的清音被分割成許多不連續的部分。同時也會增加個別白噪聲信息熵尖峰影響檢測結果的可能性。因此，在這里采用小波濾波對信號的信息熵序列進行平滑處理。

通過仿真試驗，發現使用db2小波對信息熵序列進行了2層分解，然后，使用haar小波和小波系數cA2進行重構，能更好地獲得平滑作用，如圖2(c)所示。每個正交小波基都對應了一組正交鏡像濾波器，本文使用db2進行小波分解，并用haar小波進行重構，相當于使用了g(p，db2)和h(p，db2)對輸入信號進行高通和低通濾波，并用g(p，haar)′和h(p，haar)′對上述采樣后的小波系數進行高通和低通濾波。選擇haar小波，主要是因為它的形狀類似矩形，用在重構中，能使重構后的信號有一定的類似矩形結構(見圖2(c))，從而保證了平滑效果，稱為塊化效應。

(a) 去除噪聲后的染噪信號

(b) 剩余染噪信號的熵

(c) db2分解haar重構

(d) dmey分解haar重構

圖2 去除濁音后的染噪信號的信息熵

但是，當觀察到3(c)中的某些比較明顯的清音部分，如3(b)中第40幀左右位置的一個尖峰在平滑后消失了。經過仿真試驗發現，如果使用dmey小波對信息熵進行分解，并使用haar小波進行重構，能使清音部分的信息熵值更多地保留下來，重構效果如圖2(d)所示。同時發現，雖然單單使用dmey小波可以更好地檢測出被忽略的清音，但是又會因為其平滑效果不如db2好，而造成許多連續清音的斷裂。因此，選擇同時使用這兩種小波基來進行小波分解和重構，之后將檢測到的清音段進行疊加。結果顯示，這種操作既可以避免清音斷裂情況的出現，又能夠很好地檢測出一些輕微的被淹沒的清音來。

平滑處理后，根據信號各幀的信息熵水平，選擇合適的門限，再對清音幀進行判斷。因為清音和白噪聲非常相似，為了提高檢測精度，除了縮短幀長及幀移以外，在選擇門限時，也應當避免選擇非清音幀對應的最大熵值，而應該在可以接受的條件下，選擇比較小且能比較好地區分清音和白噪聲的門限。本文具體的處理方法為：計算信號前后部分幀的熵值，從中選擇次大的作為門限，如果連續2幀信號大于該門限，就認為清音開始，若連續2幀信號的信息熵小于該門限，就認為清音結束。

2.3 清音檢測結果

在濁音檢測及清音檢測完成后，需要對結果進行一些調整，因為將濁音部分置零和分幀都會使得清音和濁音的邊界產生模糊，可能會使某些已被檢測為濁音的部分又被檢測為清音，因此，在出現這種情況時，應當認為這些重疊部分是濁音，而將清音檢測的開始點后移到濁音結束的下一個位置，或者將清音檢測的結束點前移到濁音開始的上一個位置。最終的檢測結果如圖3所示。

圖3(a)是染噪信號，圖3(b)是檢測到的濁音和清音內容。上面的方框內是濁音部分，下面的方框內是清音部分。在該語音中，“passage thirty-six”一共有5個濁音，分別是// /ei/ /з:/ /i/ /i/，已經被全部檢測出來，清音共有7個，分別是/p/ /s/ /d/ /θ/ /t/ /s/ /ks/，除了“six”中s的發音被檢測為兩段外，其他部分都被檢測出來了。而這些清音中的大部分是淹沒在白噪聲中的，如圖3(a)所示。

(a) 染噪語音

(b) 清音檢測結果

圖3 染噪信號清音檢測結果

3 試驗仿真

使用內容為“passage thirty-six”的語音，在不同信噪比下進行清音檢測，檢測結果如圖4所示，噪聲類型為白噪聲。其中圖(f)為無噪聲條件下濁音、清音的檢測結果，(a)～(e)分別為5、10、15、20、25 dB下的檢測結果。圖中顯示，本文提出的方法，在10 dB及以上信噪比條件下，取得的檢測結果很好，特別是10 dB條件下，而此時的清音基本上已經被白噪聲所掩蓋。

(a)

(b)

(c)

(d)

(e)

(f)

圖4 不同信噪比下的檢測結果(本文方法+白噪聲)

隨機在馬路上采集一段實際噪聲，然后加入到上述純語音中，分別使用本文中方法和基于子帶的方法[5]進行清音檢測，得到的結果如圖5和圖6所示。信噪比順序與圖4中的相同。

(a)

(b)

(c)

(d)

(e)

(f)

圖5 不同信噪比下的檢測結果(本文方法+實際噪聲)

(a)

(b)

(c)

(d)

(e)

(f)

圖6 不同信噪比下的檢測結果(子帶方法+實際噪聲)

通過對比可以明顯得到，本文的方法能夠檢測出更多清音來，并且其魯棒性也明顯優于基于子帶的方法。

4 結 語

在語音信號的端點檢測及聲韻分割等技術中，困難主要在于清音的有效檢測。使用本文的方法，能夠將所有的濁音和幾乎全部的清音很好地識別出來，即使在清音完全掩蓋在噪聲中時(包括白噪聲和實際噪聲)，本文的方法仍然可以很好地檢測到清音。

濁音、清音、無聲段的檢測對于語音增強、語音識別都有重要的意義。以語音增強為例，通過對各種典型語音使用小波收縮法進行消噪[10]時，在小波基的選擇上，對濁音段使用dmey小波，對無聲段使用haar小波能夠取得更好的效果。同時，其他消噪參數，如閾值算法等的選擇，也需要分辨語音是否是清音[4-6]，然后再進行處理。

本文中，判決門限，包括濁音判決和清音判決，對于結果而言都是非常重要的。本文使用的門限估算方法為全部語音信號前后的無音幀的(譜)熵最大值與最小值的加權處理。因此，該方法要求語音前后要有一定的無聲段用來估計門限，若能與自適應方法相結合使用，會取得更好的效果。