一種低信噪比下語音端點檢測的改進算法

呂 昊，章小兵，蔡 誠

(安徽工業大學 電氣與信息工程學院，安徽 馬鞍山 243000)

語音端點檢測的目的是從一段帶噪語音中根據語音段和噪聲段的不同特征對兩者進行區分，進而檢測出語音起止點位置。目前，語音端點檢測的方法一般可分為特征閾值檢測法、模式識別法以及新興理論法等[1-2]。由于模式識別法和新興理論法存在復雜度高、運算量大，應用性差等缺點，其應用與發展受到了限制，因此特征閾值檢測成為實時語音檢測的研究熱點[3]。常用的特征閾值檢測方法包括短時能量法、譜熵法、譜距離法等[4-6]。這些方法在高信噪比環境下有較好的檢測效果，但隨著信噪比的不斷下降，檢測效果也愈來愈差，有些方法甚至會失效[7]。以本文所要對比的傳統能零比法為例，該方法在高信噪比環境下可以較為準確地檢測出語音信號的端點，但當信噪比在5 dB及以下時端點檢測準確率則發生驟降[8]。

因此，本文提出一種將Boll的改進譜減與對數能量-自相關夾角余弦比相結合的端點檢測方法。首先采用Boll的改進譜減法對帶噪語音進行降噪，然后求出每幀語音信號的對數能量和自相關函數余弦角值，利用對數能量在有話段中的特征數值大于噪聲段的特征數值以及自相關函數余弦角值在有話段中的數值小于噪聲段中數值的特點，并將兩者作比值處理，從而拉開有話段與噪聲段之間的參數差距。經實驗驗證，該方法在低信噪比下有更高的端點檢測準確率。

1 譜減法降噪

1.1 基本譜減法的降噪原理

一段語音信號x(n)經過預處理得第i幀語音信號為xi(m)，它的幀長為N。在對任一幀信號xi(m)進行快速傅里葉變換之后，可以得到以下公式

k=0,1,…,N-1

(1)

然后通過對Xi(k)求解，能得到各個分量的相角及幅值，幅值可以表示為|Xi(k)|，同樣相角可表示為

(2)

已知前導噪聲段的時長和幀數分別是IS、NIS，就能得到其平均能量值

(3)

譜減算法如下式

(4)

式中，a、b這兩個常數分別被稱為過減因子和增益補償因子。

但是，由于噪聲的頻譜特點，其功率譜隨機變化且變化的區間很廣，兩個最值之比可涉及數個數量級，而且峰值和均值之比也能達到六倍甚至更高。所以就算減掉噪聲譜，仍會因為功率譜殘余分量的存在而最終在聽覺上形成殘留噪聲。因此為了減少殘留噪聲以降低其帶來的檢測誤差，必須在基本譜減法基礎之上進行改進[9]。

1.2 Boll的改進譜減法

S.F.Boll在1979年給出了一種改進的譜減法[10]，他主要在以下方面對基本譜減法做了改進：

1.2.1 運用信號的頻譜幅值或功率譜進行譜減

(5)

噪聲段的平均譜值為

(6)

式中的γ=1或2，(γ=1時采用譜幅值；γ=2時采用功率譜)[11]。式(5)中α、β分別為過減因子和增益補償因子。

1.2.2 計算平均譜值

任意幀語音信號xi(m)做快速傅里葉變換可得

k=0,1,…,N-1

(7)

其中，Xi(k)中的下標i表示第i幀，然后在相鄰幀之間計算平均值：

(8)

對于第i幀將在Xi-M(k),Xi-M+1(k),…,Xi(k),…,Xi+M(k)這2M+1幀之間計算平均值，這種計算方式的目的是獲得更小的譜估計方差。

1.2.3 減小噪聲殘留

在1.1小節中提到過由于噪聲會有部分的殘留，所以在譜減后的語音中往往會含有“音樂噪聲”。

從式(5)中可提取出譜減法的關鍵為

(9)

其中，|Xi(k)|γ為譜幅值，D(k)為譜均值。

Boll的改進譜減法通過適當增加減去的噪聲量，在一定程度上減少了噪聲殘留，有效地抑制了音樂噪聲[12]，降低了檢測誤差，為后面進行端點檢測奠定了良好的基礎。

Boll的改進譜減法運算示意圖如圖1所示。

圖1 Boll的改進譜減法運算示意圖

2 語音端點檢測

2.1 對數能量

設有一段語音信號的時間序列為x(n)，對其進行預處理得到第i幀語音信號為xi(m)，則有

xi(m)=ω(n)*x((i-1)*inc+n)

1≤n≤N,1≤i≤fn

(10)

其中，ω(n)為窗函數；xi(m)為一幀的數值，n=1,2,…,L,i=1,2,…,fn，N為幀長；inc為幀移長度；fn為總幀數。

則計算第i幀語音信號xi(m)的短時能量公式為

(11)

在這里引入改進的能量計算關系

(12)

其中，AMPi為每幀的能量；a為常數；LEi為第i幀的對數能量。

由于a的存在，相較于傳統線性能量而言，不會出現對數能量特征中噪聲段特征值過大的問題[13]，在一定程度上平穩了語音段的幅值[14]。

2.2 自相關函數余弦角值

如果兩個語音信號的自相關函數是一樣的或者是成比例的，那么兩者也具有相同或相似的功率譜結構，也就是說這兩個信號具備極大的相似性。對于相似信號和不相似信號來說，它們的余弦值趨向不同[15]。

其定義如下

(13)

將一段純噪聲作為參考信號x1(n)=ω(n)。對其進行分幀并對任一幀建立它的自相關序列Rw(i,k)。求出所有的自相關函數序后，對其求平均

(14)

得到自相關函數值序列[15]。

對于任意一幀語音信號來說，都可看成兩種狀態。狀態1只有噪聲y1(n)=ν(n)，狀態2同時包含語音和噪聲，y2(n)=s(n)+ν(n)，s(n)和ν(n)分別表示為一幀噪聲和一幀語音信號。

當被測語音為狀態1時，Ry(k)=Rν(k)，(Ry(k)和Rν(k)分別是y(n)和ν(n)的短時自相關函數)，此時y1(n)和ω(n)這兩個信號具備很強的相似性，它們的功率譜相同或相似，所以有Ry(k)=pRw(k),cosα趨于1。

當被測語音為狀態2時，則

(15)

其中，Rs(k)是s(n)的短時自相關函數

(16)

hRw(k)是語音中自帶的噪聲，Rs0(k)和Rw(k)正交，Ry(k)=pRw(k)

(17)

因此式(15)可表示為

Ry(k)=Rs0(k)+hRw(k)+pRw(k)

(18)

記作

(19)

其中

(20)

從式(19)可知cosα取決于μ、β和h/p的值，首先元素μ與信噪比的二次方相近；元素β由Rs(k)和Rw(k)的相近水平來決定；h/p則是由信號自身的噪聲和噪聲模型的相近水平來決定的，且該值基本上趨近于常數。基于此，當信噪比一定時，cosα由元素β來決定。

對于β來說，當被測為噪聲信號時，相似度向1趨近，cosα趨于1；當被測為語音信號時，β?1,cosα趨于0。

2.3 對數能量-自相關夾角余弦比特征計算

根據對數能量和自相關函數余弦角值的性質，即有話段的能量數值大，自相關函數余弦角值cosα趨于0；而在噪聲段中，能量數值小，cosα趨于1。由此類比傳統能零比，并在符合客觀實際和運算規律的基礎上對算法優化，得到對數能量-自相關夾角余弦比。本文提出的算法相較于能零比法，更為恰當地拉開了有話段和噪聲段之間的差距，不但噪聲與語音的邊界更加陡峭，而且在語音主峰部分也更加平緩，增強了檢測效果。

計算公式如下

(21)

其中，LEi和cosα(i)分別表示第i幀的對數能量和自相關函數余弦角值；λ的目的是調整幅值；μ是一個較小的常數，為了防止cosα(i)為0時出現溢出的情況。

3 改進算法的具體步驟

本文改進算法的具體步驟如下：

1)對原始語音信號進行加窗分幀等預處理。

2)使用Boll的改進譜減法對分幀后的語音信號進行降噪處理，得到譜減后的語音序列。

3)對譜減降噪后的語音序列逐幀計算對數能量LEi和自相關函數余弦角值cosα(i)。

4)根據式(21)可求得第i幀的對數能量-自相關夾角余弦比值Ef(i)。

5)利用雙門限法進行端點檢測。將步驟4中求得的Ef(i)用作雙門限端點檢測的特征參數dst1。對dst1設置兩個閾值：較高閾值T1和較低閾值T2。當dst1高于T1時則直接判定為語音段，再從dst1在什么時候高于T2來判決語音信號的端點[16](P129)。本文改進算法的流程圖如圖2所示。

圖2 本文改進的端點檢測方法流程圖

4 仿真實驗及結果分析

本次實驗過程需要借助到MATLAB軟件。實驗中所使用的純凈語音，其內容為“藍天，白云，碧綠的大海”，所用噪聲(白噪聲、f16、volvo)均選自Noisex-92標準噪聲庫。另外實驗所涉及的語音樣本均為8 kHz/16bit的.wav文件。

為了驗證在低信噪比環境下本文提出算法的切實性，將上述三種噪聲分別疊加在純凈語音上生成不同信噪比(0 dB、-5 dB)環境下的含噪語音然后進行實驗，并將其實驗效果與能零比、多窗譜譜減能熵比算法進行對比，仿真實驗結果如圖3—圖8。

圖3 SNR=0 dB時白噪聲環境下端點檢測效果對比

圖4 SNR=-5 dB時白噪聲環境下端點檢測效果對比

圖5 SNR=0 dB時volvo噪聲環境下端點檢測效果對比

圖7 SNR=0 dB時f16噪聲環境下端點檢測效果對比

圖8 SNR=-5 dB時f16噪聲環境下端點檢測效果對比

圖3、圖5和圖7，分別是在信噪比SNR=0 dB時疊加白噪聲、volvo噪聲和f16噪聲的仿真實驗結果圖。觀察圖5、圖7可知，此時傳統能零比端點檢測在疊加volvo噪聲和f16噪聲的情況下均出現漏檢，且在疊加volvo噪聲時在最前邊噪聲段以及“白云”和“碧”之間的噪聲段出現了錯檢。多窗譜譜減能熵比法在疊加volvo噪聲時，最后邊的語音段“海”字出現了漏檢。而本文提出的算法在信噪比SNR=0 dB時疊加白噪聲、volvo噪聲和f16噪聲的情況下均能將完整的語音段正確檢出。

同樣，圖4、圖6和圖8分別是在信噪比SNR=-5 dB時疊加白噪聲、volvo噪聲和f16噪聲的仿真實驗結果圖。在此條件下傳統能零比端點檢測出現漏檢、錯檢的情況更加嚴重，甚至面臨著失效的境況。多窗譜譜減能熵比法在圖4、圖6和圖8中均出現了不同程度的錯檢和漏檢，且相較于SNR=0 dB時出現錯誤的頻率更高，出錯部分更多。而本文算法僅在SNR=-5 dB的volvo噪聲環境下，語音段“海”字部分出現漏檢，除此之外均能較為準確地將語音端點檢測出來。因此由仿真實驗波形圖可得結論，相較于傳統能零比和多窗譜譜減能熵比法，本文提出的方法在低信噪比環境下的端點檢測效果更好，穩定性更高，魯棒性能更強。

另外，為了更加直觀地證明本文端點檢測算法的可行性和有效性，下面引入端點檢測正確率的概念[17]。當信噪比分別在-5 dB、0 dB、5 dB和10 dB時將白噪聲疊加到純凈語音“藍天，白云，碧綠的大海”上生成帶噪語音，然后對比傳統能零比法、多窗譜譜減能熵比法以及本文算法的端點檢測正確率。

端點檢測正確率的定義如下：

(22)

其中，

(23)

圖9 白噪聲下三種算法端點檢測正確率

由圖9，可以更加清晰地看出當SNR=10 dB時，三種方法的檢測準確率都較高且相差不大，但隨著信噪比不斷下降，直到SNR=-5 dB時，明顯看到本文提出的算法比傳統能零比和多窗譜譜減能熵比兩種方法的檢測性能更好。另外從整條折線的趨勢來看，本文的算法檢測準確率波動小，穩定性高。綜上，證明了該算法在低SNR環境下的切實可行性及其研究價值。

5 結語

端點檢測作為語音識別系統前端處理中最為關鍵的部分之一，其檢測結果將對系統的后續處理過程產生重要的影響。而語音端點檢測準確率低的難題普遍存在于低信噪比環境下，基于此，本文首先通過Boll的改進譜減法對帶噪語音降噪，然后通過分析對數能量和自相關函數余弦角值的特點，對兩者進行有效的結合，最終得到Boll的改進譜減與對數能量-自相關夾角余弦比相結合的語音端點檢測算法。通過在不同的信噪比環境下分別疊加三種不同種噪聲的仿真實驗，結果明確地證實了在低信噪比環境下本文提出的算法與其他傳統端點檢測算法相比其檢測準確率更高，穩定性更好，為語音識別系統后續環節的處理提供了有力的保障，也為低信噪比環境中語音端點檢測的進一步發展打開了新思路。