基于時域特征的語音信號端點檢測

摘要：語音由發音器官發出，通過聲電傳感器，語音可以轉化連續的模擬電信號;隨著電子技術和計算機技術的進一步發展，語音信號的處理得到了飛速的發展;語音信號分析處理包括時域分析和頻域分析兩大類;語音的時域分析包括短時能量分析、短時過零率分析、短時相關分析，時域分析目的是提取語音時域特征，據此進行語音端點檢測。

關鍵詞：語音信號;時域分析;幀能量;幀過零率;端點檢測

中圖分類號：TP391 ? ? ?文獻標識碼：A

文章編號：1009-3044（2022）13-0096-03

語言是人類特有的能力，是人們相互交流的重要工具。語音由發音器官發出，通過聲電傳感器，語音可以轉化連續的模擬電信號，例如電話機就屬于這樣一種轉換，這就是最早的語音信號處理。通過聲電和電聲的轉換，實現語音和電信號之間的相互轉換，達到遠距離傳輸的目的。隨著電子技術和計算機技術的進一步發展，語音信號的處理得到了飛速的發展。

對語音信號進行分析和處理，一直是研究的熱門。通常首先需要對連續的模擬語音信號進行采樣和量化，轉換為離散的數字信號，形成音頻文件，便于計算機處理。用計算機進行語音信號處理，極大地提高了語音信號處理的效率。

語音信號分析處理包括時域分析和頻域分析兩大類。分析前通常需要先對語音信號進行分幀，即把語音信號分解為很多相對短時間的、固定時長的一段信號，稱為幀。每一幀語音信號可以視為短時平穩的隨機信號。時域分析用于分析和提取語音的時域特征，是最簡單、直觀的分析手段。語音的時域特征包括短時能量分析、短時過零率分析、短時相關分析等。這里短時指的是一幀語音。頻域分析用于分析和提取語音的頻域特征，這些特征包括語音的頻譜、倒譜、復倒譜、功率譜等。分析方法有離散傅里葉變換、帶通濾波器組，以及線性預測等[1]。

本文對語音信號進行時域分析，分析其幀能量，幀過零率等時域特征，并對語音進行端點檢測。

1 語音采樣數據的獲取

目前很多用于語音處理的語音庫文件都采用wav格式，這種文件格式是一種重要的數字音頻文件格式。wav格式的文件沒有對語音數據進行壓縮，所以其文件比其他格式如MP3、MP4、RAM等格式的音頻文件更大。但也正因為沒有采用壓縮技術，wav文件中聲音的采樣數據很容易被讀出來，便于做其他處理。wav格式是微軟公司開發的一種聲音文件格式，也叫波形文件，是最早的數字音頻文件格式，它具有RIFF（Resource Interchange File Format）格式。RIFF格式的wav文件由若干個Chunk（塊）組成，按順序為RIFF WAVE Chunk、Format Chunk、Fact Chunk（可選）和Data Chunk。每個塊都有固定而且類似的格式，第1部分是塊的ID，作為標識，4個字節，緊跟其后的是該塊的大小，也是用4個字節表示，低字節表示低位，高字節表示高位;第3部分略有差異[2]。

筆者用C++編程，首先讀取Web語音文件，為此，定義了四種結構體，分別對應上述4種塊。再定義文件指針，并打開文件：

FILE *wav_in;

wav_in=fopen（filename，"rb"）;

wav文件是二進制文件，所以用參數"rb"。再結合文件位置指針進行讀取：

file_pos=ftell（wav_in）;

由于wav格式存儲的語音數據是整數，因此定義了整型數組pcm_data來存儲。存儲在wav文件中的每個音頻數據為16位，因此數組pcm_data是16位。

2 語音信號的端點檢測

端點檢測的目的是檢測和確定語音信號的開始和結束端點，進而把非語音信號部分舍棄，只保留語音信號部分的數據，以減少數據量，節約計算機處理時間，從而提高處理速度。如果語音信號沒有噪音，端點檢測比較容易處理。可以簡單通過語音信號的短時（幀）過零率，和短時（幀）能量檢測到端點，因為語音信號都有一定的能量和過零率，而靜音狀態下的語音信號能量很小，幾乎為0，過零率也沒有。計算出每幀語音的能量和過零率，并比較相鄰幀的能量和過零率，就這樣可以確定語音的端點。

如果語音信號混合了噪音，端點檢測過程比較復雜。除了幀能量和過零率之外，還需要結合其他的參數，才能確定語音的端點[3]。例如，可以結合頻譜來分析端點，有些噪音的頻率高于正常的語音信號，因此，可以把頻譜中頻率高的部分認為是噪音。也可以采取措施先消除噪聲，例如用小波消除噪聲[4]。小波變換是一個時間和頻率的局部變換[5]。

先對語音信號進行分幀，幀長統一采用20ms，相鄰兩幀沒有交叉重疊。

FrmLength=（unsigned short int）20.0*fmt_block.wavFormat.dwSamplesPerSec/1000;

其中dwSamplesPerSec是每秒采樣點數，即采樣率。上述語句把幀長由20ms時間轉換為離散點數。

計算幀的數量：

nFrm=nSamples/FrmLength;

其中nSamples是采樣點總數。

接下來通過一個循環計算每幀能量和過零率，其中，計算幀能量時，采用歸一化的幅值的平方和。而過零率計算，則判斷前后兩個幅值，如果是異號，則過零率加2;如果是同號，則過零率不變。

（1） 置每幀能量初值為0，每幀過零率初值為0;

（2） 在一幀內，循環計算每個點的能量值，累加到本幀的能量中;判斷前后兩個語音點的幅值，如果是異號，則過零率加2;如果是同號，則過零率不變;

（3） 判斷是否所有幀都計算機完畢，如果沒有，則轉（1），計算下一幀;如果所有幀都已經計算完畢，則循環結束，進入下面的端點檢測。

端點檢測就是確定語音信號的開始和結束端點，本文假設語音信號都是沒有噪音的，因此，在沒有語音的部分，信號幅值幾乎等于零。大致步驟是：先確定端點所在幀，為此，設定一個閾值，再按順序檢測每一幀的能量。當檢測到某一幀的能量大于等于閾值時，可以確定端點在這一幀。考慮到計算一幀語音的能量時，用的是歸一化后的幅值的平方和，幀語音能量的絕對值不大，因此，設定閾值為1。具體步驟如下：

（1） 置幀號為1;

（2） 讀取該幀語音能量;

（3） 判斷其能量值是否大于等于1，若大于等于1，則該幀號就是起始端點所在幀，結束循環;否則幀號加1，轉（2）。

確定結束端點所在幀時，從最后一幀語音開始，逆序向前檢測每一幀語音的能量值，判斷其是否大于等于閾值。具體步驟如下：

（1） 置幀號為幀數量，即最后一幀;

（2） 讀取該幀語音能量;

（3） 判斷其能量值是否大于等于1，若大于等于1，則該幀號就是結束端點所在幀，結束循環;否則幀號減1，轉（2）。

確定端點所在幀之后，再在該幀語音內進一步確定具體哪個位置，才是語音的開始和結束端點。為此，也設定一個閾值0.05。之所以設置比較小的一個數，是因為用的是歸一化后的幅值。在該幀范圍內，從第一個點按順序檢測。當某個點的幅值歸一化值大于等于0.05時，可以確定該點就是語音的端點。具體步驟如下：

（1） 置循環初值j=1;

（2） 由起始點所在語音幀號spFrm，以及j，由下式計算得到實際的語音采樣點順序號k，

k=（spFrm-1）*FrmLength+j;

（3） 獲取該采樣點的歸一化幅值;

（4） 判斷其幅值是否大于等于0.05，若大于等于0.05，則該采樣點編號k就是起始端點的真實語音采樣點號sp，結束循環;否則j+1，檢測下一個采樣點，轉（2）。

確定語音結束端點的過程如下：

（1） 置循環初值j為幀長，即從結束端點所在幀的最后一個點開始，逆序往前逐個檢測;

（2） 由結束點所在語音幀號epFrm，以及j，由下式計算得到實際的語音采樣點順序號k，

k=（epFrm-1）*FrmLength+j;

（3） 獲取該采樣點的歸一化幅值;

（4） 判斷其幅值是否大于等于0.05，若大于等于0.05，則該采樣點編號k就是結束端點的真實語音采樣點號ep，結束循環;否則j+1，檢測下一個采樣點，轉（2）。

3 運算結果

本文錄制了幾個英文單詞，音頻文件全部為wav格式，用全面介紹的方法進行了預處理，包括分幀和端點檢測，并且用圖形把結果顯示出來，如圖1所示為英文單詞“important”的語音波形及短時能量和短時過零率波形。

從圖2可知，英文單詞important的波形文件是雙聲道音頻文件，第5行起是具體的雙聲道的采樣數據。

從圖3可以看出，端點檢測結果是語音起始端點號為1797，該點采樣數據位于第3幀。語音結束端點號為41453，該點采樣數據位于第47幀。端點檢測前采樣點數為圖2的46739，經過端點檢測，去掉起始端點前，和結束端點后無語音部分采樣點數據，剩余采樣點數為圖3的39657，其數據量減少為原來的84%，為后續處理減少了數據量。

圖4所示為英文單詞“dictionary”的語音波形及短時能量和短時過零率波形。

從圖5可知，英文單詞dictionary的波形文件也是雙聲道音頻文件，第5行起是具體的雙聲道的采樣數據。

從圖6可以看出，端點檢測結果是語音起始端點號為7676，該點采樣數據位于第9幀。語音結束端點號為41222，該點采樣數據位于第47幀。端點檢測前采樣點數為圖5的47184，經過端點檢測，去掉起始端點前，和結束端點后無語音部分采樣點數據，剩余采樣點數為圖6的33547，其數據量減少為原來的71%。

其余計算結果也說明，端點檢測是減少語音采樣數據量的很有效的方法。

4 結語

隨著計算機技術的發展，計算機語音處理技術獲得了廣泛的應用。其應用領域包括人工智能、虛擬現實、智能服務、智能家居等。語音信號處理實際上涉及多個學科領域，包括語音學、語言學、認知科學，以及心理學等多個學科。語音端點檢測是檢測和確定語音的實際起始端點和結束端點。明確了端點，就可以把端點以外的采樣點數據舍棄，進而減少數據量，為后續處理提高效率。

參考文獻：

[1] 趙力.語音信號處理[M].3版北京：機械工業出版社，2016.

[2] 羅海濤.wav格式與數據獲取[J].電腦知識與技術，2016，12（27）：211-213.

[3] 羅海濤.含噪語音信號端點檢測[J].計算機時代，2017（10）：8-10.

[4] Luo H T.Local thresholding de-noise speech signal[C]//SPIE Proceedings，Fifth International Conference on Digital Image Processing （ICDIP 2013）.Beijing，China.SPIE，2013.

[5] 羅海濤.用小波消除語音噪聲[J].福建電腦，2017，33（8）：119-120.

【通聯編輯：梁書】