王鐘斐，王彪

（寶雞文理學院數(shù)學系，陜西寶雞721013）

語音識別（speech recognition）是機器通過識別和理解過程把人類的語音信號轉(zhuǎn)變?yōu)橄鄳?yīng)的文本或命令的技術(shù)。其根本目的是研究出一種具有聽覺功能的機器，這種機器能直接接受人的語音，理解人的意圖，并做出相應(yīng)的反映[1]。

目前，語音識別技術(shù)已成為世界上最熱門的技術(shù)之一，它以語音為研究對象。因此，掌握語音的關(guān)鍵信息將有助于提高語音識別效果，而本文就是通過時間-頻率聯(lián)合分布來研究漢語語音關(guān)鍵頻率分布的情況。

1 漢語語音簡介

語音是指人類通過發(fā)音器官發(fā)出來并且具有一定意義的聲音，其目的是進行社會交際。漢語語音[2]的特點是音節(jié)結(jié)構(gòu)簡單，音節(jié)界限分明，聲調(diào)是音節(jié)的重要組成成分。音素是按照音質(zhì)的不同劃分出的最小的語音單位。

音節(jié)是語音結(jié)構(gòu)的基本單位，是說話時自然發(fā)出、聽話時自然感到的最小的語音片斷。一般來說，漢語中用一個漢字來代表一個音節(jié)。只有兒化韻兩個漢字只記錄一個音節(jié)。音節(jié)可以構(gòu)成詞，詞可以構(gòu)成句子。漢語的音節(jié)結(jié)構(gòu)有很強的規(guī)律性。中國傳統(tǒng)把一個音節(jié)分為聲母、韻母和聲調(diào)3部分。聲母是指處在音節(jié)開頭的輔音。音節(jié)的開頭如果沒有聲母，就是零聲母音節(jié)。韻母是指音節(jié)中聲母后面的成分，可以只是一個元音，也可以是元音的組合或元音和輔音的組合。漢語各方言雖然語音分歧相當大，但聲母、韻母和聲調(diào)的基本結(jié)構(gòu)是一致的。

研究漢語語音關(guān)鍵頻率分布，要首先研究聲母和韻母的頻率分布，因為二者結(jié)合起來就是漢語語音，了解了聲母和韻母的頻率分布，就必然能夠大體確定漢語語音關(guān)鍵頻率分布。因此，下面主要以聲母和韻母為例來研究。

2 語音信號時頻分析

語音信號時域分析和頻域分析都有一定的局限性：前者對語音信號的頻率特性沒有直觀的了解；而后者提供的信息中又沒有語音信號隨時間的變化關(guān)系，即無法標定信號發(fā)生的時間位置和發(fā)生變化的劇烈程度。因此要想比較準確的分析語音信號，單獨依靠時域分析或者是頻域分析，是不能完成的。要從時域、頻域兩方面同時入手，對語音信號進行分析，得到代表其本質(zhì)的特征參數(shù)，才能達到辨析語音的要求。

而時頻分析方法就提供了時間域與頻率域的聯(lián)合分布信息，清楚地描述了信號頻率隨時間變化的關(guān)系。其基本思想是：設(shè)計時間和頻率的聯(lián)合函數(shù)，用它同時描述語音信號在不同時間和頻率的能量密度或強度。時間和頻率的這種聯(lián)合函數(shù)簡稱為時頻分布。利用時頻分布來分析信號，能給出各個時刻的瞬時頻率及其幅值，并且能夠進行時頻濾波和時變信號研究。也就是，借助于時間和頻率的聯(lián)合表示，能夠準確地描述非平穩(wěn)信號的特性，從而能夠?qū)ζ溥M行分析[3]。

2.1 時頻表示

對于非平穩(wěn)信號，為了得到信號的頻率隨時間變化的情況，需要使用時間和頻率的聯(lián)合函數(shù)來表示信號，這種表示稱為信號的時頻表示。其目的是將一維時間信號x（n）或頻域信號X（ejω）映射成時間-頻率平面上的二維信號Px（n，ω）。那么，信號的瞬時能量和功率譜可以分別表示為

和

信號在時頻域n∈[n1，n2]和ω∈[ω1，ω2]的能量成分表示為：

可以根據(jù)函數(shù)Px（n，ω）計算在某一特定時間內(nèi)的頻率密度，計算該分布的整體和局部的各階陣等。

目前，有很多種時頻表示方法，主要有線性時頻表示、二次時頻表示（又稱雙線性時頻表示）。線性時頻表示主要有短時傅里葉變換、Gabor變換及小波變換。二次時頻表示是由能量譜或功率譜演化而來，特點是變換為二次的。在某些實用場合，要用雙線性時頻表示來描述描述語言信號的能量密度分布，這種更嚴格意義下的時頻表示就稱為信號的時頻分布。

2.2 時頻分布

能量譜或功率譜具有雙線性變換特點，也就是說當信號之間滿足下式時

能量譜函數(shù)有如下的雙線性關(guān)系：

式中，ε（ejω）、ε1（ejω）與ε2（ejω）分別為x（n）、x1（n）和x2（n）的能量譜，而*號表示對信號的頻譜取共軛操作。此時，當x1（n）和x2（n）的頻譜隨時間變化時，根據(jù)能量譜或功率譜得到的時頻表示Px1（n，ω）和Px2（n，ω）是二次的，則有

其中，Px（n，ω）是x（n）的時頻表示。上式右邊的最后一項稱為交叉項或互項，而Px1x2（n，ω）稱為x1（n）和x2（n）的互時頻表示。

此外，其他一些二次型能量化的時頻表示可統(tǒng)一的由Cohen L提出的廣義雙線性時頻表示，即

其中，φ（ξ，τ）表示核函數(shù)，它決定Px（n，ω）的特性。

采用不同的核函數(shù)，會得到不同的時頻分布。而對核函數(shù)要求是：一能壓縮交叉干擾項，二能有好的特性。

2.3 語譜圖

語譜圖是語音信號短時頻譜的時間-強度表示[4]。語譜圖是語音信號時頻分布的一個比較好的應(yīng)用。其橫坐標表示時間，縱坐標表示頻率，每個像素的灰度值大小及顏色的濃淡反映相應(yīng)時刻和相應(yīng)頻率的能量。能量功率譜具體表示為

其中，

ω[n]是一個長度為2N+1的窗函數(shù)，X（n，ω）表示在時域以n點為中心的一幀信號的傅里葉變換在ω處的大小。

下面圖1給出了語音“開始”的語譜圖。圖中橫軸表示時間，縱軸表示頻率，顏色的深淺表示（n，ω）處的能量大小，一般用能量的對數(shù)表示，即lg（Px（n，ω））。語譜圖根據(jù)帶通濾波器的帶寬分為寬帶語譜圖和窄帶語譜圖。通過語譜圖很容易看出語音信號關(guān)鍵頻率的分布情況和能量的分布情況。圖1（a）和（b）分別是“開始”的寬帶語譜圖和窄帶語譜圖。

圖1 語音“開始”的寬帶語譜圖和窄帶語譜圖Fig.1Speech“start”broadband spectrogram and narrowband spectrogram

由于寬帶語譜圖的頻率分辨率較高，時間分辨率較低，因而語譜圖呈現(xiàn)的是垂直的條紋；而窄帶語譜圖則相反，從而呈現(xiàn)的是橫向的條紋。從上圖中可以看出，條紋較明顯的分成兩個部分，其中第一部分是漢字“開”的圖譜，第二部分是漢字“始”的圖譜。

3 語音采集及分析處理

3.1 語音信號采集

本文中所用的語音信號示例分為兩類：一是電視臺、廣播臺播音員的標準普通話語音錄音，二是現(xiàn)實生活中普通人的普通話錄音。這樣，語音示例既具有標準語音有具有普通語音，能夠比較全面的反映人類語音的大致情況，從而使下面得出的結(jié)論具有一定的代表性。

1）電視臺、廣播臺播音員的標準普通話語音錄音可以在網(wǎng)絡(luò)上下載，本文下載了播音員用普通話朗讀漢語拼音聲明、韻母的語音錄音，這樣就得到了較為標準的語音信號范本。

2）現(xiàn)實生活中的普通人用普通話朗讀漢語拼音聲明、韻母，然后通過電腦麥克風進行錄音，并保存為.wav的文件格式，音頻的位速為352 Kb/s，采樣大小為16位，級別為22 kHz，為單聲道錄音。而這就是普通人的語音信號范本。

上面的兩類語音信號范本作為后面的分析處理對象。其中，聲母共23個，即：b、p、m、f、d、t、n、l、g、k、h、j、q、x、zh、ch、sh、r、z、c、s、y、w；韻母共24個，即：a、o、e、i、u、v、ai、ei、ui、ao、ou、iu、ie、ve、er、an、en、in、un、vn、ang、eng、ing、ong。

3.2 語音信號分析處理

在前面介紹了時頻分布的特點和優(yōu)勢，下面就利用時頻分布來處理上一小節(jié)中的語音信號范本。在此，本文采用了兩類方式進行處理：一是使用語音處理軟件Adobe Audition 3.0來播放語音文件，得到其頻率-能量-時域圖（即語譜圖），從圖中觀察總結(jié)其頻率分布等重要信息；二是使用自己設(shè)計的MATLAB程序來播放語音文件，得到其語譜圖，從而觀察總結(jié)其頻率分布等重要信息。兩種方式相互驗證比較，將使結(jié)論變得更全面、更具有說服性。

3.2.1 Adobe Audition 3.0軟件處理語音文件

將用Adobe Audition3.0軟件分別播放前面的語音信號文件，得到其語譜圖，并從中觀察總結(jié)出其關(guān)鍵信息。但由于聲母、韻母較多，在此不一一列舉，分別以韻母a、聲母b為例。

1）韻母

下面圖2是韻母a的語譜圖，分別是標準普通話、普通男聲和普通女聲的圖譜。

圖2中，橫軸表示時間，單位是ms，縱軸表示頻率，單位是Hz。圖中的帶顏色區(qū)域表示語音信號在對應(yīng)時刻所攜帶的能量，顏色愈亮，表示能量愈大；反之，顏色愈暗，則表示此時刻能量愈小。圖中開始和結(jié)束的地方顏色發(fā)暗發(fā)黑，表示語音信號未發(fā)音及已發(fā)音結(jié)束，不攜帶能量，所以顏色發(fā)暗發(fā)黑。由于韻母a的發(fā)音平緩且變化不大，所以圖中反映的能量也呈不變趨勢，是一道較平滑的語音帶。從圖2（a）中可以看出，語音a的能量主要集中于0~4 000 Hz頻率范圍之間，在4 000~7 000 Hz的頻率范圍內(nèi)能量分布較少，而當頻率高于7 000 Hz時，幾乎沒有能量。而在0~4 000 Hz頻率范圍內(nèi)，能量分布具有如下的特點：幾乎語音一半的能量集中于0~1 600 Hz頻率范圍內(nèi)，頻率在2 800 Hz及3 800 Hz處又具有較大的能量，其余地方能量相對較小。從圖2（b）中可以看出，語音a的能量主要分布在兩個頻率范圍內(nèi)，其中第一個頻率范圍是0~1400Hz，第二個頻率范圍是3000~5000Hz，且從圖中顏色明亮度可以看出語音a的大約70%的能量集中于第一個頻率范圍內(nèi)，即0~1 400 Hz之間。從圖2（c）中可以看出，語音a的能量主要分布在0~1 800 Hz頻率范圍內(nèi)，其余頻率段內(nèi)能量可以忽略不計。因此，可以得出結(jié)論：韻母a的能量集中分布于0~4 000 Hz頻率范圍之間，而這也就是其關(guān)鍵頻率范圍，而這個結(jié)論將為其后續(xù)處理提高一定的理論依據(jù)。

2）聲母

下面圖3是聲母b的語譜圖，分別是標準普通話、普通男聲和普通女聲的圖譜。

圖3（a）中可以看出：語音b的能量主要分布在兩個頻率范圍內(nèi)，大約70%的能量分布在0~1 200 Hz頻率范圍內(nèi)，其余的能量分布在2 200~4 000 Hz之間。而圖3（b）的情況與圖（a）類似，語音b的能量大致分布在兩個頻率范圍內(nèi)，其中大約80%的能量分布在0~1 200 Hz頻率范圍內(nèi)，其余能量大致分布在2 800~4 000 Hz之間，另外在頻率5 000 Hz以上的地方也有一定的能量，可以忽略不計。從圖3（c）可以看出，語音能量絕大部分分布在0~1 200 Hz頻率段內(nèi)，其余能量可以忽略不計。因此，可以得出結(jié)論：聲母b的能量大致分布在0~4 000 Hz頻率段內(nèi)，但主要分布在0~1 200 Hz之間，這也是其關(guān)鍵頻率所在頻率段，是后續(xù)研究的重點區(qū)域。

圖2 韻母a的語譜圖Fig.2Vowels a spectrogram

圖3 聲母b的語譜圖Fig.3Initials b spectrogram

3.2.2 自制MATLAB程序來處理語音文件

本文應(yīng)用自制MATLAB軟件處理語音信號，通過調(diào)用MATLAB程序來得到語音文件的三維立體語譜圖，從中分析總結(jié)出其攜帶的關(guān)鍵信息。與上一小節(jié)類似，分別以韻母a、聲母b為例。

1）韻母

下面圖4是韻母a的語譜圖，分別是標準普通話、普通男聲和普通女聲的圖譜。

上圖中的語音信號語譜圖是表示時頻聯(lián)合分布的三維圖，它的橫坐標是時間，單位是ms，縱坐標是頻率，單位是Hz，豎坐標是幅度，表示語音的數(shù)據(jù)能量，單位是db（分貝）。能量值的大小是通過顏色深淺來表示的，顏色深，表示該點的語音能量越強；反之，顏色淺，則表示語音能量越小。從圖4（a）中可以看出，語音a的能量主要集中于0~4 000 Hz頻率范圍之間，在4 000~9 000 Hz的頻率范圍內(nèi)能量分布較少，而當頻率高于9 000 Hz時，幾乎沒有能量。而在0~4 000 Hz頻率范圍內(nèi)，能量分布具有如下的特點：幾乎語音70%的能量集中于600~1 600 Hz頻率范圍內(nèi)，頻率在3 500 Hz及4 000 Hz處又具有大約20%的能量，其余地方能量相對較小。從圖4（b）中可以看出，語音a的能量主要分布在兩個頻率范圍內(nèi)，其中第一個頻率范圍是0~2 000 Hz，第二個頻率范圍是2 500~4 500 Hz，且從圖中顏色明亮度可以看出語音a的大約80%的能量集中于第一個頻率范圍內(nèi)，即0~2 000 Hz之間。從圖4（c）中可以看出，語音a的能量主要分布在0~2 000 Hz頻率范圍內(nèi)，其余頻率段內(nèi)能量可以忽略不計。因此，可以得出結(jié)論：韻母a的能量集中分布于0~4 500 Hz頻率范圍之間，而這也就是其關(guān)鍵頻率范圍，而這個結(jié)論將為其后續(xù)處理提高一定的理論依據(jù)。

2）聲母

下面圖5是聲母b的語譜圖，分別是標準普通話、普通男聲和普通女聲的圖譜。

在圖5（a）中可以看出：語音b的能量主要分布在兩個頻

圖4韻母a的語譜圖

圖5 聲母b的語譜圖Fig.5Initials b spectrogram

Fig.4Vowels a spectrogram率范圍內(nèi)，大約90%的能量分布在0~1 600 Hz頻率范圍內(nèi)，其余的能量分布在2 000~4 000 Hz之間。從圖5（b）可以看出，語音b的能量大致分布在兩個頻率范圍內(nèi)，其中大約70%的能量分布在0~1 700 Hz頻率范圍內(nèi)，其余能量大致分布在3 000~4 200 Hz之間。從圖5（c）可以看出，語音能量絕大部分分布在0~1 700 Hz頻率段內(nèi)，其余能量可以忽略不計。因此，可以得出結(jié)論：語音b的能量大致分布在0~4 200 Hz頻率段內(nèi)，但主要分布在0~1 700 Hz之間，這也是其關(guān)鍵頻率所在頻率段，是后續(xù)研究的重點區(qū)域。

3.3 漢語語音關(guān)鍵頻率分布

按照上面3.2小節(jié)中的方法，將兩種方法結(jié)合起來，可以得出所有聲母和韻母的頻率大致分布情況，而漢語語音是有聲母和韻母拼合而成的，了解了聲母和韻母的頻率大致分布情況，那必然經(jīng)能夠大體確定漢語語音的頻率分布情況，從而為后面的辨析語音提高一定的理論基礎(chǔ)。

經(jīng)過比較分析得出如下結(jié)論：在所有聲母和韻母中，絕大部分的頻率分布范圍是0~5 000 Hz，在這個頻率范圍內(nèi)，0~1 200 Hz是一個關(guān)鍵頻率分布范圍段，即在此頻率段內(nèi)語音能量較多，接下來2 000~4 000 Hz又是一較為關(guān)鍵的頻率段，也具有一定的語音能量，其余頻率段內(nèi)語音能量較小，幾乎可以忽略不計。由于漢語語音中用一個漢字來代表一個音節(jié)，一般來說，一個音節(jié)由聲母、韻母和聲調(diào)3部分組成，因此，確定了聲母和韻母的頻率分布情況，那么也就大體確定了漢語語音的頻率分布情況。所有上面的結(jié)論也適用于絕大部分的漢語語音，這個結(jié)論為后面的辨析語音提供了很好的理論基礎(chǔ)。

在有關(guān)電子耳蝸的研究中，有的研究所選用濾波器的通帶帶寬在300~6 250 Hz之間[5]，說明通過電子耳蝸的語音信號的關(guān)鍵頻率大致分布在300 Hz到6 250 Hz這個頻率范圍內(nèi)。而這也間接說明了上面的結(jié)論具有一定的準確性，是可行的，可以作為后續(xù)研究的理論依據(jù)。

4 結(jié)束語

本文首先介紹了有關(guān)漢語拼音[6]的知識；然后介紹了時頻分布的特點和優(yōu)勢；最后通過時頻分布，用兩種方法分析總結(jié)了聲母和韻母的頻率分布情況及關(guān)鍵頻率分布特點，從而確定漢語語音的關(guān)鍵頻率分布情況，以為語音識別的研究提供一定的理論基礎(chǔ)。

當然，本文還要一定的不足：聲母和韻母的頻率分布情況能否更加細化、更加準確？這是以后工作中亟待解決的問題，需要進一步去研究。

[1]韓紀慶，張磊，鄭鐵然.語音信號處理[M].北京:清華大學出版社，2004.

[2]付妮妮.漢語拼音字母詞研究[D].遼寧:遼寧師范大學，

2007.

[3]鄭普亮，許剛.時頻分布不同特性進行語音分類[J].計算機工程與應(yīng)用，2005（22）:48-50.ZHENG Pu-liang，XU Gang.Classification of speech using the different properties of the time-frequency distributions[J].Computer Engineering and Applications，2005（22）:48-50.

[4]馬義德，袁敏，齊春亮，等.基于PCNN的語譜圖特征提取在說話人識別中的應(yīng)用[J].計算機工程與應(yīng)用，2005（20）:81-84.MA Yi-de，YUAN Min，QI Chun-liang，et al.Research of feature extraction from spectrogram based on pulse coupled neuralnetworkinspeakerrecognition[J].Computer Engineering and Applications，2005（20）:81-84.

[5]孟麗，肖靈，李平，等.定點DSP實現(xiàn)電子耳蝸CIS策略研究[J].中國生物醫(yī)學工程學報，2009，28（3）:386-392.MENGLi，XIAOLing，LIPing，etal.Researchonimplementation of CIS strategy for cochlear implants on fixed-point DSP[J].Chinese Journal of Biomedical Engineering，2009，28（3）:386-392.

[6]吳葵.漢語拼音在對內(nèi)漢語教學中的應(yīng)用研究[D].湖南:湖南師范大學，2007.