包永強(qiáng)

(南京工程學(xué)院通信工程學(xué)院，南京210096)

目前的一些語(yǔ)音信號(hào)識(shí)別系統(tǒng)在安靜的實(shí)驗(yàn)室環(huán)境下已達(dá)到很高的性能，但在實(shí)際的帶有噪聲的環(huán)境下，由于訓(xùn)練模型和識(shí)別環(huán)境的失配，系統(tǒng)的識(shí)別性能往往會(huì)有較大幅度的下降。為了提高語(yǔ)音識(shí)別系統(tǒng)的抗噪性，研究者提出了很多方法，除了對(duì)語(yǔ)音識(shí)別模型進(jìn)行噪聲補(bǔ)償?shù)确椒ㄍ猓?］，許多學(xué)者致力于研究更具魯棒性的語(yǔ)音特征。Hwang T H和Lee L M［2］研究了噪聲對(duì)LPC倒譜系數(shù)的影響，并對(duì)其進(jìn)行噪聲補(bǔ)償，提高了其抗噪性。Mansour和Juang［3］提出了短時(shí)修正的相干系數(shù) SMC(Short-Time Modified Coherence Coefficient)作為語(yǔ)音特征參數(shù)，Javier Hernadot［4］提出了 OSALPC(One-Sided Autocorr-elation Linear Predictive Coding)倒譜系數(shù)作為語(yǔ)音特征參數(shù)，它們都是基于單邊自相關(guān)函數(shù)序列的線性預(yù)測(cè)技術(shù)，實(shí)驗(yàn)證明它們對(duì)加性白噪聲具有較好的抗噪性。

由于通過(guò)單一的變換很難實(shí)現(xiàn)語(yǔ)音和噪聲完全分離，1999年，Agarwal A［5］等人提出了兩級(jí)維納濾波的方法用于克服有色噪聲的干擾，獲得了很好的效果。兩級(jí)維納濾波方法的提出從某種程度上說(shuō)明了采用兩種抗噪算法的系統(tǒng)普遍比只采用一種算法的要好，這種以復(fù)雜度換取性能飛躍的算法成為了歐洲電信標(biāo)準(zhǔn)化協(xié)會(huì)2002年10月頒布的分布式語(yǔ)音識(shí)別前端標(biāo)準(zhǔn)中的語(yǔ)音降噪的核心算法［5］。

兩級(jí)維納濾波算法的思路說(shuō)明了存在著這樣一種可能——以其尋找一種復(fù)雜的變換，達(dá)到語(yǔ)音和噪聲的最大可能分離，不如將兩種普通的降噪算法通過(guò)某種方法結(jié)合起來(lái)，同樣可以達(dá)到很好的效果。目前國(guó)際上正展開(kāi)對(duì)這方面的研究［5-6］，因此，尋找這樣一種結(jié)合方法同時(shí)又兼顧其復(fù)雜度的算法成為本章討論的主要內(nèi)容。

分?jǐn)?shù)階的概念最早應(yīng)用于傅里葉變換中，1980年Namias V用Hermite多項(xiàng)式構(gòu)建了分?jǐn)?shù)傅里葉變換［7-8］，第一次給出了分?jǐn)?shù)傅里葉變換的定義，20世紀(jì)90年代，Shih C C基于態(tài)函數(shù)重新給出了一種分?jǐn)?shù)傅里葉變換的新定義［9］，Qzatkas H M［10］等人研究發(fā)現(xiàn)信號(hào)的冪次為α的分?jǐn)?shù)傅里葉變換相當(dāng)于信號(hào)在時(shí)頻面內(nèi)角度απ/2的旋轉(zhuǎn)。分?jǐn)?shù)傅里葉變換成為了研究熱點(diǎn)，在量子力學(xué)、光學(xué)、信號(hào)處理等領(lǐng)域內(nèi)得到了廣泛的應(yīng)用。

分?jǐn)?shù)階理論的引入使得傅里葉變換成為分?jǐn)?shù)階傅里葉變換的特例，通過(guò)改變分?jǐn)?shù)階值，可使傅里葉變換的內(nèi)涵得以擴(kuò)展。由于傅里葉變換在信號(hào)處理領(lǐng)域內(nèi)有著極其廣泛的應(yīng)用，可以預(yù)見(jiàn)，分?jǐn)?shù)傅里葉變換具有非常廣闊的應(yīng)用前景［11］。

分?jǐn)?shù)階變換的提出為兩級(jí)濾波的研究提供了一個(gè)發(fā)展方向，可以更加靈活地定義兩級(jí)維納濾波中的變換的定義。

本文把ETSI ES 202 050 V.1.1.3版本規(guī)定的Mel域上的兩級(jí)維納濾波結(jié)構(gòu)推廣到分?jǐn)?shù)Mel域上，提出了分?jǐn)?shù)Mel域上的兩級(jí)維納濾波結(jié)構(gòu)，獲得了性能的提高。

針對(duì)語(yǔ)音和噪聲在時(shí)域和頻域重合，而在分?jǐn)?shù)余弦變換域上可能分離的特點(diǎn)，基于分?jǐn)?shù)Mel域上的兩級(jí)維納濾波結(jié)構(gòu)，提出了基于態(tài)函數(shù)的分?jǐn)?shù)余弦變換域上的兩級(jí)最優(yōu)濾波器;與Mel域上的兩級(jí)維納濾波結(jié)構(gòu)中反復(fù)的時(shí)域-頻域轉(zhuǎn)換帶來(lái)計(jì)算量的急劇上升相比，其計(jì)算復(fù)雜度得以下降了，并且由于直接在分?jǐn)?shù)余弦變換域上進(jìn)行濾波，避免了由于Mel域參數(shù)較少導(dǎo)致的頻域不連續(xù)性帶來(lái)的時(shí)域截?cái)嘣肼暋?/p>

1 語(yǔ)音處理系統(tǒng)的DSP實(shí)現(xiàn)方案

系統(tǒng)由MIC語(yǔ)音輸入模塊、音頻模塊和處理模塊組成，系統(tǒng)框圖如圖1所示。語(yǔ)音信號(hào)由麥克風(fēng)輸入至TLV320AIC23對(duì)語(yǔ)音信號(hào)進(jìn)行AD轉(zhuǎn)換和濾波后，再通過(guò)DSP芯片TMS320VC5502對(duì)信號(hào)進(jìn)行預(yù)處理、特征參數(shù)提取、建模及識(shí)別構(gòu)成。

圖1 語(yǔ)音系統(tǒng)框圖

DSP芯片TMS320VC5502最高可在300 MHz主頻下工作，具有16 kbyte的緩存和17 bit×17 bit雙乘法器，并帶有32 kbit×16 bit的RAM和16 kbit×16 bit的ROM。其片上外設(shè)主要包括時(shí)鐘發(fā)生器、DMA控制器、外部存儲(chǔ)器接口(EMIF)、主機(jī)接口(HPI)、I2C總線、通用輸入輸出GPIO口、3個(gè)多通道緩沖串行端口(McBSP)、兩個(gè)64 bit通用定時(shí)器(GPT)和一個(gè)可編程看門(mén)狗定時(shí)器、通用異步收發(fā)器(UART)，外部尋址空間達(dá)8 Mbyte，可擴(kuò)展大容量SDRAM。音頻編解碼芯片TLV320AIC23是可編程芯片，內(nèi)置耳機(jī)輸出放大器，內(nèi)部有11個(gè)16 bit寄存器，編程設(shè)置這些寄存器可得到所需的采樣頻率、輸入輸出增益和傳輸數(shù)據(jù)格式等。AIC23通過(guò)外圍器件對(duì)其內(nèi)部寄存器進(jìn)行編程配置，其配置接口支持SPI總線和I2C總線接口數(shù)據(jù)傳輸格式支持右判斷模式、左判斷模式、I2S模式和DSP模式，其中DSP模式專(zhuān)門(mén)針對(duì)TI公司的DSP設(shè)計(jì)。降噪算法為本文所研究的主要內(nèi)容。

2 分?jǐn)?shù)余弦變換域上的兩級(jí)濾波

圖2給出了在兩次濾波的示意圖，圖中白色不規(guī)則圖形的為有用信號(hào)，灰色不規(guī)則圖形為干擾信號(hào)，有用信號(hào)和干擾信號(hào)在時(shí)域和離散余弦變換(DCT)域都重疊在一起。無(wú)論從時(shí)域還是DCT域都無(wú)法簡(jiǎn)單分離有用信號(hào)和干擾信號(hào)，除非采用復(fù)雜的方法。

從圖中可以看出，對(duì)于時(shí)域和DCT域都重疊的有用信號(hào)和干擾信號(hào)，在分?jǐn)?shù)余弦變換域上，通過(guò)簡(jiǎn)單的兩次濾波可以最大程度地消除干擾。

圖2說(shuō)明了這樣一個(gè)事實(shí)，兩次簡(jiǎn)單的變換和濾波能夠更有效地消除干擾和噪聲。對(duì)于噪聲環(huán)境下的語(yǔ)音信號(hào)而言，我們分析它的時(shí)域和DCT域的特性，不難發(fā)現(xiàn)，語(yǔ)音信號(hào)和干擾、噪聲無(wú)論在時(shí)域還是DCT域都是存在著重疊的可能。因此，靠一次降噪處理很難消除干擾和噪聲。

圖2 分?jǐn)?shù)余弦變換(FCT)域上的兩級(jí)濾波示意圖

對(duì)于含噪語(yǔ)音而言，由于噪聲的非平穩(wěn)性，噪聲與語(yǔ)音在時(shí)域和DCT域都有可能重疊，如果變換到分?jǐn)?shù)余弦域上，可以最大程度地將其分開(kāi)。

對(duì)于3周期的離散分?jǐn)?shù)余弦變換而言

考慮到Mel域上的兩級(jí)維納濾波結(jié)構(gòu)，可由兩次不同的分?jǐn)?shù)階余弦變換替換其兩次傅立葉變換。具體思路如下:

首先對(duì)輸入信號(hào)進(jìn)行分?jǐn)?shù)離散余弦變換(FDCT)fa，然后進(jìn)行濾波Ha(x);對(duì)濾波后的信號(hào)再進(jìn)行分?jǐn)?shù)余弦變換fb，再進(jìn)行濾波Hb(x)，然后將輸出信號(hào)進(jìn)行分?jǐn)?shù)余弦變換f3-a-b，這樣又返回到了時(shí)域，取其實(shí)部為濾波后的輸出語(yǔ)音。

3 分?jǐn)?shù)MEL域上的兩級(jí)維納濾波結(jié)構(gòu)

分?jǐn)?shù)Mel域上的兩級(jí)維納濾波沿用了ETSI ES 202 050 V.1.1.3版本規(guī)定的Mel域上的兩級(jí)維納濾波結(jié)構(gòu)。與ETSI ES 202 050 V.1.1.3版本規(guī)定的Mel域上的兩級(jí)維納濾波不同的是，分?jǐn)?shù)Mel域上的兩級(jí)維納濾波的頻譜估計(jì)的是獲取分?jǐn)?shù)幅度譜。不同區(qū)域如圖2中的灰色部分所示。

在分?jǐn)?shù)余弦變換域上，最佳線性濾波比維納濾波效果要好。無(wú)論是ETSI的Mel域上的兩級(jí)維納濾波結(jié)構(gòu)還是分?jǐn)?shù)Mel域上的兩級(jí)維納濾波結(jié)構(gòu)，它們的結(jié)構(gòu)都比較復(fù)雜，反復(fù)的時(shí)域-頻域轉(zhuǎn)換帶來(lái)計(jì)算量的急劇上升，并且不能夠避免由于Mel域參數(shù)較少導(dǎo)致的頻域不連續(xù)性帶來(lái)的時(shí)域截?cái)嘣肼暋?/p>

為了進(jìn)一步降低計(jì)算量并提高性能，本節(jié)用最佳線性濾波器來(lái)代替維納濾波器;為了避免由于Mel域參數(shù)較少導(dǎo)致的頻域不連續(xù)性帶來(lái)的時(shí)域截?cái)嘣肼?，直接在分?jǐn)?shù)余弦變換域上進(jìn)行最優(yōu)線性濾波，該方法稱(chēng)為分?jǐn)?shù)傅立葉域上的兩級(jí)最佳線性濾波結(jié)構(gòu)TSOFF(Two Stage Optimal Filter Based on FDCT:TSOFF)。

分?jǐn)?shù)余弦變換域上的兩級(jí)最佳線性濾波流程如圖3所示。

圖3 分?jǐn)?shù)余弦變換域的兩級(jí)最優(yōu)線性濾波的結(jié)構(gòu)圖

與分?jǐn)?shù)Mel域上兩級(jí)維納濾波相比，分?jǐn)?shù)余弦變換域上兩級(jí)最優(yōu)濾波有以下不同:

(1)采用3周期的離散分?jǐn)?shù)余弦變換代替了分?jǐn)?shù)傅里葉變換;

(2)相關(guān)值估計(jì)代替了頻譜估計(jì);

(3)最優(yōu)濾波代替了維納濾波;

(4)濾波直接在分?jǐn)?shù)余弦變換域上進(jìn)行，省去了一次傅立葉變換，從而使得結(jié)構(gòu)更加簡(jiǎn)單。

4 噪聲環(huán)境下分?jǐn)?shù)余弦變換域上濾波器的性能分析

為了分析上提出的分?jǐn)?shù)余弦變換域上TSMWFF、TSOFF濾波器的性能，本節(jié)針對(duì)不同噪聲環(huán)境下的語(yǔ)音進(jìn)行分析。

在本章所有實(shí)驗(yàn)中，語(yǔ)音數(shù)據(jù)為在實(shí)驗(yàn)室內(nèi)錄制的語(yǔ)音，采樣頻率是8 kHz，采樣位數(shù)8 bit。在純凈語(yǔ)音上疊加高斯白噪聲和非平穩(wěn)噪聲(噪聲源由英國(guó)TNO感知學(xué)會(huì)所屬的荷蘭RSRE語(yǔ)音研究中心提供)。

Mel域上的兩級(jí)維納濾波在各種實(shí)際噪聲環(huán)境下可以取得良好的性能，本章將其作為基線系統(tǒng)，將本章提出的分?jǐn)?shù)Mel域上的兩級(jí)維納濾波與之比較。

表1給出了Mel域兩級(jí)維納濾波器(TSMWF)、分?jǐn)?shù)Mel域兩級(jí)維納濾波器(TSMWFF)、分?jǐn)?shù)余弦變換域上的兩級(jí)最佳線性濾波(TSOFF)在高斯白噪聲(White Noise)、粉紅色噪聲(Pink Noise)、Volvo汽車(chē)噪聲(Volvo Noise)和工廠車(chē)間噪聲(Factory Noise)下的性能比較。

表1 濾波器性能比較 單位:dB

對(duì)照表1可以看出，TSOFF法最佳，TSMWFF法其次，TSMWF法最差。與 TSMWF相比，TSMWFF對(duì)pink噪聲的降噪效果要比其他噪聲要更好一些。

5 小結(jié)

本文針對(duì)語(yǔ)音和噪聲在時(shí)域和變換域重合，而在分?jǐn)?shù)余弦變換域上可能分離的特點(diǎn)，把ETSI ES 202 050 V.1.1.3版本規(guī)定的Mel域上的兩級(jí)維納濾波結(jié)構(gòu)推廣到分?jǐn)?shù)Mel域上，提出了分?jǐn)?shù)Mel域上的兩級(jí)維納濾波結(jié)構(gòu)，獲得了性能的提高。

［1］Ivandro Sanches.Noise-Compensated Hidden Markov Models［J］.IEEE Trans on Speech and Audio Processing，2000，8(5):533-540.

［2］Hwang T H，Lee L M，Wang H C.Cepstral Behavior Due to Additive Noise and a Compensation Scheme for Noisy Speech Recognition［J］.IEE Proc on Vis Image Signal Process，1998，145(5):316-321.

［3］Mansour D，Juang B H.The Short-Time Modified Coherence Representation and Its Application for Noisy Speech Recognition［J］.IEEE Trans Acoust，Speech，Signal Processing，1980，28(4):357-366.

［4］Javier Hernando，Climent Nadeu.Linear Prediction of the One-Sided Autocorrelation Sequence for Noisy Speech Recognition［J］.IEEE Transactions on Speech and Audio Processing，1997，5(1):80-84.

［5］Agarwal A，Cheng Y M.Two-Stage Mel Warped Wiener Filter for RobustSpeech Recognition［C］//The 1999 International Workshop on Automatic Speech Recognition and Understanding(ASRU’99)，December，1999，Keystone，Colorado，USA.

［6］Li Jinyu，Liu Bo，Wang Renhua，et al.A Complexity Reduction of ETSI Advanced Front-End for DSR［C］//Acoustics，Speech，and Signal Processing，2004.Proceedings.(ICASSP ＇04).IEEE International Conference on Volume 1，17-21 May 2004:I-61-4.

［7］Namias V.The Fractional Order Fourier Transform and Its Application to Quantum Mechanics［J］.J Inst Math Applic，1980，25:241-265.

［8］Shih C C.Fractionalization of Fourier Transform［J］.Opt Commun，1995，118:495-498.

［9］Pei S C，Tseng C C，Yeh M H，et al.Discrete Fractional Hartley and Fourier Transforms［J］.IEEE Trans Circuit SystⅡ，1998，45:665-675.

［10］Pei S C，Yeh M H.Discrete Fractional Hadamard Transform［C］//IEEE Int Symp Circuits Syst，June 1999，1485-1488.

［11］Lohmann A W，Mendlovic D，Zalevsky Z，et al.Some Important FractionalTransformations for SignalProcessing［J］.Opt Commun，2003，125:18-20.