李冬梅，劉冀川

(中國電子科技集團公司第五十四研究所，河北石家莊050081)

0 引言

語音變速處理是將所輸入的語音信號以任意的速度(慢或快)播放，這在目前是一項十分流行的語音處理技術，在語音合成、語音識別和頻譜分析等方面有著廣泛應用前景，引起了很多研究者的關注。對于數(shù)字語音信號，在改變其播放速度方面，傳統(tǒng)技術是通過改變輸出的采樣率來實現(xiàn)，但這種方法會導致音調和音色發(fā)生變化，語音效果變差，嚴重時甚至無法識別語音內(nèi)容。為了達到變速不變調的效果，可以利用自相關函數(shù)、短時平均幅度差函數(shù)、倒譜法和小波變換等構成的基音檢測法以及基于參數(shù)編碼的LPC算法等，但這些方法在硬件設計和實現(xiàn)時比較繁瑣。本文根據(jù)基音波形的概念，在時域上對基音波形的復制和抽取，實現(xiàn)了語音的變速不變調處理和FPGA的實現(xiàn)。

1 語音變速的理論依據(jù)

從物理原理來看，語音信號是由肺擠壓出的空氣激勵發(fā)聲器官帶來的震動產(chǎn)生的。說話時聲帶相互靠攏但不完全封閉，這樣聲門變成一條窄縫，當氣流通過時壓力減小，從而聲帶完全合攏使氣流不能通過，在氣流被阻斷時壓力恢復正常，因而聲帶間的空隙形成，氣流再次通過。這一過程周而復始，就形成了一串周期性的脈沖氣流送入聲道。這個脈沖串的周期稱為“基音周期”，其倒數(shù)是“基音頻率”。這種方式發(fā)出的音為濁音。語音的另一種產(chǎn)生方式是聲門完全閉合，此時聲道不是受聲門周期脈沖氣流的激勵，而是利用口腔內(nèi)存有的空氣釋放出來而發(fā)聲。該氣流在口腔中形成湍流，因而帶有明顯的隨機噪聲的特點。這種方式發(fā)出的音為清音。語音產(chǎn)生過程的物理近似［1］過程如圖1所示。

圖1 語音信號產(chǎn)生的離散時域模型

根據(jù)以上發(fā)音原理可知，任何發(fā)聲行為都有振動過程，即必須有作用力使物體產(chǎn)生振動，從而產(chǎn)生聲波，這個作用力是間歇的，而非連續(xù)的。被振動的物體在前一作用力消除之后、后一作用力到來之前，產(chǎn)生回復到原狀態(tài)的運動，這樣便產(chǎn)生了振動。語音信號就是這種機械振動的電表現(xiàn)，其波形與機械振動相對應，所以在十分小的時間間歇內(nèi)，它應該可被看作是由微小的阻尼振動波所組成的，如圖2所示。這些微小的且具有實際含義的一段阻尼振動波被稱為基音波形，即音元。任何語音信號都是由音元連接構成的。一段語音信號如圖3所示，這段語音信號中包含了3個音元［2］。

圖2 阻尼振動波的波形

圖3 語音信號

語音信號的每一種語素實際上由一種基音波形的不斷重復產(chǎn)生，基音波形的頻譜決定了語音的頻譜特性，而重復的周期數(shù)則決定了語素的時間長度。因此，要實現(xiàn)變速不變調，就需要找出基音波形，然后修改基音波形的數(shù)據(jù)。比如，要實現(xiàn)聲音慢放1倍的變化，即原來正常放1 min的內(nèi)容，現(xiàn)在要放2 min，只需要重復一次基音波形;而實現(xiàn)聲音快放1倍的變化，即原來正常放1 min的內(nèi)容，現(xiàn)在要放0.5 min，則可以每隔一個基音波形刪除一個，就能夠實現(xiàn)聲音變速不變調。根據(jù)試驗觀察，音元長度通常短于20 ms。由于人耳有聽覺殘留的現(xiàn)象，所以取20 ms長的語音信號為一個音元。

2 語音變速的算法實現(xiàn)

為了保證語音信號改變播放速率的同時，信號相對強弱、頻率、音調和音色等特征不變，在原語音信號中增加或減少聲音信息來保持單位時間內(nèi)重放出的信息量不變，主要考慮的問題是在什么地方插入或刪除聲音信息、插入或刪除怎樣的信息。

語音變速處理包括語音變慢處理和變快處理。語音變慢處理是在部分或所有音元后插入一段信息單元。在確定了插入的聲音信息的位置后，需進一步確定插入多少聲音信息，插入的信息單元可以是空白信號、插入點前一小段信號和經(jīng)衰減的插入點前一小段信號。經(jīng)驗證，插入點前一小段信號效果較好，方法較簡單。語音變快處理是刪除部分音元，將未刪除的音元緊縮連接起來。處理方法如下:

①確定播放速率R，R為經(jīng)過處理后的語音播放速度與原始速度的比值;

②采集語音信號，以音元為單位切割語音信號，并按順序對音元進行標記，標記表示該音元在語音中的位置，如表1所示，原始語音信號的每個音元編號為0～n。

表1 定位誤差隨張角大小的變化

③對語音信號進行變速處理，以n/R向下取整后重新標記音元。將重新標記后的音元拼接在一起，如表1所示。慢放時，原速第4個音元放在了第5個的位置，中間空缺的音元補成前一個音元，后面的依此類推;快放時，原速第3個和第4個音元都重新標記為2，即刪除第4個音元，把第3個音元放在位置2，后面的依此類推。

④拼接時，拼接點處引起跳變，會有噪聲。采用加權濾波，將拼接的前一個音元的后幾個點與后一個音元的前幾個點加權相加，有效地去除了噪聲。

3 算法的FPGA實現(xiàn)

語音播放變速率FPGA實現(xiàn)的系統(tǒng)框圖如圖4所示。

圖4 語音播放變速率系統(tǒng)

將采集到的語音信號以音元為單位存儲到FPGA內(nèi)部RAM，將存儲的數(shù)據(jù)進行處理(如濾波等)，然后根據(jù)播放速率R，將存儲的音元進行重新編號，存入另一個內(nèi)部FIFO中，將存入的數(shù)據(jù)按原采樣率放出即可實現(xiàn)語音的快放或慢放。

4 實驗結果

上述設計采用VHDL語言，并用Modelsim進行功能驗證。設計的實驗結果如圖5所示，它是將仿真得到的二進制語音數(shù)據(jù)經(jīng)MATLAB轉換為波形文件格式后顯示的時域波形。語音“Lesson one”原速播放時語音波形，時長625 ms，如圖5(a)所示;R=0.8慢放時語音波形，時長781 ms，如圖5(b)所示;R=1.5快放時語音波形，時長416 ms，如圖5(c)所示?？梢钥闯?，語音波形基本保持一致，并無明顯的噪聲引入。基因波形沒有改變，語音的頻譜特征就沒有改變，即實現(xiàn)了語音播放變速不變調。

圖5 語音變速波形圖比較

5 結束語

采用上述的語音播放變速不變調算法分別測試了漢語、英語、日語、韓語、法語和德語等多種語言，通過試聽，由于語調不變，可懂度的主觀MOS分可以達到4以上。采用的方法簡單直觀、速度快、專用資源少，更適合于集成電路的實現(xiàn)。

［1］谷源濤，應啟珩，鄭君里.信號與系統(tǒng)－MATLAB綜合試驗［M］.北京:高等教育出版社，2008:108－119.

［2］蘇 勇.音頻信號保真變速處理方法［P］.中國:1145519A，1997.

［3］韓紀慶，張 磊，鄭鐵然.語音信號處理［M］.北京:清華大學出版社，2004:11－41.

［4］趙 力.語音信號處理［M］.北京:機械工業(yè)出版社，2003:20－30.

［5］POHLMANN K C.數(shù)字音頻原理與應用［M］.蘇 菲，譯.北京:電子工業(yè)出版社，2002:13－30.

［6］易克初，田 斌，付 強.語音信號處理［M］.北京:國防工業(yè)出版社，2000:51－58.

［7］韓 慧，王繼祥.一種提高語音干擾效果評估準確度的方法［J］.無線電工程，2011，41(3):17 －19.

［8］徐大為，吳邊，趙建偉，等.一種噪聲環(huán)境下的實時語音端點檢測算法［J］.計算機工程與應用，2003(1):115－117.

［9］ROUAT J，LIU Y C，MORISSETTE D.A Pitch Determination and Voiced/Unvoiced Decision Algorithm for Noisy Speech［J］.Speech Comm，1997，21(3):191 －200.

［10］王曉亞，魯玉海.語音的端點檢測處理技術［J］.無線電工程，2010，40(2):16 －18.

［11］劉 驍，張海燕，劉鎮(zhèn)清.一種變速語音音調復原的處理方法［J］.電聲技術，2000(7):7－9.