云南機(jī)電職業(yè)技術(shù)學(xué)院 陳瑤玲

1 引言

語音信號不僅可以傳遞語義信息，還可以傳遞語種信息，說明語音信號中包含了語種信息特征，語種識別的特征參數(shù)提取就是利用數(shù)字信號處理的方法，從語音信號中把這些特征參數(shù)提取出來，以實(shí)現(xiàn)語種識別。在語種識別中對特征參數(shù)的要求是：(l)能有效地代表各語種特征，具有很好的區(qū)分性；(2)各階參數(shù)之間具有良好的獨(dú)立性和魯棒性；(3)特征參數(shù)的計(jì)算要簡單方便，要可以擁有高效的計(jì)算方法，用以保證語種識別算法的快速實(shí)現(xiàn)。在本文中，主要介紹美爾頻率倒譜系數(shù)（Mel Frequency Cepstral Coefficients，MFCC）、線性預(yù)測倒譜系數(shù)（LPCC）、第一共振峰（F1）、基音頻率（F0）、短時(shí)能量（En）、韻律節(jié)奏等6種聲學(xué)特征參數(shù)及其派生參數(shù)。

2 特征參數(shù)

2.1 美爾頻率倒譜系數(shù)

美爾頻率倒譜系數(shù)（Mel Frequency Cepstral Coefficients，MFCC）[1]考慮了人耳的感知頻率以及音強(qiáng)時(shí)具有的非線性特性，被認(rèn)為具有良好的語音識別性能和抗噪聲能力，現(xiàn)在已被廣泛的應(yīng)用于語種識別和說話人識別中。

2.2 線性預(yù)測倒譜系數(shù)（LPCC）

線性預(yù)測倒譜參數(shù)(LPCC)已被廣泛地應(yīng)用在語音識別上[2]。由于倒頻譜(Cepstrum)具有將頻譜上的高低頻分開的優(yōu)點(diǎn)，所以只要取前面幾項(xiàng)參數(shù)，就可以代表語音信號的特性，使得識別率提高，線性預(yù)測倒譜參數(shù)就是屬于倒頻域上的語音特征。

2.3 第一共振峰（F1）

第一共振峰代表了發(fā)音信息的直接來源，是反映聲道特性的重要參數(shù)，人在語音感知中也利用了共振峰信息。一般認(rèn)為共振峰信息包含在語音頻譜包絡(luò)中，譜包絡(luò)中的最大值就是共振峰。

線性預(yù)測分析可以導(dǎo)出聲道濾波器，根據(jù)聲道濾波器就可以找出共振峰。一般來說，共振峰采用基于線性預(yù)測的方法估計(jì)頻譜包絡(luò)。

2.4 基音頻率（F0）

用來反映語音激勵(lì)源參數(shù)的叫基音頻率，對于像漢語這樣有聲調(diào)的語言，基音頻率是語音信號中非常重要的參數(shù)。發(fā)濁音時(shí)聲帶振動的周期性稱為基音周期，基音頻率就是基音周期的倒數(shù)。因?yàn)榛糁芷诘臏?zhǔn)周期性，可以采用基音檢測 (Pitch detection)的方法來計(jì)算基音周期，而實(shí)際上這就是一種進(jìn)行短時(shí)平均的方法，基音頻率就是這個(gè)參數(shù)的倒數(shù)。基音頻率是重要的超音段特征。

要計(jì)算基音頻率，基音檢測是一個(gè)需要重點(diǎn)研究的課題?；魴z測主要分為預(yù)處理、自相關(guān)基音檢測、基音檢測后處理等部分。然而迄今為止，雖然提出了許多種基音檢測的方法，但這些方法都存在它們的局限性，至今尚未找到一個(gè)可以適用于不同語種、不同環(huán)境的基音檢測方法。

2.5 短時(shí)能量（En）

短時(shí)能量首先可以用來區(qū)分清音和濁音，語音信號中濁音部分的能量要遠(yuǎn)遠(yuǎn)大于清音部分的能量，在語音信號中進(jìn)行短時(shí)能量分析，主要是用來描述語音幅度及能量的變化。處理語音信號時(shí)，短時(shí)能量一般采用一維參數(shù)來描述語音信號能量的大小以及超音段的信息。

2.6 韻律節(jié)奏

在自然語音中，人們利用重音，節(jié)奏和語調(diào)等方式來表達(dá)情感和意義，這些特征是自然語音的重要組成部分。

重音，節(jié)奏和語調(diào)這些特征是通過特征頻率，音強(qiáng)，音高，音長的變化而表現(xiàn)出來的，因此韻律節(jié)奏參數(shù)的提取是把每個(gè)語種識別的語句音節(jié)數(shù)與語句發(fā)音時(shí)間的比值作為語速特征參數(shù)，統(tǒng)計(jì)每個(gè)語句中有聲段和無聲段的比例，得到2維的韻律特征參數(shù)集。

3 總結(jié)

根據(jù)以往實(shí)驗(yàn)結(jié)果可以看出，基音頻率應(yīng)用在語種識別中的一個(gè)較優(yōu)越的特征。這也和以往的很多相關(guān)的研究是吻合的[3][4]，基音頻率（F0）是語種識別中區(qū)分效果最好的一類特征，它在不同語種之間的差異性最好。實(shí)驗(yàn)結(jié)果也表明，MFCC參數(shù)的識別效果也不錯(cuò)，這也是因?yàn)镸FCC參數(shù)表現(xiàn)的是語音的頻譜信息，而頻譜信息的變化對語種識別的貢獻(xiàn)比較大。短時(shí)能量（En）和第一共振峰（F1）在實(shí)驗(yàn)中也有不錯(cuò)的表現(xiàn)，它們的識別效果相近，也可以選作進(jìn)行語種識別的特征。韻律節(jié)奏的識別率最低，說明韻律節(jié)奏是所采用的特征中用于語種識別最不適合的特征參數(shù)。

[1]徐翔俊,畢福昆,楊鑒.基于支持向量機(jī)的民族語口音識別[J].計(jì)算機(jī)工程與應(yīng)用,2008,44(13),pp.71-73.

[2]M Sugiyama. Automatic Language Recognition Using Acoustic Features. International Conference on Acousti[C].Speech and Signal Proeessing.Toronto,1991,pp.423-430.

[3]徐永華,楊鑒,陳江,陳瑤玲.一個(gè)面向少數(shù)民族語種識別的電話語音數(shù)據(jù)庫[J].第十屆全國人機(jī)語音通訊學(xué)術(shù)會議,蘭州,2009,pp.54-57.

[4]S Yildirimeral,An acoustic study of emotions expressed in speech[C].ICSLP-2004,2004,pp.2193-2196.