王鐘斐

（寶雞文理學(xué)院 數(shù)學(xué)與信息科學(xué)學(xué)院，陜西 寶雞 721013）

基于雙門限-頻帶方差的語音端點(diǎn)檢測(cè)方法研究

王鐘斐

（寶雞文理學(xué)院 數(shù)學(xué)與信息科學(xué)學(xué)院，陜西 寶雞 721013）

為了提高語音信號(hào)端點(diǎn)檢測(cè)的準(zhǔn)確率，提出了一種基于雙門限-頻帶方差的檢測(cè)方法。該方法將語音信號(hào)短時(shí)能量、短時(shí)過零率和頻帶方差結(jié)合起來，作為檢測(cè)語音信號(hào)起始位置和終止位置的參數(shù)。仿真實(shí)驗(yàn)表明，該方法比傳統(tǒng)方法更有效、更優(yōu)越，能夠比較準(zhǔn)確地檢測(cè)語音信號(hào)。

端點(diǎn)檢測(cè)；短時(shí)能量；短時(shí)過零率；頻帶方差；語音信號(hào)

在對(duì)語音信號(hào)進(jìn)行分析處理之前必須把要分析的語音信號(hào)從輸入信號(hào)中找出來，這項(xiàng)工作叫語音信號(hào)的端點(diǎn)檢測(cè)［1］。而端點(diǎn)就是語音信號(hào)的有效起始位置和終止位置，其中含有音節(jié)、因素、詞素等的起始位置和終止位置。端點(diǎn)檢測(cè)工作就是把信號(hào)中有用的部分、感興趣的部分從原始信號(hào)中提取出來，與其他無關(guān)聯(lián)的部分分離開。通俗地講，端點(diǎn)檢測(cè)就是找出輸入信號(hào)中攜帶語音信息的部分信號(hào)，為進(jìn)行各種分析處理工作提高操作對(duì)象，這就是語音端點(diǎn)檢測(cè)工作的目的。

目前，在語音信號(hào)處理系統(tǒng)中有很多端點(diǎn)檢測(cè)方法［2］，這些方法在信噪比較高的環(huán)境下效果還是比較不錯(cuò)的。但是，當(dāng)信噪比比較低時(shí)，這些傳統(tǒng)的檢測(cè)方法效果不太理想，不能較準(zhǔn)確的檢測(cè)出攜帶語音信息的部分信號(hào)。一般情況下，用短時(shí)能量鑒別端點(diǎn)在背景噪聲較小時(shí)比較為有效，而使用短時(shí)平均過零率鑒別端點(diǎn)在背景噪聲較大時(shí)比較為有效。

語音和噪聲的頻譜特性差異是很大的。在噪聲的頻譜中，各頻帶之間變化很平緩，這與“白噪聲”的稱謂相符；而語音則是有“色”的，各頻帶之間變化比較激烈。根據(jù)這一特征可以很明顯的區(qū)分語音和噪聲［3］。頻帶方差檢測(cè)法是將每幀信號(hào)的短時(shí)頻帶方差作為參數(shù)，利用了信號(hào)的頻率信息。

為提高語音信號(hào)端點(diǎn)檢測(cè)效果，文中提出了一種基于雙門限—頻帶方差的檢測(cè)方法，該方法將語音信號(hào)短時(shí)能量、短時(shí)過零率和頻帶方差結(jié)合起來，作為檢測(cè)語音信號(hào)起始位置和終止位置的參數(shù)，最后通過仿真實(shí)驗(yàn)說明了該法取得了較好的效果。

1　傳統(tǒng)雙門限端點(diǎn)檢測(cè)方法

傳統(tǒng)雙門限的端點(diǎn)檢測(cè)方法把語音短時(shí)能量和過零率結(jié)合起來，利用二者進(jìn)行檢測(cè)。該方法采用兩級(jí)判別法，首先用語音的短時(shí)能量E判別，在此基礎(chǔ)上再用過零率進(jìn)行第二次判別。做第一級(jí)判別時(shí)，通常采用雙門限方法。如圖1所示，根據(jù)短時(shí)能量首先選擇一個(gè)較高的門限R1，信號(hào)的能量大多在門限R1之上。可知：語音的起始位置和終止位置在該門限與短時(shí)能量包絡(luò)交點(diǎn)所對(duì)應(yīng)的時(shí)間間隔之外 （即AB段向外）［4］。然后根據(jù)噪聲平均能量確定一個(gè)較低的門限R2，找到短時(shí)能量包絡(luò)與門限R2的兩個(gè)交點(diǎn)C和D，而CD段就是所判定的語音段。接下來作第二級(jí)判別，這次以短時(shí)平均過零率Z為依據(jù)，從CD段之外的信號(hào)段去搜索短時(shí)平均過零率包絡(luò)與某個(gè)門限M3的交點(diǎn)E、F，如圖2。E和F就是語音段的起始位置和終止位置。

圖1　基于短時(shí)能量端點(diǎn)檢測(cè)原理

圖2　基于短時(shí)過零率端點(diǎn)檢測(cè)原理

2　頻帶方差端點(diǎn)檢測(cè)方法

計(jì)算某一幀信號(hào)的各頻帶能量的方差，將這種以短時(shí)頻帶方差作為參數(shù)檢測(cè)語音段起止端點(diǎn)的方法稱為頻帶方差檢測(cè)法［3］。

定義一個(gè)矢量X=｛x（ω0），x（ω1），…，x（ωn）｝，其中的分量x（ωi）定義為中心頻率為ωi的濾波器的輸出能量，它可以根據(jù)一幀信號(hào)通過一帶通濾波器來計(jì)算，也可以首先計(jì)算一幀信號(hào)的FFT，然后把幾個(gè)頻率分量組合而得。對(duì)于數(shù)字信號(hào)，最低頻是0，最高頻是π，其余各中心頻率按一定規(guī)則從0至π通增。

定義均值為

則頻帶方差為

檢測(cè)門限M，在實(shí)際應(yīng)用中，具體門限值可以根據(jù)實(shí)際環(huán)境的背景噪聲特性來確定。一般取M=（3～5）Dr，Dr為背景噪聲的頻帶方差值。

3　基于雙門限—頻帶方差的語音端點(diǎn)檢測(cè)方法

為了更為準(zhǔn)確的檢測(cè)語音信號(hào)的起止位置，文中提出了一種基于雙門限—頻帶方差的檢測(cè)方法，該方法將語音信號(hào)短時(shí)能量、短時(shí)過零率和頻帶方差結(jié)合起來，作為檢測(cè)語音信號(hào)起始位置和終止位置的參數(shù)，其計(jì)算步驟如下：

1）對(duì)語音信號(hào)進(jìn)行分幀加窗處理。

語音信號(hào)是時(shí)變的，為便于對(duì)其進(jìn)行分析，要將其分成一段一段的，每段信號(hào)稱為一幀，每幀長(zhǎng)度一般為10～30ms，認(rèn)為在這個(gè)小時(shí)間段內(nèi)語音信號(hào)是平穩(wěn)的。用加窗函數(shù)來將語音信號(hào)分幀，文中采用漢明窗來處理。

2）計(jì)算每幀信號(hào)的短時(shí)能量。

短時(shí)能量是語言信號(hào)強(qiáng)度的度量參數(shù)，反映語音信號(hào)的幅度變換。語音信號(hào)｛x（n）｝的短時(shí)能量定義為如下的表達(dá)式：

其中，h（n）為線性濾波器的單位沖擊響應(yīng)，且h（n）=ω2（n），En表示在信號(hào)的第n個(gè)點(diǎn)開始加窗函數(shù)時(shí)的短時(shí)能量。

3）計(jì)算每幀信號(hào)的短時(shí)平均過零率。

短時(shí)平均過零率指每幀信號(hào)通過零值的次數(shù)，可在一定程度上反映語音信號(hào)｛x（n）｝的頻譜性質(zhì)。其定義如下：

其中，sgn［·］是符合函數(shù)，即

4）計(jì)算每幀信號(hào)的短時(shí)頻帶方差。

以信號(hào)的短時(shí)能量、短時(shí)過零率和短時(shí)頻帶方差作為參數(shù)，按照本文的基于雙門限—頻帶方差的語音端點(diǎn)檢測(cè)方法檢測(cè)語音段起止端點(diǎn)。

4　仿真實(shí)驗(yàn)分析

用普通計(jì)算機(jī)麥克風(fēng)錄入說話人的語音，將其保存為.wav文件，以漢語拼音a的.wav文件為例，進(jìn)行說明。首先對(duì)給語音a以randn函數(shù)加入隨機(jī)噪聲，然后分別用基于短時(shí)能量、基于過零率和文中的基于雙門限—頻帶方差的方法對(duì)染噪語音進(jìn)行端點(diǎn)檢測(cè)。得到結(jié)果如圖3～圖7。

圖3　原始語音波形

圖4　染噪語音波形

圖5　基于短時(shí)能量端點(diǎn)檢測(cè)

圖6　基于過零率端點(diǎn)檢測(cè)

圖7　本文的端點(diǎn)檢測(cè)方法

表1　不同端點(diǎn)檢測(cè)方法的準(zhǔn)確率

從上面圖中波形和表中數(shù)據(jù)可知：文中方法無論對(duì)原始信號(hào)還是對(duì)染噪信號(hào)進(jìn)行端點(diǎn)檢測(cè)，都有很好的效果，在波形上要比基于短時(shí)能量、過零率的方法清晰，在數(shù)據(jù)上要更加的準(zhǔn)確，從而說明了文中方法的有效性和優(yōu)越性。

5　結(jié)束語

首先，文中介紹了傳統(tǒng)雙門限端點(diǎn)檢測(cè)方法；其次，討論了頻帶方差端點(diǎn)檢測(cè)方法［5］；再次，提出了基于雙門限—頻帶方差的語音端點(diǎn)檢測(cè)方法［6-9］，該方法在傳統(tǒng)基于能量和過零率的端點(diǎn)檢測(cè)方法基礎(chǔ)上，再加入每幀信號(hào)的頻帶方差；最后，用MATLAB軟件做仿真實(shí)驗(yàn)，依次用4種方法對(duì)語音信號(hào)進(jìn)行端點(diǎn)檢測(cè)，實(shí)驗(yàn)表明文中的方法取得了比傳統(tǒng)方法更為理想的結(jié)果。

當(dāng)然，文中的方法還有一定的不足之處，如：文中方法在較高噪聲下能否也得到較為準(zhǔn)確的檢測(cè)結(jié)果？這是今后工作中亟待解決的問題。

［1］趙力.語音信號(hào)處理［M］.北京:機(jī)械工業(yè)出版社,2003.

［2］顧亞強(qiáng),趙暉,昊波.一種語音信號(hào)端點(diǎn)檢測(cè)的改進(jìn)方法［J］.計(jì)算機(jī)仿真,2010,27（5）:340-343.

［3］王炳錫,屈丹,彭煊等.實(shí)用語音識(shí)別基礎(chǔ)［M］.北京:國防工業(yè)出版社,2005.

［4］侯周國.基于HMM的漢語數(shù)字語音識(shí)別系統(tǒng)研究［D］.湖南:湖南師范大學(xué),2006.

［5］戴秋芳,吳曉軍.基于諧波分析的頻帶方差端點(diǎn)檢測(cè)方法［J］.計(jì)算機(jī)仿真,2009,26（8）:330-333.

［6］韓紀(jì)慶,張磊,鄭鐵然.語音信號(hào)處理［M］.北京：清華大學(xué)出版社,2004.

［7］朱旭東.低成本播放大功率高保真數(shù)字語音的信號(hào)方法及快速驗(yàn)證方法［J］.電子設(shè)計(jì)工程，2016（7）：125-128.

［8］張震，王化清.語音信號(hào)特征提取中Mel倒譜系MFCC的改進(jìn)算法［J］.計(jì)算機(jī)工程與應(yīng)用，2008（22）：54-55.

［9］趙力，王治平，盧韋 ,等.全局和時(shí)序結(jié)構(gòu)特征并用的語音信號(hào)情感特征識(shí)別方法［J］.自動(dòng)化學(xué)報(bào)，2004（3）：423-429.

Speech endpoint detection m ethod research based on double threshold-frequency band variance

WANG Zhong-fei
（School ofMathematics and Information Science，BaojiUniversity of Arts and Sciences，Baoji721013，China）

In order to increase the accuracy of speech endpoint detection，the speech endpoint detection method based on double threshold-frequency band variance is proposed.The speech signal short-time energy，short-time zero-crossing rate and frequency band variance is combined asa parameter to detect the starting position and ending position ofspeech signals in this method.Simulation experiment shows that thismethod ismore effective and more superior than traditionalmethods，which could comparative accuratly detectspeech signal.

endpoint detection；short-time energy；short-time zero-crossing rate；frequency band variance；speech signal

TN912.3

A

1674-6236（2016）19-0086-03

2015-10-11稿件編號(hào)：201510055

陜西省教育廳科研計(jì)劃項(xiàng)目資助（2013JK0601）；寶雞文理學(xué)院院級(jí)重點(diǎn)項(xiàng)目（ZK12093）

王鐘斐（1983—），女，陜西咸陽人，碩士，講師。研究方向：數(shù)據(jù)挖掘與網(wǎng)絡(luò)安全等。