和麗華，江 濤，潘文林，楊建香，解雪琴，王 璐，余彩裙

(云南民族大學(xué) 數(shù)學(xué)與計(jì)算機(jī)科學(xué)學(xué)院，云南 昆明 650500)

佤語是跨邊境少數(shù)民族語言，沒有通用的文字，目前國(guó)內(nèi)的佤族主要分布在中國(guó)云南省西南部的滄源縣、西盟縣、孟連縣、耿馬縣、瀾滄縣等地區(qū)，國(guó)外的佤族主要分布在緬甸的東北部山區(qū)，例如佤邦、撣邦等地區(qū).佤族是一個(gè)跨國(guó)界居住的少數(shù)民族[1]，且佤語是佤族主要的交流工具，所以佤語的研究對(duì)國(guó)家安全和文化傳承有重要的意義.

在這個(gè)網(wǎng)絡(luò)信息化飛速發(fā)展的時(shí)代，語音是人們信息交流最直接、最快捷的方式，因此語音信號(hào)處理扮演著越來越重要的角色.20世紀(jì)50年代最早開始了對(duì)語音信號(hào)處理的研究，當(dāng)時(shí)主要是為了解決檢測(cè)語音段和非語音段問題，所提出的算法名稱為VAD(voice activity detection)[2].在語音信號(hào)處理的過程中，端點(diǎn)檢測(cè)是一項(xiàng)特別重要的語音處理技術(shù).常見的端點(diǎn)檢測(cè)方法主要基于以下特征：短時(shí)能量[3]和短時(shí)過零率[4]、熵[5]、倒譜[4]等，這些方法通常只注重特征參數(shù)的提取，卻忽略了語音增強(qiáng)方面的工作，這對(duì)于語音端點(diǎn)檢測(cè)的準(zhǔn)確率產(chǎn)生一定的影響，并且這些方法在高信噪比的環(huán)境下進(jìn)行端點(diǎn)檢測(cè)可以取得較好的效果，但在自然帶噪的語音環(huán)境中，因信噪比較低，此時(shí)的檢測(cè)效果就大不如前.

基于上述考慮，結(jié)合之前的研究工作[6-7]，本文使用了一種基于多窗譜估計(jì)譜減法和能熵比的語音端點(diǎn)檢測(cè)復(fù)合算法對(duì)佤語語音進(jìn)行端點(diǎn)檢測(cè).多窗譜估計(jì)譜減法可以在一定程度上對(duì)含噪語音進(jìn)行減噪，從而獲得較高的信噪比，其次對(duì)去噪后的語音使用能熵比算法進(jìn)行語音端點(diǎn)檢測(cè).通過仿真實(shí)驗(yàn)證明：同常規(guī)能熵比算法相比較，本文使用基于多窗譜估計(jì)譜減法和能熵比的語音端點(diǎn)檢測(cè)復(fù)合算法可以提高對(duì)佤語語音端點(diǎn)檢測(cè)的正確率.

1 佤語的語音特征

佤語屬南亞語系孟高棉語族佤德語支，沒有聲調(diào)，以下分別從元音，輔音，音節(jié)結(jié)構(gòu)3個(gè)方面來分析其特征[8]：

1) 佤語的元音分為單元音與復(fù)合元音，單元音共有18個(gè)，復(fù)合元音又有二合元音和三合元音之分，二合元音有28個(gè)，三合元音有4個(gè).

2) 佤語的輔音分為單輔音與復(fù)輔音，單輔音共有38個(gè)，復(fù)輔音則是由雙唇和舌根塞音p、ph、b、bh、k、kh、g、gh等與邊音l、擦顫音r組成的，共有16個(gè).

3) 佤語的音節(jié)結(jié)構(gòu)數(shù)目較多，但是結(jié)合形式較為整齊規(guī)律，主要可以歸納為12種基本形式(C代表輔音、V代表元音，其音節(jié)結(jié)構(gòu)為V、VV等不計(jì)算在內(nèi)).

表1 佤語的音節(jié)結(jié)構(gòu)

2 研究方法

2.1 多窗譜估計(jì)譜減法去除背景噪音

Thomson在1982年提出了多窗譜估計(jì)[9]，它是一種非參數(shù)直接譜估計(jì)法，首先該方法對(duì)同一數(shù)據(jù)序列加上多個(gè)正交的數(shù)據(jù)窗，其次分別求直接譜，最后求平均得出譜估計(jì).相較于傳統(tǒng)的周期圖法[10]只用一個(gè)數(shù)據(jù)窗而言，多窗譜可以的得到較小的估計(jì)方差，是一個(gè)更加準(zhǔn)確的譜估計(jì)法.

多窗譜定義：

(1)

式(1)中，L為數(shù)據(jù)窗個(gè)數(shù)；Smt為第k個(gè)數(shù)據(jù)窗的譜：

(2)

式(2)中，x(n)為數(shù)據(jù)序列；N為序列長(zhǎng)度；ak(n)為第k個(gè)數(shù)據(jù)窗，它滿足多個(gè)數(shù)據(jù)窗之間的相互正交：

(3)

數(shù)據(jù)窗是一組相互正交的離散橢球序列 DPSS (discrete prolate spheroidal sequences).

多窗譜估計(jì)譜減法[11]具體步驟如下：

Step 1 對(duì)帶噪語音信號(hào)為x(n)進(jìn)行加窗和分幀處理之后記為xi(m)；

Step 2 對(duì)xi(m)做FFT后計(jì)算其幅度譜|Xi(k)|和相位譜θi(k)；

Step 3 使用多窗譜估計(jì)并計(jì)算xi(m)平滑功率譜密度Py(k,i)，并由已知的NIS幀的噪聲段計(jì)算出噪聲的平均功率譜密度值Pn(k)；

因?yàn)楸粰z測(cè)語音段一般都含有噪聲干擾，傳統(tǒng)的語音端點(diǎn)檢測(cè)算法不能有效地檢測(cè)出語音的起始點(diǎn)，所以使用多窗譜估計(jì)譜減法去除背景噪音，以提高被檢測(cè)語音的信噪比.

2.2 能熵比法檢測(cè)語音端點(diǎn)

2.2.1 對(duì)數(shù)能量[12]關(guān)系

設(shè)帶噪語音信號(hào)為x(n)，進(jìn)行加窗、分幀后得到的第i幀語音信號(hào)為xi(m)，幀長(zhǎng)為N.則每一幀的能量為

(4)

引入一種新的對(duì)數(shù)能量

LEi=lg(AMPi+a)+lga.

(5)

式(5)中AMPi是計(jì)算出的每幀短時(shí)線性能量，a是一個(gè)常數(shù).

2.2.2 譜熵[13]

設(shè)帶噪語音信號(hào)為x(n)，進(jìn)行加窗、分幀后得到的第i幀語音信號(hào)為xi(m)，通過FFT變換后，設(shè)第k條譜線頻率分量fk的能量譜為Yi(k)，則每個(gè)頻率分量的歸一化譜概率密度函數(shù)為

(6)

式(6)中，Pi(k)為第i幀第k個(gè)頻率分量fk對(duì)應(yīng)的概率密度；N為FFT長(zhǎng)度.

每個(gè)語音幀的短時(shí)譜熵定義為

(7)

2.2.3 能熵比

能熵比指的是對(duì)數(shù)能量與譜熵的比值，其定義為

(8)

對(duì)于能量來說，有話段語音的能量數(shù)值較大，噪聲段語音的能量數(shù)值較??；而對(duì)于譜熵而言，有話段內(nèi)的譜熵?cái)?shù)值要小于噪聲段的譜熵?cái)?shù)值，所以用能量比上譜熵可以突出有話段的數(shù)值，減小噪聲段的數(shù)值，有效地拉開了有話段語音與噪聲段之間的差距，更容易檢測(cè)出語音的端點(diǎn).

2.3 端點(diǎn)檢測(cè)算法的實(shí)現(xiàn)

具體實(shí)現(xiàn)過程如下：

1) 帶噪語音信號(hào)為x(n)，在進(jìn)行加窗和分幀處理之后的第幀i語音信號(hào)為xi(m)，相鄰幀之間有重疊.

(9)

式(9)中以i幀為中心前后各取M幀，共有2M+1幀進(jìn)行平均.

3) 對(duì)加窗分幀處理后語音信號(hào)xi(m)進(jìn)行多窗譜估計(jì)，計(jì)算出多窗譜功率譜密度P(k,i)(其中i表示第i幀，k表示第k條譜線)：

P(k,i)=PMTM[xi(m)].

(10)

式(10)中PMTM表示進(jìn)行多窗譜功率譜密度估計(jì).

并且對(duì)P(k,i)也做相鄰幀的平滑處理和計(jì)算其平滑功率譜密度Py(k,i)：

(11)

式(11)中以i幀為中心前后各取M幀，共有 2M+1 幀進(jìn)行平均.

4) 由已知的NIS幀的噪聲段，能夠計(jì)算出噪聲的平均功率譜密度值Pn(k)：

(12)

5) 通過譜減關(guān)系來計(jì)算出增益因子

(13)

式(13)中α為過減因子(α>1，α的值越大，同時(shí)剩余的噪聲衰減越大，語音的失真也會(huì)越大)，β為補(bǔ)償增益因子(0<β<1，β的值越大，同時(shí)剩余的噪聲越小，語音的背景噪聲也會(huì)變得越大).

(14)

(15)

8) 由式(5)和式(7)計(jì)算減噪后的語音信號(hào)的對(duì)數(shù)能量LEi和譜熵Hi，再通過式(8)得出能熵比EEFi并且進(jìn)行平滑處理.

9) 設(shè)置高閾值T2,若當(dāng)前幀的能熵比高于T2時(shí)確定為語音段的起始點(diǎn)，若當(dāng)前幀的能熵比不高于T2時(shí)，則取下一幀的能熵比與T2比較，重復(fù)步驟9)，直到檢測(cè)到語音起始點(diǎn).

10) 檢測(cè)到語音的起始點(diǎn)后，設(shè)置低閾值T1，若當(dāng)前幀的能熵比低于T1時(shí)確定是為語音段的終止點(diǎn)，若當(dāng)前幀的能熵比不低于T1時(shí)，則取下一幀的能熵比與T1比較，重復(fù)步驟10)，直到檢測(cè)到語音終止點(diǎn).

11) 重復(fù)步驟9)、10)直至語音段結(jié)束.

3 實(shí)驗(yàn)

3.1 實(shí)驗(yàn)環(huán)境

實(shí)驗(yàn)環(huán)境：Windows10操作系統(tǒng)，CPU為Inteli3，內(nèi)存為8GB，運(yùn)行軟件為Matalab2018.

3.2 實(shí)驗(yàn)數(shù)據(jù)

實(shí)驗(yàn)選用50個(gè)佤語孤立詞音頻文件進(jìn)行測(cè)試，均在錄音棚內(nèi)錄制.一共是由2位不同發(fā)音人(1男1女)共同錄制，每人25個(gè)詞.

3.3 實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證本文算法對(duì)于佤語語音端點(diǎn)檢測(cè)的準(zhǔn)確率，使用Matalab工具對(duì)50個(gè)佤語孤立詞音頻文件進(jìn)行仿真實(shí)驗(yàn).實(shí)驗(yàn)分別采用常規(guī)能熵比法和基于多窗譜估計(jì)譜減法及能熵比法的復(fù)合算法對(duì)50個(gè)佤語孤立詞的音頻文件進(jìn)行端點(diǎn)檢測(cè)，通過比較其準(zhǔn)確率可以看出兩個(gè)算法在低信噪比環(huán)境下端點(diǎn)檢測(cè)的性能.

下面以佤語“今天”的錄音文本為例.(橫坐標(biāo)表示幅值，縱坐標(biāo)表示時(shí)間，實(shí)線表示語音段的起始點(diǎn)，虛線表示語音段的終止點(diǎn))

圖2為佤語語音“今天”的原始語音波形圖，從圖2中可以清楚看到佤語語音“今天”的起始點(diǎn)(實(shí)線標(biāo)注)和終止點(diǎn)(虛線標(biāo)注)，不難看出起始點(diǎn)和終止點(diǎn)前后都有一段噪音的波形，同時(shí)這段噪音音波形也覆蓋在待檢測(cè)的語音波形上，這會(huì)使端點(diǎn)檢測(cè)算法將噪聲檢測(cè)為有效語音段，導(dǎo)致算法對(duì)語音起始點(diǎn)與終止點(diǎn)的誤判.

圖3為佤語“今天”的短時(shí)能熵比的端點(diǎn)檢測(cè)圖，圖中橫著的實(shí)線表示高閾值T2，橫著的虛線表示低閾值T1.從圖3中可以明顯看出佤語“今天”的前半段語音完全被漏檢，造成漏檢的主要原因是實(shí)驗(yàn)所使用的語音是含有一定噪聲的且佤語“今天”前半段語音的對(duì)數(shù)能量值較小，導(dǎo)致其短時(shí)能熵比(能量與譜熵的比值)的值沒有高于高閾值T2，所以端點(diǎn)檢測(cè)算法沒有將其檢測(cè)為有效語音段.這樣得到的佤語語音端點(diǎn)檢測(cè)結(jié)果會(huì)導(dǎo)致語音切分的不完整，對(duì)后續(xù)佤語語音識(shí)別工作存在較大的影響.

圖4、圖5分別為佤語語音“今天”多窗譜減后語音波形圖和短時(shí)能熵比的端點(diǎn)檢測(cè)圖，圖中橫著的實(shí)線表示高閾值T2，橫著的虛線表示低閾值T1.對(duì)比圖2原始語音波形圖與圖4中的譜減后語音波形圖，可以明顯看出使用多窗譜估計(jì)譜減法對(duì)原始語音減噪后，能有效避免端點(diǎn)檢測(cè)算法將噪聲段檢測(cè)為有效語音段。再使用能熵比算法進(jìn)行端點(diǎn)檢測(cè)時(shí)，對(duì)于佤語“今天”前半段語音的漏檢的問題得到了明顯的改善，檢測(cè)結(jié)果的準(zhǔn)確率明顯提高。

從圖3和圖5中可以看出，在低信噪比環(huán)境下，常規(guī)能熵比端點(diǎn)檢測(cè)算法并沒有完整地檢測(cè)到語音中所有的有效語音段，但是由于語音的完整性對(duì)于后續(xù)的語音識(shí)別工作尤為重要，所以本文采用多窗譜估計(jì)譜減法對(duì)語音進(jìn)行減噪以提升信噪比，再結(jié)合能熵比法進(jìn)行端點(diǎn)檢測(cè)，能將每一個(gè)音都完整地檢測(cè)到.

通過對(duì)50個(gè)佤語音頻文件進(jìn)行多次仿真實(shí)驗(yàn)，可以得到采用能熵比法和本文算法對(duì)佤語語音端點(diǎn)檢測(cè)的準(zhǔn)確率如表2所示

表2 采用不同算法的準(zhǔn)確率

通過表2看出，常規(guī)能熵比算法對(duì)50個(gè)佤語音頻文件檢測(cè)正確的個(gè)數(shù)有24個(gè)，準(zhǔn)確率僅為48%，而本文算法檢測(cè)正確的個(gè)數(shù)有41個(gè)，準(zhǔn)確率為82%.本文算法與常規(guī)能熵比算法相比，準(zhǔn)確率提高了34%.由此可見，采用多窗譜估計(jì)譜減法對(duì)語音進(jìn)行減噪后，再結(jié)合能熵比法進(jìn)行佤語語音的端點(diǎn)檢測(cè)，能有效避免噪音對(duì)佤語語音檢測(cè)的干擾，較大程度上提高算法的準(zhǔn)確率，為后續(xù)語音識(shí)別工作奠定了基礎(chǔ).

4 結(jié)語

目前的語音端點(diǎn)檢測(cè)算法在無噪環(huán)境下的準(zhǔn)確率已經(jīng)達(dá)到令人滿意的效果，但在實(shí)際應(yīng)用中由于噪聲和環(huán)境的影響會(huì)使其性能顯著下降.為了提高在低信噪比環(huán)境下佤語語音端點(diǎn)檢測(cè)的準(zhǔn)確率，本文算法將多窗譜估計(jì)譜減法降噪以提升信噪比和能熵比端點(diǎn)檢測(cè)相結(jié)合，綜合了多窗譜估計(jì)譜減法保留了降噪后的清音、摩擦音和能熵比法突出語音段與噪聲段區(qū)別的優(yōu)點(diǎn)，改善了常規(guī)能熵比算法在低信噪比環(huán)境下準(zhǔn)確率低的情況.通過理論分析和借助Matlab工具對(duì)佤語語音進(jìn)行仿真實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明：同常規(guī)的能熵比法相比，準(zhǔn)確率提高了34%，驗(yàn)證了其可行性和有效性，有利于后續(xù)語音識(shí)別工作的準(zhǔn)確性.后續(xù)的工作是對(duì)于語音中兩個(gè)基元粘連的情況進(jìn)行有效的端點(diǎn)檢測(cè)并進(jìn)行切分，為以后的語音識(shí)別工作做前期準(zhǔn)備.