趙 霞

(西安航空學院 能源與建筑學院，西安 710077)

0 引 言

語音的端點檢測、音節(jié)劃分、聲韻分割、濁清判決等對語音信號的后續(xù)處理，如消噪、語音識別都有重要應用。目前最常用的幾種方法有：能量、倒譜、頻譜特征、譜熵[1]、過零率、自相關(guān)函數(shù)，以及它們的組合形式，如能零積[2]。在低噪環(huán)境下，很多方法都能夠檢測出語音端點和清音、濁音；部分方法，如能量法能夠很好地區(qū)分清音濁音或者濁音和背景噪聲。然而，清音作為絕大部分漢語詞語的起點，其檢測不僅有一定難度，而且是否準確對語音識別性能影響頗大[3]。

從產(chǎn)生原理上講，濁音是通過聲門調(diào)制、聲道影響和口腔輻射沖擊序列發(fā)出的一組能量并且具有一定規(guī)律性的語音；而清音則更像白噪聲，氣流的摩擦、爆破卻沒有聲帶的震動。因此，將清音和白噪聲相互分離，還是比較困難的，特別是清音淹沒在白噪聲中時。

有些“穩(wěn)健性”的端點檢測方法實際上是通過消噪，清除掉語音中的噪聲[1-2]，然后對信號進行端點檢測的方法實際上改變了原信號，很可能會對清音部分產(chǎn)生比較大的傷害。有的學者使用基于子帶能量比[4-5]的方法或者信息熵[6]對清音進行了檢測。但是這幾種方法在白噪聲下不能很好地檢測出清音來，大量的白噪聲被誤認為是清音，甚至有些濁音也被誤檢為清音。

本文通過仿真試驗發(fā)現(xiàn)，在不考慮濁音的情況下，信息熵能夠比較好地區(qū)分白噪聲和清音，即使是在清音被白噪聲淹沒的情況下仍然能夠分辨出來，但由于清音和白噪聲的高頻特征，使得它們的信息熵變化比較大，也比較快，檢測時容易將連續(xù)清音分割成幾段清音。所以為了可靠地檢測出連續(xù)的清音，必須對語音的信息熵序列進行平滑地處理。本文選擇小波濾波方法對信號進行處理,仿真及結(jié)果顯示，這種方法能夠很好地從白噪聲及色噪聲中檢測出清音來，并且具有很好的穩(wěn)健性，在10 dB及以上條件下，完全可以檢測出噪聲中的清音來。

1 (譜)熵與離散小波變換

語音信號x(n)被加性白噪聲w(n)污染后的信號可表示為

zi(n)=xi(n)+wi(n)

(1)

式中:n=1,2,…,N;i為幀號。

1.1 信息熵和譜熵計算

信息熵的計算公式為[7]

(2)

式中，k=1,2,…,M;M為幀長。

譜熵的計算方法為：對信號先進行傅里葉變換，然后進行功率譜密度計算，最后根據(jù)功率譜密度計算熵值，就可以得到譜熵結(jié)果：

(3)

式中：Zi(k)為第i幀信號的M點FFT；M為FFT變換的長度，本文取值和幀長相等；pi(k)為第i幀信號的功率譜；*表示卷積計算；conj表示共軛。

1.2 離散小波變換和小波濾波

對于任意信號f(t)，其連續(xù)小波變換為[8]

FCWT(a,τ)=〈f(t),φa,τ(t)〉=

(4)

式中：a,τ分別為尺度因子(或者尺度參數(shù))和時間因子(或者位移參數(shù))；φ為小波函數(shù)；*表示共軛。

對連續(xù)小波變換，把尺度因子和時間因子離散化：

其中，a0，Ts分別是用來決定尺度因子和時間因子的離散化程度的參數(shù)，得到離散小波變換為

(5)

離散小波變換的結(jié)果表明，相當于使用了一對正交鏡像濾波器(QMF)對信號進行高通濾波(相應于小波函數(shù)和細節(jié)空間)和低通濾波(相應于尺度函數(shù)和尺度空間)，對應的正交鏡像濾波器分別為g(p)和h(p)(p為濾波器級數(shù))[9]，然后再進行一次2倍下采樣，得到的小波系數(shù)(以3層分解為例)記為cA3、cD3、cD2、cD1分別是3層近似系數(shù)、3層細節(jié)系數(shù)、2層細節(jié)系數(shù)和1層細節(jié)系數(shù)。在重構(gòu)時，使用QMF濾波器g(p)′和h(p)′對小波系數(shù)cA3、cD3、cD2、cD1的信號進行濾波，再進行一次2倍采樣。

本文選定了小波基后，對應的正交鏡像濾波器記為g(p,waveletbasis)和h(p,waveletbasis)；同時，重構(gòu)正交濾波器記為g(p,waveletbasis)′和h(p,waveletbasis)′。

2 清音檢測方法

2.1 譜熵與濁音檢測

如圖1所示，當使用16位量化，采樣率為11.025 kHz的語音，其內(nèi)容為英文“passage thirty-six”，信噪比為10.720 9 dB，分幀方法為：幀長256，幀移128，矩形窗。計算得到的譜熵顯示，譜熵基本上不會受到清音或白噪聲的影響，是一種很好的濁音檢測方法。

(a) 無噪信號

(b) 染噪信號

(c) 染噪信號的譜熵

圖1 染噪信號的譜熵

濁音的檢測方法如下：

(1) 按照式(3)計算每幀信號的譜熵值，組成譜熵序列。

(2) 選擇門限。選擇2個門限Thmax，Thmin，它們分別是某些非濁音段的譜熵最大值和最小值，可以根據(jù)語音信號前面和后面預留的無聲段進行選擇。只有連續(xù)大于Thmax或者連續(xù)小于Thmin的譜熵對應幀，才能被認為是濁音。一般情況下，濁音的譜熵在開始時比較明顯，因此，為了提高濁音開始點檢測的準確性，進一步消除噪聲的影響，對兩個選定的門限進行如下調(diào)整：

Thsmax=1.5Thmax

(6)

Thsmin=0.5Thmin

(7)

如果檢測到連續(xù)3幀信號的譜熵值都大于調(diào)整后的Thsmax，或者小于調(diào)整后的Thsmin，就認為濁音開始。另外還需要注意的是，在噪聲很低情況下，根據(jù)信號噪聲得到的門限Thmax非常小，不能正確識別出濁音來，因此，需要對它設(shè)定一個下限，通過多次試驗測定顯示，該下限設(shè)定為0.003能夠很好地滿足要求，并使得檢測無論是在高背景噪聲還是低背景噪聲下，都能夠有效地檢測出濁音來。

(3) 對濁音結(jié)束進行相應判斷。濁音雖然在開始時特征比較明顯，但是在結(jié)尾部分其特征卻是緩慢下降的，特別在尾音，甚至和噪聲或者清音的譜熵相當。因此，為了檢測到更精確的濁音結(jié)束點，需要對濁音的結(jié)束條件加強約束。這里使用的約束方法是：使用調(diào)整前的門限Thmax和Thmin。結(jié)果表明，使用不同門限對濁音開始和結(jié)束進行判斷時，得到的檢測效果有一定進步。如果檢測到連續(xù)3幀信號譜熵都小于Thmax，并且大于Thmin，認為濁音結(jié)束。

對于檢測后確定為濁音的信號部分，將其全部置零，然后使用該信號進行清音檢測。

2.2 熵與清音檢測

根據(jù)分析，熵函數(shù)對清音和白噪聲有一定的分辨能力，如圖2(a)、(b)所示，在時域信號中,當清音和白噪聲無法辨認情況下，使用信息熵仍然能夠在一定程度上區(qū)分出清音來。為了能夠更好地檢測和提高分辨能力，在檢測清音時，使用的幀長為128，幀移為64。清音檢測方法如下：

(1) 根據(jù)式(2)對分幀后的各幀信號計算其信息熵序列(見圖2(b))。

(2) 使用小波濾波方法對熵進行平滑和連續(xù)性處理。如圖2(b)所示，雖然清音有明顯的信息熵尖峰存在，但是由于選擇的門限不一定是最優(yōu)的，同時隨機的白噪聲有可能在某個短暫的時刻超過門限，并且即便是清音，由于它和白噪聲的相似性，也有可能出現(xiàn)連續(xù)清音中低于熵值門限的情況，這些都會使連續(xù)的清音被分割成許多不連續(xù)的部分。同時也會增加個別白噪聲信息熵尖峰影響檢測結(jié)果的可能性。因此，在這里采用小波濾波對信號的信息熵序列進行平滑處理。

通過仿真試驗，發(fā)現(xiàn)使用db2小波對信息熵序列進行了2層分解，然后，使用haar小波和小波系數(shù)cA2進行重構(gòu)，能更好地獲得平滑作用，如圖2(c)所示。每個正交小波基都對應了一組正交鏡像濾波器，本文使用db2進行小波分解，并用haar小波進行重構(gòu)，相當于使用了g(p，db2)和h(p，db2)對輸入信號進行高通和低通濾波，并用g(p，haar)′和h(p，haar)′對上述采樣后的小波系數(shù)進行高通和低通濾波。選擇haar小波，主要是因為它的形狀類似矩形，用在重構(gòu)中，能使重構(gòu)后的信號有一定的類似矩形結(jié)構(gòu)(見圖2(c))，從而保證了平滑效果，稱為塊化效應。

(a) 去除噪聲后的染噪信號

(b) 剩余染噪信號的熵

(c) db2分解haar重構(gòu)

(d) dmey分解haar重構(gòu)

圖2 去除濁音后的染噪信號的信息熵

但是，當觀察到3(c)中的某些比較明顯的清音部分，如3(b)中第40幀左右位置的一個尖峰在平滑后消失了。經(jīng)過仿真試驗發(fā)現(xiàn)，如果使用dmey小波對信息熵進行分解，并使用haar小波進行重構(gòu)，能使清音部分的信息熵值更多地保留下來，重構(gòu)效果如圖2(d)所示。同時發(fā)現(xiàn)，雖然單單使用dmey小波可以更好地檢測出被忽略的清音，但是又會因為其平滑效果不如db2好，而造成許多連續(xù)清音的斷裂。因此，選擇同時使用這兩種小波基來進行小波分解和重構(gòu)，之后將檢測到的清音段進行疊加。結(jié)果顯示，這種操作既可以避免清音斷裂情況的出現(xiàn)，又能夠很好地檢測出一些輕微的被淹沒的清音來。

平滑處理后，根據(jù)信號各幀的信息熵水平，選擇合適的門限，再對清音幀進行判斷。因為清音和白噪聲非常相似，為了提高檢測精度，除了縮短幀長及幀移以外，在選擇門限時，也應當避免選擇非清音幀對應的最大熵值，而應該在可以接受的條件下，選擇比較小且能比較好地區(qū)分清音和白噪聲的門限。本文具體的處理方法為：計算信號前后部分幀的熵值，從中選擇次大的作為門限，如果連續(xù)2幀信號大于該門限，就認為清音開始，若連續(xù)2幀信號的信息熵小于該門限，就認為清音結(jié)束。

2.3 清音檢測結(jié)果

在濁音檢測及清音檢測完成后，需要對結(jié)果進行一些調(diào)整，因為將濁音部分置零和分幀都會使得清音和濁音的邊界產(chǎn)生模糊，可能會使某些已被檢測為濁音的部分又被檢測為清音，因此，在出現(xiàn)這種情況時，應當認為這些重疊部分是濁音，而將清音檢測的開始點后移到濁音結(jié)束的下一個位置，或者將清音檢測的結(jié)束點前移到濁音開始的上一個位置。最終的檢測結(jié)果如圖3所示。

圖3(a)是染噪信號，圖3(b)是檢測到的濁音和清音內(nèi)容。上面的方框內(nèi)是濁音部分，下面的方框內(nèi)是清音部分。在該語音中，“passage thirty-six”一共有5個濁音，分別是// /ei/ /з:/ /i/ /i/，已經(jīng)被全部檢測出來，清音共有7個，分別是/p/ /s/ /d/ /θ/ /t/ /s/ /ks/，除了“six”中s的發(fā)音被檢測為兩段外，其他部分都被檢測出來了。而這些清音中的大部分是淹沒在白噪聲中的，如圖3(a)所示。

(a) 染噪語音

(b) 清音檢測結(jié)果

圖3 染噪信號清音檢測結(jié)果

3 試驗仿真

使用內(nèi)容為“passage thirty-six”的語音，在不同信噪比下進行清音檢測，檢測結(jié)果如圖4所示，噪聲類型為白噪聲。其中圖(f)為無噪聲條件下濁音、清音的檢測結(jié)果，(a)～(e)分別為5、10、15、20、25 dB下的檢測結(jié)果。圖中顯示，本文提出的方法，在10 dB及以上信噪比條件下，取得的檢測結(jié)果很好，特別是10 dB條件下，而此時的清音基本上已經(jīng)被白噪聲所掩蓋。

(a)

(b)

(c)

(d)

(e)

(f)

圖4 不同信噪比下的檢測結(jié)果(本文方法+白噪聲)

隨機在馬路上采集一段實際噪聲，然后加入到上述純語音中，分別使用本文中方法和基于子帶的方法[5]進行清音檢測，得到的結(jié)果如圖5和圖6所示。信噪比順序與圖4中的相同。

(a)

(b)

(c)

(d)

(e)

(f)

圖5 不同信噪比下的檢測結(jié)果(本文方法+實際噪聲)

(a)

(b)

(c)

(d)

(e)

(f)

圖6 不同信噪比下的檢測結(jié)果(子帶方法+實際噪聲)

通過對比可以明顯得到，本文的方法能夠檢測出更多清音來，并且其魯棒性也明顯優(yōu)于基于子帶的方法。

4 結(jié) 語

在語音信號的端點檢測及聲韻分割等技術(shù)中，困難主要在于清音的有效檢測。使用本文的方法，能夠?qū)⑺械臐嵋艉蛶缀跞康那逡艉芎玫刈R別出來，即使在清音完全掩蓋在噪聲中時(包括白噪聲和實際噪聲)，本文的方法仍然可以很好地檢測到清音。

濁音、清音、無聲段的檢測對于語音增強、語音識別都有重要的意義。以語音增強為例，通過對各種典型語音使用小波收縮法進行消噪[10]時，在小波基的選擇上，對濁音段使用dmey小波，對無聲段使用haar小波能夠取得更好的效果。同時，其他消噪?yún)?shù)，如閾值算法等的選擇，也需要分辨語音是否是清音[4-6]，然后再進行處理。

本文中，判決門限，包括濁音判決和清音判決，對于結(jié)果而言都是非常重要的。本文使用的門限估算方法為全部語音信號前后的無音幀的(譜)熵最大值與最小值的加權(quán)處理。因此，該方法要求語音前后要有一定的無聲段用來估計門限，若能與自適應方法相結(jié)合使用，會取得更好的效果。