(杭州電子科技大學(xué) 新型電子器件與應(yīng)用研究所，浙江 杭州 310018)

梅爾頻率倒譜系數(shù)(MFCC)廣泛用于語音識別、說話人識別和其他語音處理系統(tǒng)。近年來，有一種新興的方法可以預(yù)測MFCC矢量的基頻和發(fā)聲，這使得語音信號能從分布式語音識別(Distributed Speech Recognition,DSR)后端的MFCC矢量流中重構(gòu)[1-3]。該算法通過對基頻和MFCC的聯(lián)合密度建模來預(yù)測基頻。該方法基于高斯混合模型(Gaussian Mixture Model,GMM)，并利用隱馬爾可夫模型(Hidden Markov Model,HMM)將一系列依賴于狀態(tài)的GMM連接在一起。特定說話者的HMM-GMM預(yù)測器顯示出良好的結(jié)果。然而，非特定說話者的HMM-GMM會產(chǎn)生很多錯誤。此外，HMM-GMM預(yù)測器需要一組基于單音的HMM和一組特定狀態(tài)的GMM訓(xùn)練。訓(xùn)練的預(yù)測器被指定為某種語言，并且必須用其他語言重新訓(xùn)練。

量化MFCC的低比特率語音編碼方案在文獻[4]和文獻[5]中被提出，從MFCC重構(gòu)了語音波形但沒有涉及音高和能量。重構(gòu)通過Moore-Penrose偽逆從MFCC恢復(fù)幅度譜，然后利用最小二乘估計，逆短時傅里葉變換幅度算法重構(gòu)語音幀。此外，近年來有學(xué)者提出了一些新穎的音高檢測方法。一種名為具有幅度壓縮的音高估計濾波器(A Pitch Estimation Algorithm Robust to High Levels of Noise,PEFAC)的算法利用非線性幅度壓縮來衰減窄帶噪聲分量，并利用梳狀濾波器來衰減對數(shù)下頻率功率譜平滑變化的噪聲分量[6]。在文獻[4]～文獻[6]的新方法研究的推動下，通過MFCC反演操作重構(gòu)語音頻譜和倒譜，并利用倒譜/頻譜估計音高。

所提出的算法通過梅爾加權(quán)函數(shù)利用Moore-Penrose偽逆從MFCC重構(gòu)倒譜/頻譜。利用重構(gòu)的倒譜，可以直接從峰值估計音高，而由于重構(gòu)失真可能存在大的誤差。提出了一種組合非線性幅度壓縮和對數(shù)頻率功率譜域濾波器的方法，以減少誤差。利用濾波后的功率譜和音高的相關(guān)性，提出了一種基于GMM的音高估計方法，以獲得更可靠的音高。此外，還提出了一種發(fā)聲分類方法。所提出的方法的主要優(yōu)點是特征提取，其使用經(jīng)過重構(gòu)和濾波的幅度譜而不是原始的MFCC矢量。與以前的工作[1-3]相比，所提出的方法是一種非特定說話者/語言的預(yù)測器。

1 頻譜重構(gòu)

MFCC被定義為特殊倒譜，在對數(shù)運算和離散余弦變換(Discrete Cosine Transform,DCT)之前將一組加權(quán)函數(shù)作用于功率譜。這種加權(quán)函數(shù)基于人類對音高的感知，最常見的是以梅爾克度(Mel-Scale)[4]，即文獻[5]中的一組三角形濾波器的形式實現(xiàn)。其中第t個語音幀St(n)的梅爾倒譜M的計算公式為(省略下標(biāo)t以簡化符號)

(1)

式中，wm為梅爾加權(quán)函數(shù)；S(ω)為S(n)的離散傅里葉變換(Discrete Fourier Transform,DFT)。在式(1)中具有梅爾加權(quán)的功率譜可以以矩陣形式表示為

(2)

式中，y為J×1的向量(J為梅爾濾波器的數(shù)量)；Wm為J×L的加權(quán)矩陣(L為幀長度)。

在式(1)中通過應(yīng)用梅爾標(biāo)度加權(quán)會使頻譜信息丟失，而其他操作如離散余弦變換，求對數(shù)和平方根都是可逆的。為了逆梅爾加權(quán)，可以采用最小歐幾里德范數(shù)的解，即

(3)

2 基于頻譜重構(gòu)的音高估計和聲音分類

2.1 基于頻譜濾波器的音高估計

文獻[2]的作者利用MFCC和基頻(即音高)的相關(guān)性，用GMM預(yù)測音高。同時，發(fā)現(xiàn)重構(gòu)幅度譜與音高之間的相關(guān)性更高。表1給出了使用TIMIT訓(xùn)練子集計算的不同矢量(MFCC，重構(gòu)幅度譜和濾波頻譜)與音高之間的相關(guān)性。

表1 音高與不同向量(MFCC、重構(gòu)幅度譜、濾波頻譜)之間的相關(guān)性

表1的結(jié)果表明，重構(gòu)幅度譜和音高之間的相關(guān)性高于MFCC。與MFCC矢量相比，幅度譜包含更多關(guān)于音高頻率的信息。 因此重構(gòu)幅度譜更適合于基于GMM的音高估計和發(fā)聲分類。

事實上，語音信號總是被各種噪聲干擾或卷積，并且幅度譜的諧波峰值將通過成幀窗口加寬。為了減少重構(gòu)失真引起的誤差，使用一種音高估計方法，結(jié)合非線性幅度壓縮來衰減窄帶噪聲分量，并采用對數(shù)頻率功率譜域濾波器來衰減平滑變化的噪聲分量[6]。該算法描述如下。

③ 通過式(4)壓縮功率譜密度(Power Spectral Density,PSD)：

(4)

④ 通過以下公式過濾壓縮PSD。

h(q)=β-log(γ-cos(2πeq))

(5)

(6)

2.2 基于GMM的音高估計

為了更準(zhǔn)確地估計音高，利用濾波后的PSD和音高的相關(guān)性。特征向量Φ表示為

Φ=[Ω，f]

(7)

通過GMM構(gòu)建特征向量Φ。從訓(xùn)練集中，使用期望最大化(Expectation Maximization,EM)算法產(chǎn)生一組K高斯聚類。Φ的概率密度函數(shù)(Probability Density Function,PDF)為

(8)

每個K聚類由先驗概率πk和高斯PDFN(Φ)表示，具有平均向量μk和協(xié)方差矩陣Φk。

(9)

使用著名的Linde-Buzo-Gray(LBG)算法找到EM訓(xùn)練的初始聚類位置，最大EM聚類迭代為100。在實驗部分中討論K的選擇。

(10)

后驗概率hk(Ωi)為

(11)

2.3 清音/濁音分類

音高估計應(yīng)該僅應(yīng)用于重構(gòu)表示有聲語音的頻譜。在文獻[2]中，通過擴展HMM-GMM音高預(yù)測器來實現(xiàn)，其需要一組基于單音的HMM和一組狀態(tài)特定的GMM訓(xùn)練。 訓(xùn)練好的預(yù)測器被指定為某種語言，并且必須以其他語言進行再訓(xùn)練。

提出了一種低復(fù)雜度的語音分類算法，該算法是通過基于GMM的模型實現(xiàn)的。該模型利用幀平均功率和濾波頻譜峰值的相關(guān)性，其包括更多潛在的發(fā)聲信息。

從一組訓(xùn)練數(shù)據(jù)中提取特征向量Ψ：

Ψ=[s,χ]

(12)

式中，s=logμpsd,χ=Σpitch/μpsd。其中,μpsd為式(4)中壓縮PSD的平均功率值，Σpitch為式(6)中3個候選音高的總和。

對于濁音/清音分類器有兩個GMM，一個用濁音矢量Ψv組成的訓(xùn)練集進行濁音建模，一個用清音矢量Ψμ組成的訓(xùn)練集進行清音建模，建模方法與文獻[8]中描述的相同。濁音的幀的概率為

P(v)=(1+exp(pu-pv))-1

(13)

式中，pu和pv分別為清音GMM和濁音GMM的后驗概率。

對于輸入特征向量Ψi，用GMM計算pv(ψi)和pu(ψi)的后驗概率，然后通過式(13)計算被發(fā)聲的概率。如果P(v)>ε(ε是閾值，設(shè)置為0.5)，則該幀被分類為濁音，否則被分類為清音。

3 實驗結(jié)果

下面將評估音高估計和發(fā)聲分類的結(jié)果。使用TIMIT數(shù)據(jù)庫進行培訓(xùn)和測試。每個句子的持續(xù)時間約為3 s，下采樣頻率為8 kHz。語料庫使用漢明窗框架成200個樣本(25 ms)，幀移位為80個樣本(10 ms)。

3.1 頻譜/倒譜重構(gòu)結(jié)果

將MFCC反變換到頻譜是一項具有難度的任務(wù)，因為式(2)中的梅爾加權(quán)函數(shù)會造成大量信息的丟失，而式(3)只是近似解。很明顯，梅爾濾波器越多，幅度譜的信息就越少。 在本文中，梅爾濾波器的數(shù)量是23，就像DSR前端一樣[9]?？紤]到反變換，所有23個MFCC都被保留，而在DSR中舍去了10個高階系數(shù)。

圖1 MFCC對濁音語音幀的頻譜/倒譜重構(gòu)

圖1顯示了MFCC的頻譜和倒譜的重構(gòu)結(jié)果。圖1(a)比較了原始譜和重構(gòu)譜，從中可以看出式(3)的原始和近似解之間只有微小的差別。圖1(b)展示了原始和重構(gòu)的倒譜，峰值是候選音高。

3.2 音高估計結(jié)果

音高估計結(jié)果如圖2所示。

圖2展示了利用MFCC重構(gòu)頻譜/倒譜的音高估計結(jié)果。首先直接估計具有重構(gòu)倒譜峰值的音高(即ceps.線條)。然后利用非線性幅度壓縮和對數(shù)下頻率功率譜濾波器來減少誤差(即filt.線條)。

圖2 估計結(jié)果與參考音高輪廓的對比

所提出的基于GMM的音高估計器利用經(jīng)濾波的PSD和音高的相關(guān)性，可以得到更可靠音高估計結(jié)果(即GMM線條)。由于音高的頻率范圍是60～400 Hz，幀長度是200，所以候選音高在式(6)輸出的31～62之間。因此式(7)中Ω的尺寸為32(即GMM線條)。參考音高輪廓用ref.線條表示。在實驗中，GMM[10]聚類的數(shù)量是32，在下面的評估中將討論參數(shù)的更多細(xì)節(jié)。

圖2展示了直接利用重構(gòu)的倒譜峰值(即ceps.線條)估計音高可以跟蹤參考音高輪廓，但由于倒譜重構(gòu)失真所以存在一些誤差。可以通過在對數(shù)下對頻率進行壓縮和過濾(即filt.線條)從而獲得更好的結(jié)果。采用GMM的MAP音高估計結(jié)果與參考值完全匹配。

(14)

在音高估計之前，應(yīng)使用第3.3節(jié)中描述的方法將幀分類為濁音或清音。使用百分比發(fā)聲分類誤差EC來測量準(zhǔn)確度，其中N是測試集的總幀數(shù)，NV/U和NU/V是可分辨清音和濁音幀的錯誤分類數(shù)量。

表2 清音/濁音分類誤差EC

表2顯示了不同GMM群集的分類誤差，清音和濁音GMM群集的數(shù)量相等。從結(jié)果可以看出隨著GMM聚類數(shù)量的增加，分類誤差減少了。但是當(dāng)數(shù)量增加到16，準(zhǔn)確性卻沒有進一步提高，這可能是因為過擬合。

對于進一步濁音幀，使用百分比音高頻率誤差Ep來測量音高預(yù)測精度，即

(15)

表3 音高估計誤差Ep和E20%

音高估計誤差與3種方法的比較如表3所示。具有重構(gòu)倒譜峰值(ceps.)的音高估計器表現(xiàn)一般。利用非線性幅度壓縮和對數(shù)下頻率功率譜濾波器(filt.)，在精度上有所提高?；贕MM的估計器展現(xiàn)出高精度，并且增加聚類數(shù)可以減少估計誤差[11]。

4 結(jié)束語

利用梅爾頻率倒譜系數(shù)(MFCC)重構(gòu)頻譜，提出了一種新的音高估計和聲音分類的方法。所提出的算法通過梅爾加權(quán)函數(shù)來構(gòu)造來自MFCC的具有Moore-Pemose偽逆的頻譜。重構(gòu)的頻譜在對數(shù)下進行頻率壓縮和過濾。通過高斯混合模型(GMM)對音高頻率和濾波器頻譜的聯(lián)合密度建模來實現(xiàn)音高估計?；贕MM的模型也可以實現(xiàn)發(fā)聲分類，測試結(jié)果表明，超過99%的語音幀可以被正確分類。音高估計的結(jié)果表明，所提出的基于GMM的音高估計器具有高精度，TIMIT數(shù)據(jù)庫上的相對誤差為6.62%。