周妙琪，方福海，李婷，李軍成

（湖南人文科技學(xué)院 數(shù)學(xué)與金融學(xué)院，湖南 婁底 417000）

0 引言

在聲源定位研究中，為了提高聲源定位的準(zhǔn)確性，通常需要研究聲源的端點(diǎn)以幫助確定聲源的位置，因此語音端點(diǎn)檢測是聲源定位研究中一個很重要的課題，它在人工智能、語音處理、通信系統(tǒng)、公安偵查等方面都有重要應(yīng)用。

語音端點(diǎn)檢測又被稱為語音活動檢測（Voice Activity Detection，VAD），是一種通過判定語音的起止點(diǎn)區(qū)分語音和非語音信號的檢測技術(shù)。語音端點(diǎn)檢測的方法有很多，如能零比法、頻帶方差法、譜熵法、雙門限法、人工神經(jīng)網(wǎng)絡(luò)法等。在真實(shí)環(huán)境的聲源定位中，噪聲不可避免，為了提高目標(biāo)聲音采集與運(yùn)用的效率，可首先利用降噪算法對語音進(jìn)行降噪處理。目前，聲源定位中的語音降噪的方法有很多，較為典型的有譜減法、維納濾波法、子空間法等。

在語音端點(diǎn)檢測方法中，雙門限法較為常見，該算法在語音不含噪聲時效果比較理想，但當(dāng)語音含有噪聲時容易失效。而在語音降噪算法中，子空間法是一種有效的方法，它能將噪聲部分減弱，凸顯語音部分，從而改進(jìn)語音質(zhì)量，使之更符合人耳的聽覺感受。為了使雙門限法在噪聲環(huán)境中也能取得較好的端點(diǎn)檢測結(jié)果，本文首先利用子空間法對帶噪語音進(jìn)行降噪處理，然后再采用雙門限法進(jìn)行語音端點(diǎn)檢測，為聲源定位中的含噪語音端點(diǎn)檢測提供一種手段。

1 算法描述

1.1 子空間語音降噪算法的基本原理

子空間法[11-12]首先將語音信號的向量空間分解為信號子空間和噪聲子空間，然后將帶噪語音進(jìn)行KLT（Karhunen-Loeve Transform）變換，消除其噪聲子空間并保留信號子空間，從而估計(jì)出干凈語音，最后通過逆KLT變換得到降噪后的語音。子空間法的步驟可描述為：

Step.1將語音信號的向量空間分解為信號子空間x和噪聲子空間v，語音信號可以表示為y=x+v。

Step.2對干凈語音x的線性估計(jì)為x=Hy，根據(jù)有約束的優(yōu)化問題求得最優(yōu)線性濾波器Hopt。

Step.3將含噪的觀測語音變換到KLT域，得到KLT系數(shù)。

Step.4根據(jù)干凈語音在KLT域的稀疏性對KLT系數(shù)進(jìn)行加權(quán)處理，得到稀疏化的干凈語音的KLT系數(shù)估計(jì)值。

Step.5最后通過逆KLT變換得到降噪后的語音Hopty。

1.2 雙門限語音端點(diǎn)檢測算法的基本原理

雙門限法[1-2]最初是基于短時平均能量和短時平均過零率這兩個參數(shù)提出的，其原理是漢語的韻母中元音的能量較大，所以可以由短時能量找到音節(jié)中的韻母，而聲母是輔音，頻率較高，相對應(yīng)的平均過零率較大，所以可以用平均過零率找到聲母，于是利用這兩個特征就能找出完整的漢字音節(jié)[3-7]。

雙門限法利用二級判決判定聲音的起止點(diǎn)，第一級判決：在輸入語音信號的短時能量包絡(luò)線上選取一個較高的閾值（門限值）T2進(jìn)行一次粗判，能量高于T2的肯定是聲音信號，語音的起止點(diǎn)位置應(yīng)在該門限值與短時能量包絡(luò)交點(diǎn)的時間點(diǎn)以外。再在短時平均能量上確定一個較低的閾值（門限值）T1，并從兩端往外搜索，分別找到短時能量包絡(luò)與T1相交的兩個點(diǎn)，于是這兩個點(diǎn)就是用雙門限法根據(jù)短時能量所判定的語音段的起止點(diǎn)；第二級判決：再以短時平均過零率為準(zhǔn)，從一級判決的兩點(diǎn)的兩端往外搜索，找到短時平均過零率低于某個閾值（門限值）T3的兩個點(diǎn)，這便是輸入語音段的起止點(diǎn)。

整個語音端點(diǎn)檢測可以分為4段：靜音、過渡段、語音段、結(jié)束。在靜音段，如果短時能量或過零率超越了低門限，就開始標(biāo)記起點(diǎn)，進(jìn)入過渡段。在過渡段中，由于參數(shù)的數(shù)值比較小，不能確信是否處于真正的語音段，因此只要兩個參數(shù)的數(shù)值回落到低門限以下，就將當(dāng)前狀態(tài)恢復(fù)到靜音狀態(tài)，而如果過渡段中兩個參數(shù)都超過了高門限，則確定進(jìn)入了語音段，即檢測到語音起點(diǎn)。雙門限法端點(diǎn)檢測的步驟為：

Step.1 語音輸入，采集輸入語音信號序列x，得出語音信號時域波形，設(shè)n=0。

Step.2 設(shè)置合適的幀長和幀移對語音信號進(jìn)行分幀處理，計(jì)算出幀數(shù)。根據(jù)時域波形圖估算前導(dǎo)無話段時長，計(jì)算出前導(dǎo)無語段幀數(shù)。

Step.3 求取短時平均能量和短時平均過零率，再計(jì)算前導(dǎo)無話段的短時能量和短時過零率的平均值。

Step.4 依據(jù)前導(dǎo)無話段的短時能量和短時過零率的倍數(shù)來設(shè)置短時能量和短時過零率的閾值（即門限值）T1、T2、T3進(jìn)行端點(diǎn)檢測。

Step.5 測量短時平均能量CN大于T1且短時平均過零率大于T3時則則標(biāo)記為有效語音，否則為無效語音。

Step.6 當(dāng)檢測為有效語音時n=n+1，判斷當(dāng)n≥3時，則標(biāo)記為有效語音和無效語音的起點(diǎn)或者終點(diǎn)[8-10]。

1.3 本文的算法步驟

當(dāng)語音不含噪聲時，雙門限法能取得較好的端點(diǎn)檢測效果，但當(dāng)語音含有噪聲時其端點(diǎn)檢測效果較差。為了對含噪語音的端點(diǎn)進(jìn)行有效檢測，本文首先利用子空間法對含噪語音進(jìn)行降噪處理，再利用雙門限法進(jìn)行端點(diǎn)檢測，這樣使得雙門限法在語音含有噪聲的情形下仍能較好地使用。本文的算法步驟如圖1所示。

圖1 本文算法步驟

2 仿真實(shí)驗(yàn)與對比分析

本文的仿真實(shí)驗(yàn)利用MATLAB進(jìn)行，首先分別在純凈語音中添加white噪聲、volvo噪聲、pink噪聲，然后分別利用雙門限法和本文算法對含噪語言進(jìn)行端點(diǎn)檢測，并對結(jié)果進(jìn)行對比分析。

第1組實(shí)驗(yàn)將時長為2s的純凈男聲語音“上海開放港口”分別添加信噪比為0dB的white噪聲、volvo噪聲、pink噪聲，分別利用雙門限法和本文算法對含噪語言進(jìn)行端點(diǎn)檢測的結(jié)果如圖2所示，其中實(shí)線表示語音字節(jié)的起始點(diǎn)，虛線表示語音字節(jié)的終止點(diǎn)[11-12]。

圖2 第1組實(shí)驗(yàn)的結(jié)果對比

由圖2可知，本文算法的語言端點(diǎn)檢測效果明顯要好于雙門限法。為了定量比較雙門限法與本文算法，本文利用準(zhǔn)確率或查準(zhǔn)率（PRC）、查全率（RCL）和綜合性能測度（F-measure）對兩種算法的語言端點(diǎn)檢測效果進(jìn)行評價，三個參數(shù)的定義為[13]

其中，M表示檢測出的正確語音分割點(diǎn)數(shù)，A表示檢測出的總分割點(diǎn)數(shù)，N表示實(shí)際語音分割點(diǎn)數(shù)。一般地，PRC、RCL、F值越大，表明算法的效果越好。分別利用雙門限法和本文算法對含噪語言進(jìn)行端點(diǎn)檢測的效果評價結(jié)果如表1所示。

表1 第1組實(shí)驗(yàn)的檢測效果評估結(jié)果

由表1可知，在第1組實(shí)驗(yàn)中，對于添加三種不同噪聲的語音，本文算法的PRC、RCL、F值都要明顯大于雙門限法，這表明本文算法的語音端點(diǎn)檢測效果明顯優(yōu)于雙門限法。

第2組實(shí)驗(yàn)將時長為4s的純凈男聲語音“我國的地勢，西北高，東南低”分別添加信噪比為0dB的white噪聲、volvo噪聲、pink噪聲，分別利用雙門限法和本文算法對含噪語言進(jìn)行端點(diǎn)檢測的結(jié)果如圖3所示，其中實(shí)線表示語音字節(jié)的起始點(diǎn)，虛線表示語音字節(jié)的終止點(diǎn)。

圖3 第2組實(shí)驗(yàn)的結(jié)果對比

由圖3可知，本文算法的語言端點(diǎn)檢測效果也要明顯好于雙門限法。為了定量比較雙門限法與本文算法，分別利用PRC、RCL和F值對兩種算法進(jìn)行效果評價，結(jié)果如表2所示。

表2 第2組實(shí)驗(yàn)的檢測效果評估結(jié)果

由表2也可知，在第2組實(shí)驗(yàn)中，對于添加三種不同噪聲的語音，本文算法的語音端點(diǎn)檢測效果優(yōu)于雙門限法[13]。

3 結(jié)論

本文將子空間降噪算法與雙門限法結(jié)合起來，使得雙門限端點(diǎn)檢測算法在含有噪聲的環(huán)境下也能正常檢測，該算法從語音降噪和特征提取兩方面很好的解決了不同環(huán)境噪聲的語音端點(diǎn)檢測問題。實(shí)驗(yàn)結(jié)果表明，本文算法提高了聲源定位中語音端點(diǎn)檢測的準(zhǔn)確率和查全率，相較于雙門限端點(diǎn)檢測算法，其準(zhǔn)確性更高。