语音信号处理基础知识-常用特征及预处理
目录一、语音信号的特点二、常用语音特征参数一、语音信号的特点 其主要特点如下所示: a) 语音信号的带宽约为5Khz5Khz5Khz , 主要能量集中在低频段。 b) 语音信号总体为非平稳时变信号,一般认为是短时平稳( 10ms−30ms10ms-30ms10ms−30ms)。 c) 说话的声音主要可以分为清音和浊音。 浊音:发声时声带振
一、语音信号的特点
其主要特点如下所示:
a) 语音信号的带宽约为
5
K
h
z
5Khz
5Khz , 主要能量集中在低频段。
b) 语音信号总体为非平稳时变信号,一般认为是短时平稳(
10
m
s
−
30
m
s
10ms-30ms
10ms−30ms)。
c) 说话的声音主要可以分为清音和浊音。
浊音:发声时声带振动,语音信号在时域上有明显的周期性。
清音:发声时声带不振动。
特点:
浊音的短时能量大,短时平均幅度大,短时过零率低。
清音的短时能量小,短时平均幅度小,短时过零率高。
声音一般可分为清音和浊音,发浊音时,声带振动,语音信号在时域上有明显的周期性,这种声带振动的频率称为基音频率。基音周期的估计又叫基音检测。
二、常用语音特征参数
一般原始语音信号较为复杂,直接将其作为输入送入到神经网络中,计算复杂度较高且性能较差,因此需要对语音信号进行特征提取。
a) 短时过零率,即一帧语音信号波形穿过横轴的次数。一般,高频语音过零率较高,低频语音过零率较低,故短时过零率是区分清音(多数能量集中在高频)和浊音(多数能量集中在低频)的有效参数。短时过零率具体定义如下:
Z
n
=
1
2
∑
m
=
0
N
−
2
∣
sgn
[
x
n
(
m
)
]
−
sgn
[
x
n
(
m
−
1
)
]
∣
Z_{n}=\frac{1}{2} \sum_{m=0}^{N-2}\left|\operatorname{sgn}\left[x_{n}(m)\right]-\operatorname{sgn}\left[x_{n}(m-1)\right]\right|
Zn=21m=0∑N−2∣sgn[xn(m)]−sgn[xn(m−1)]∣其中,
x
n
(
m
)
x_{n}(m)
xn(m)表示短帧信号,
N
N
N表示帧长,
sgn
[
∙
]
\operatorname{sgn}[\bullet]
sgn[∙] 表示符号函数。对一段语音信号分帧后求出其所有帧的短时过零率,如下图所示。
这段语音信号中某两帧的过零率如下所示:
因此由上图可知,第834帧语音信号为浊音(过零率低),第828帧语音信号为清音(清音)。
b) 短时平均幅度是语音信号能量大小的特征,由其包络与原始信号包络十分相似,常用于语音识别、语音活动检测(Voice Activity Detection, VDA)判断等领域。定义如下:
M
n
=
∑
m
=
0
N
−
1
∣
x
n
(
m
)
∣
M_{n}=\sum_{m=0}^{N-1}\left|x_{n}(m)\right|
Mn=m=0∑N−1∣xn(m)∣ 其中,
x
n
(
m
)
x_{n}(m)
xn(m)表示短帧信号,
N
N
N表示帧长。对一段语音信号进行短时平均幅度分析如下所示:
c) 基因周期,发浊音时,声带振动语音信号在时域上有明显的周期性,声带振动频率称作基音频率,相应的周期称为基因周期,这一参数广泛被用在语音识别、说话人确认、语音合成,男女生辨别等领域。目前常用的基音检测方法可分为两大类:
- 基于事件检测方法,主要是通过对声门闭合时刻进行定位来估计基音周期,主要有小波变换法和希尔伯特变换法。
- 非基于事件的检测法,主要利用语音的短时平稳性,将语音分为短时语音段,然后对每一段进行求解。主要方法有:自相关函数法、平均幅度差函数法和倒谱法。
补充: 男性的基音频率较低,其范围大概为70Hz-200Hz之间,说话人为女性的基音频率大概再200-450Hz之间。
d) 共振峰频率,人体说话时声带振动,产生准周期脉冲激励,当激励进入声道时,受声道模型的影响,会引起共振,产生一组共振频率,称作共振峰频率。目前,共振峰的常用检测方法有倒谱法、线性预测法。
e) 梅尔倒谱系数(MFFCC),人耳听到的声音高低与频率不呈正比关系,人耳对 1000 H z 1000Hz 1000Hz以下的声音的感知能力与频率大致呈线性关系,对 1000 H z 1000Hz 1000Hz以上的声音的感知能力与频率大致呈对数关系。是基于人耳听觉特性提出来的,它与Hz频率成非线性对应关系。mel频率域尺度广泛用于情感识别、语音识别等领域。频域转换到mel域的公式如下所示: mel ( f ) = 2595 ( 1 + f / 700 ) \operatorname{mel}(f)=2595(1+f / 700) mel(f)=2595(1+f/700)
三、语音信号预处理
a) 预加重与去加重,受口唇辐射的影响,功率谱随频率的增加而减小,语音的能量主要集中在低频部分,高频部分信噪比较低,为了抵消这种不利影响,需要对语音信号进行预加重和去加重处理。
- 预加重一般使用一阶的FIR的高通滤波器来加重语音信号的高频分量,滤波器的传递函数
H
(
z
)
=
1
−
a
z
−
1
H(z)=1-a z^{-1}
H(z)=1−az−1 ,
a
a
a为预加重系数,通常为
0.9
<
a
<
1.0
0.9<a<1.0
0.9<a<1.0。Matlab中可以用y=filter([1, -0.98],1,x)指令来实现预加重,其结果如下图所示。
a) 分帧加窗,对语音信号需要分帧加窗处理后进行短时分析,使得每一帧语音信号的长度一般为
10
−
30
m
s
10-30ms
10−30ms
- 在实际处理过程中,为了保证语音的连续性且充分利用帧与帧之间的相关性,使得帧与帧之间平滑过渡,需要使用交叠分段的方法。
分帧加窗后的结果如下图所示,
四、参考链接
开放原子开发者工作坊旨在鼓励更多人参与开源活动,与志同道合的开发者们相互交流开发经验、分享开发心得、获取前沿技术趋势。工作坊有多种形式的开发者活动,如meetup、训练营等,主打技术交流,干货满满,真诚地邀请各位开发者共同参与!
更多推荐
所有评论(0)