語(yǔ)音信號(hào)特征參數(shù)的提取

白 瑜

山西大學(xué)工程學(xué)院計(jì)算機(jī)工程系，山西太原 030013

1 語(yǔ)音學(xué)概述

1.1 漢語(yǔ)的音素、音節(jié)和音調(diào)

我們發(fā)現(xiàn)依據(jù)人類(lèi)聲音產(chǎn)生的機(jī)制，由于激勵(lì)方式的不同會(huì)形成清音和濁音兩種不同的語(yǔ)音。由這兩種語(yǔ)音又可以組合成兩種不一樣音素：元音及輔音。構(gòu)成語(yǔ)音的最小單位是音素。元音由不相同的口腔形狀發(fā)聲而形成，輔音的形成由發(fā)聲的部位以及發(fā)聲的方法決定。

音節(jié)是構(gòu)成漢語(yǔ)的最小單位。我們所說(shuō)的音節(jié)指的是一個(gè)元音加上一或兩個(gè)輔音所構(gòu)成的音素的組合。漢語(yǔ)當(dāng)中包括以下4種音節(jié)，即：元音、元音+輔音、輔音+元音，輔音+元音+鼻音。一般漢語(yǔ)可以簡(jiǎn)單劃分為聲母+韻母兩個(gè)部分。音節(jié)前部分的輔音稱(chēng)之為聲母，元音和元音后面有時(shí)候出現(xiàn)的鼻音稱(chēng)之為韻母。漢語(yǔ)可認(rèn)為是一種聲調(diào)語(yǔ)言，根據(jù)聲調(diào)的不同所表達(dá)的意思很可能完全不一樣，漢語(yǔ)共有陰平、陽(yáng)平、上聲及去聲四種聲調(diào)。而聲調(diào)的變化可以看成濁音周期的變化。聲調(diào)曲線從韻母起始點(diǎn)至韻母的終止點(diǎn)。

1.2 語(yǔ)音信號(hào)的數(shù)學(xué)模型

語(yǔ)音的產(chǎn)生是因?yàn)槁暤兰?lì)發(fā)生共振，因?yàn)榘l(fā)聲過(guò)程中聲道是振動(dòng)的，所以能夠用一個(gè)時(shí)變線性系統(tǒng)來(lái)描述?？梢杂萌鐖D1所示描述語(yǔ)音生成模型。

圖1 語(yǔ)音信號(hào)生成模型

由圖1可知一個(gè)完整的語(yǔ)音信號(hào)模型由激勵(lì)模型、聲道模型、及輻射模型三個(gè)子模型串聯(lián)而成。激勵(lì)模型由濁音激勵(lì)與清音激勵(lì)組成。對(duì)清音部分來(lái)說(shuō)，激勵(lì)信號(hào)等同于白噪聲，而對(duì)于濁音部分來(lái)說(shuō)，因?yàn)槁晭г诓粩嗟貜堥_(kāi)與閉合，所以會(huì)有間隙性的脈沖波產(chǎn)生。共振峰模型是當(dāng)前廣泛使用的一種聲道模型。聲道的終端是人類(lèi)口與唇，速度波通過(guò)聲道輸出，然而語(yǔ)音信號(hào)是一種聲壓波。

2 語(yǔ)音信號(hào)的前端處理

為了得到我們所需要的信號(hào)，須先對(duì)模擬語(yǔ)音信號(hào)進(jìn)行數(shù)字化，接著進(jìn)行預(yù)處理與加窗。

2.1 語(yǔ)音信號(hào)的數(shù)字化

為將模擬語(yǔ)音信號(hào)轉(zhuǎn)變?yōu)閿?shù)字信號(hào)，先對(duì)信號(hào)進(jìn)行采樣與量化。在采樣與量化之前，須進(jìn)行語(yǔ)音信號(hào)的預(yù)濾波，其目的在于：第一，濾除高頻噪聲；第二，防止50Hz的工頻干擾。

2.2 語(yǔ)音信號(hào)的預(yù)處理與加窗

因?yàn)檎Z(yǔ)音信號(hào)的平均功率受到鼻輻射以及聲門(mén)激勵(lì)的很大影響，因此在語(yǔ)音信號(hào)頻譜的求取時(shí)，隨著頻率的增高相應(yīng)的響應(yīng)成分越小，也就是說(shuō)高頻部分頻譜比起低頻部分來(lái)不夠精確，為此我們需要對(duì)信號(hào)進(jìn)行預(yù)加重。為了平滑頻域信號(hào)，使得信號(hào)處理的后面階段對(duì)有限長(zhǎng)響應(yīng)不那么敏感，通常情況下讓數(shù)字語(yǔ)音信號(hào)通過(guò)一個(gè)低階的系統(tǒng)。目前廣泛使用的是固定的一階數(shù)字濾波器，即

式中a為預(yù)加重系數(shù)，通常取值0.95左右。

因?yàn)檎Z(yǔ)音信號(hào)的特性是隨時(shí)間變化的，而非平穩(wěn)過(guò)程，但由于人的發(fā)音器官的肌肉運(yùn)動(dòng)速度比較慢，因此可以認(rèn)為語(yǔ)音信號(hào)是個(gè)局部的短時(shí)平穩(wěn)的信號(hào)。因此，我們對(duì)對(duì)語(yǔ)音信號(hào)進(jìn)行分幀加窗的處理。通常情況下語(yǔ)音信號(hào)幀長(zhǎng)取為10ms～30ms，每秒幀數(shù)約為33～100，分幀可以是連續(xù)的，有可以是交疊分段的，在語(yǔ)音信號(hào)的分析當(dāng)中常用“短時(shí)分析”來(lái)表述。我們一般采用窗函數(shù)來(lái)乘語(yǔ)音信號(hào)，常用的窗函數(shù)是Hamming窗。

Hamming窗函數(shù)是：

2.3 語(yǔ)音信號(hào)的端點(diǎn)檢測(cè)

端點(diǎn)檢測(cè)指的是找出語(yǔ)音信號(hào)中的各段落的起始點(diǎn)以及終止點(diǎn)的位置。語(yǔ)音信號(hào)的時(shí)域處理方法包括：短時(shí)平均幅度、短時(shí)能量、短時(shí)過(guò)零率以及短時(shí)自相關(guān)。端點(diǎn)檢測(cè)一般要用到語(yǔ)音信號(hào)的短時(shí)能量以及短時(shí)平均過(guò)零率兩中參數(shù)。

用En來(lái)表示第m幀的短時(shí)能量，其計(jì)算式如下：

短時(shí)平均幅度M n的計(jì)算式如下：

短時(shí)能量En的最主要作用是：區(qū)分清音與濁音、區(qū)分聲母與韻母的分界、無(wú)聲與有聲的分界、連字的分界以及能夠用于進(jìn)行語(yǔ)音識(shí)別。

“過(guò)零率”指的是在單位時(shí)間內(nèi)信號(hào)通過(guò)零的次數(shù)。短時(shí)過(guò)零率z（m）是用來(lái)描述頻譜的簡(jiǎn)單有效的方法之一，計(jì)算公式如下：

在短時(shí)處理技術(shù)中，描述一個(gè)隨機(jī)信號(hào)的其中一個(gè)重要特征是自相關(guān)函數(shù)Rn，可以用自相關(guān)函數(shù)區(qū)分清音與濁音，計(jì)算公式如下：

短時(shí)頻域處理作為語(yǔ)音信號(hào)處理的基本方法之一。短時(shí)頻域處理適合緩慢變化的語(yǔ)音信號(hào)。第m幀的短時(shí)傅立葉變換計(jì)算式

如下：

3 語(yǔ)音特征參數(shù)提取

在完成語(yǔ)音信號(hào)的預(yù)加重、分幀、及端點(diǎn)檢測(cè)之后，下一步關(guān)鍵的是提取特征參數(shù)。我們不可能直接識(shí)別原始波形，語(yǔ)音信號(hào)需要經(jīng)過(guò)變換，提取出其特征參數(shù)后再進(jìn)行識(shí)別，特征參數(shù)需要滿(mǎn)足：反映語(yǔ)音的本質(zhì)、參數(shù)個(gè)分量之間耦合盡量小、參數(shù)的提取方便等幾方面的要求。目前語(yǔ)音識(shí)別中線性預(yù)測(cè)倒普參數(shù)LPCC、美爾倒普參數(shù)MFCC使兩種較為常用的參數(shù)。LPCC利用線性預(yù)測(cè)編碼技術(shù)求取倒普參數(shù)。MFCC則構(gòu)造人的聽(tīng)覺(jué)模型，以語(yǔ)音信號(hào)經(jīng)過(guò)該模型的輸出值作為聲學(xué)特征，直接利用離散傅里葉變換得到。

3.1 線性預(yù)測(cè)倒普參數(shù)LPCC的提取

線性預(yù)測(cè)分析是語(yǔ)音特征分析方法之一，能夠有效的解決短時(shí)語(yǔ)音信號(hào)的模型化問(wèn)題。LPCC的基本原理：語(yǔ)音信號(hào)的每個(gè)樣值可以通過(guò)過(guò)去的若干個(gè)值的線性組合逼近求得，也能夠用實(shí)際語(yǔ)音信號(hào)的抽樣與線性預(yù)測(cè)的均方差值最小的方式，求出一組預(yù)測(cè)值。

其中a為加權(quán)系數(shù)，p為線性預(yù)測(cè)倒普參數(shù)的預(yù)測(cè)階數(shù)。

LPCC系數(shù)表示的是語(yǔ)音信號(hào)頻譜極值點(diǎn)的變化，用該系數(shù)來(lái)表征語(yǔ)音信號(hào)，能夠獲得比較平滑的語(yǔ)音頻譜圖。

3.2 美爾倒普參數(shù)MFCC的提取

MFCC參數(shù)與LPCC參數(shù)不同，它考慮了人耳的聽(tīng)覺(jué)特性，先將頻譜轉(zhuǎn)變?yōu)槊罓栴l標(biāo)的非線性頻譜，接著再轉(zhuǎn)換到倒普域上。因?yàn)镸FCC比較地充分考覺(jué)特性，所以MFCC參數(shù)有很好的識(shí)別性能與抗噪能力。由測(cè)試可得，MFCC參數(shù)性能在漢語(yǔ)語(yǔ)音識(shí)別中要明顯優(yōu)于LPCC參數(shù)，由于人類(lèi)在對(duì)1 000Hz頻率以上的聲音的感知能力并不遵循通常的線性關(guān)系，它遵循的是對(duì)數(shù)頻率坐標(biāo)上的線性關(guān)系。

MFCC計(jì)算步驟如下：

圖2 MFCC計(jì)算過(guò)程

首先，語(yǔ)音信號(hào)在經(jīng)過(guò)預(yù)處理、分幀加窗后轉(zhuǎn)變?yōu)槎虝r(shí)信號(hào)，經(jīng)過(guò)FFT變換將x（n）轉(zhuǎn)化為X（m），并計(jì)算出其短時(shí)能量譜P（f）。在將P（f）在頻率軸上的頻譜轉(zhuǎn)化為在美爾坐標(biāo)上的P(M)。接著在美爾頻域內(nèi)將在美爾坐標(biāo)上加入三角帶通濾波器得到濾波器組Hm（K），再計(jì)算美爾坐標(biāo)上的能量譜P(M)通過(guò)該濾波器組的輸出值。最后在美爾刻度譜上能夠采取修改的離散余弦反變換來(lái)求取美爾倒普參數(shù)：

式中，p為MFCC階數(shù)。

4 結(jié)論

本文主要介紹了語(yǔ)音學(xué)的基礎(chǔ)知識(shí)、語(yǔ)音信號(hào)的數(shù)字化及其特征提取，為語(yǔ)音模型的訓(xùn)練做了很好的鋪墊。在計(jì)算機(jī)普及的今天能夠讓計(jì)算機(jī)識(shí)別出人的自然語(yǔ)言是人們一直努力的一個(gè)方向，對(duì)計(jì)算機(jī)直接用語(yǔ)言信息發(fā)號(hào)施令，我們的雙手才能真正得到解放。

[1]胡航.語(yǔ)音信號(hào)處理.2版.哈爾濱：哈爾濱工業(yè)大學(xué)出版社，2002：256.

[2]劉幺和，宋庭新.語(yǔ)音識(shí)別與控制應(yīng)用技術(shù).北京：科學(xué)出版社，2008：201.

[3]易克初.語(yǔ)音信號(hào)處理.北京：國(guó)防工業(yè)出版社，2000，14：363.

[4]李波，王成友，楊聰，等.基于語(yǔ)音頻譜包絡(luò)抽取的MFCC算法.長(zhǎng)沙：國(guó)防科技大學(xué)學(xué)報(bào)，2004.

[5]桂蘋(píng)，吳鎮(zhèn)揚(yáng)，趙力，等.基于VQ的說(shuō)話人自動(dòng)識(shí)別系統(tǒng)的實(shí)現(xiàn)[D].東南大學(xué)，2003.