指數(shù)函數(shù)規(guī)整群時(shí)延的VAD特征研究

王金芳，虢 明

(吉林大學(xué)通信工程學(xué)院，長(zhǎng)春130012)

語(yǔ)音活動(dòng)檢測(cè)(Voice active detection，VAD)是檢測(cè)語(yǔ)音中有/無聲的技術(shù)。早期VAD利用啟發(fā)式模型，例如短時(shí)能量［1］、短時(shí)過零率［2］、高階統(tǒng)計(jì)分析［3］等對(duì)語(yǔ)音和非語(yǔ)音實(shí)施判別。近期的系統(tǒng)采用特征－模型的方法，包括兩個(gè)關(guān)鍵部分:特征提取和模型建立。由于上述方法的特征容易受到噪聲的影響，在高噪聲條件下，其檢測(cè)性能難以得到保障，如何提取強(qiáng)魯棒性的特征成為這種方法的關(guān)鍵。在聽覺感知方面，Alsteris等［4］證實(shí)，短時(shí)相位譜起著重要作用。群時(shí)延函數(shù)(Group delay function，GDF)是相位譜對(duì)頻率的微分，作為特征，已展示出對(duì)語(yǔ)音一定的表征效力［5－7］。經(jīng)由Murthy等［8］分析和證明，群時(shí)延函數(shù)具有優(yōu)良的噪聲魯棒性能。時(shí)域信號(hào)的卷積，在頻域表現(xiàn)為信號(hào)相乘，相位則為相加，因此，諧振的存在導(dǎo)致群時(shí)延函數(shù)本身具有明顯的尖峰效應(yīng)，妨礙進(jìn)一步處理。一種改進(jìn)方法是將幅度譜進(jìn)行倒譜平滑［7］，并引入兩個(gè)參數(shù)降低其動(dòng)態(tài)變化范圍，得到改進(jìn)群時(shí)延函數(shù)(Modified group delay function，MODGDF)［5］。為滿足對(duì)共振峰的有效估計(jì)，改進(jìn)的群時(shí)延函數(shù)摒棄了語(yǔ)音信號(hào)中的激勵(lì)成份，只保留聲道響應(yīng)部分，造成MODGDF對(duì)原聲學(xué)空間表征能力下降。本文提出指數(shù)函數(shù)規(guī)整群時(shí)延函數(shù)(Exponent function warping group delay function，EGDF)，在降低群時(shí)延譜動(dòng)態(tài)變化范圍、抑制尖峰效應(yīng)的同時(shí)，減少特征提取過程的信息丟失?；贕MM的VAD實(shí)驗(yàn)表明，在噪聲魯棒性和檢測(cè)精度方面，本文方法優(yōu)于改進(jìn)的群時(shí)延函數(shù)。

1 群時(shí)延函數(shù)

設(shè)語(yǔ)音信號(hào)序列x(n)的傅里葉變換表示為x(ejω)，其相位為θ(ejω)，則極坐標(biāo)形式的傅里葉變換為

定義群時(shí)延函數(shù)

式中:下標(biāo)R和I分別表示實(shí)部和虛部;Y(ejω)是信號(hào)的傅里葉變換。信號(hào)y(n)=nx(n)的傅里葉變換的連續(xù)性使得未卷繞(Unwrapped)的相位函數(shù)具備連續(xù)性。由于實(shí)際計(jì)算中，相位被卷繞到(－π，π］區(qū)間內(nèi)，如果直接對(duì)相位取導(dǎo)數(shù)會(huì)因卷繞造成群時(shí)延函數(shù)不具備連續(xù)性，因此選擇式(2)作為群時(shí)延函數(shù)常用表達(dá)式。根據(jù)語(yǔ)音信號(hào)產(chǎn)生的源濾波器模型，假設(shè)聲道沖激響應(yīng)由若干諧振器和反諧振器級(jí)聯(lián)而成，表現(xiàn)形式即是傅里葉變換幅度的相乘，其傅里葉變換相位譜轉(zhuǎn)化為若干諧振器和反諧振器非卷繞相位譜的疊加。經(jīng)對(duì)式(1)取對(duì)數(shù)操作，原傅里葉變換域各模塊乘積形式轉(zhuǎn)化為群時(shí)延域加性形式。諧振時(shí)，群時(shí)延數(shù)值急劇增大，出現(xiàn)局部峰值，而根據(jù)式(2)，此時(shí)的信號(hào)幅度接近零，即信號(hào)z變換零點(diǎn)接近單位圓，形成群時(shí)延函數(shù)的尖峰效應(yīng)，零點(diǎn)越接近單位圓，其幅度越大［8］。圖1(c)給出取樣率8 kHz，時(shí)長(zhǎng)25 ms語(yǔ)音片段的群時(shí)延函數(shù)曲線?？捎^察到，群時(shí)延幅度范圍大大高于幅度譜的范圍，并且較幅度譜觀察不到明顯的說話人信息。激勵(lì)源聲門周期是另外一種產(chǎn)生群時(shí)延尖峰效應(yīng)的因素，表現(xiàn)為諧波成份，如圖1(a)中周期性的波動(dòng)成分，對(duì)群時(shí)延譜精細(xì)結(jié)構(gòu)有很大貢獻(xiàn)。通常的平滑技術(shù)難以消除這些尖峰，尖峰效應(yīng)的存在使計(jì)算難度加大。對(duì)于共振峰估計(jì)等，只需得到尖峰位置信息，不需要尖峰的強(qiáng)度，所以需抑制尖峰效應(yīng)，一種方法是丟掉激勵(lì)源信息，而僅考慮聲道信息，即倒譜平滑群時(shí)延函數(shù)(Cepstrally smoothed group delay function，CSGDF)，最初由Yegnanarayana等［7］提出，實(shí)施方法是以倒譜平滑版本|Sc(ejω)|2取代式(2)的分母項(xiàng)|X(e)jω|2而得到

按文獻(xiàn)［5］選擇最優(yōu)倒譜平滑濾波器長(zhǎng)度l=6，其倒譜平滑群時(shí)延函數(shù)如圖1(d)所示，其動(dòng)態(tài)范圍較GDF進(jìn)一步增加，卻可以觀察到與幅度譜相似的信息。

接著，Murthy等［5］引入兩個(gè)參數(shù)α和γ，使倒譜平滑群時(shí)延函數(shù)的動(dòng)態(tài)范圍進(jìn)一步降低，得到改進(jìn)群時(shí)延函數(shù)(MODGDF)為

圖1 純凈語(yǔ)音、幅度譜及各類群時(shí)延譜Fig.1 Pure speech，amplitude spectrum and various group delay spectrums

2 指數(shù)函數(shù)規(guī)整群時(shí)延

由于CSGDF和MODGDF的目的是利用其共振峰估計(jì)信息，都只是改進(jìn)群時(shí)延函數(shù)的聲道特性。由于忽略激勵(lì)源信息，降低了語(yǔ)音表征力。

為了在減小群時(shí)延變化動(dòng)態(tài)范圍的同時(shí)避免丟失語(yǔ)音有效信息，定義指數(shù)函數(shù)規(guī)整群時(shí)延函數(shù)

其曲線如圖1(f)所示，不僅保留了激勵(lì)源信息，而且縮短了群時(shí)延變化動(dòng)態(tài)范圍。從幅度譜可觀察到明顯的共振峰，而各次諧波并不明顯;群時(shí)延具有很大的動(dòng)態(tài)范圍，諧波信息幾乎無法辨別; CSGDF譜F2尖峰突出，其它尖峰受到抑制，諧波信息難以辨別;MODGDF諧波信息豐富，動(dòng)態(tài)范圍降低約數(shù)千倍，雖然能夠確定強(qiáng)共振峰F2的位置，但其它共振峰幾乎被諧波尖峰淹沒;從EGDF譜能明確觀察到各共振峰和諧波信息。

將與圖1相同的一段語(yǔ)音片段疊加白噪聲分別生成信噪比為5 dB、0 dB的帶噪語(yǔ)音，其相應(yīng)的波形分別如圖2、圖3所示。

圖2 帶噪語(yǔ)音、幅度譜及各類群時(shí)延譜(白噪聲SNR=5 dB)Fig.2 Noisy speech，am p litude spectrum and various group delay spectrums(White noise SNR=5 dB)

圖3 帶噪語(yǔ)音、幅度譜及各類群時(shí)延譜(白噪聲SNR= 0 dB)Fig.3 Noisy speech，am plitude spectrum and various group delay spectrums(W hite noise SNR=0 dB)

圖2(c)、圖3(c)群時(shí)延譜動(dòng)態(tài)范圍較圖1 (c)仍很大，尤其值得注意的是，因?yàn)樵肼暤挠绊?，出現(xiàn)許多偽峰值。帶噪語(yǔ)音CSGDF譜的問題與純凈語(yǔ)音情況一樣凸顯。MODGDF除F2尖峰外，其它共振峰尖峰幾乎被噪聲干擾淹沒，頻頻出現(xiàn)與GDF相似的負(fù)峰值。帶噪EGDF譜的各共振峰仍然清晰可辨;與帶噪MODGDF對(duì)比，整個(gè)頻帶噪聲受到抑制，并且沒有出現(xiàn)偽峰值和負(fù)峰值;同GDF和CSGDF對(duì)比，群時(shí)延動(dòng)態(tài)變化范圍大幅降低，與MODGDF不相上下。

比較圖2和圖3，當(dāng)噪聲功率增加時(shí)，GDF和MODGDF變化很大，除大的共振峰外，其他的顯得雜亂無章，而EGDF基本沒有變化，源和聲道信息仍然清晰可辨，表明其優(yōu)良的噪聲魯棒性。

3 VAD算法及性能評(píng)價(jià)

3.1 VAD算法

GDF、CSGDF、MODGDF和EGDF倒譜域特征的計(jì)算框圖如圖4所示。

圖4 各倒譜域特征的計(jì)算框圖Fig.4 Block diagram of various cepstral features

將帶噪語(yǔ)音和背景噪聲分別建立高斯混合模型，記為λ1和λ0。根據(jù)測(cè)試語(yǔ)音特征集x，對(duì)某一幀信號(hào)，分別與上述兩個(gè)模型匹配，根據(jù)得分結(jié)果，按照下述準(zhǔn)則進(jìn)行判決決策

式中:i為幀序號(hào)，r(i)表示第i幀的判決結(jié)果。

3.2 實(shí)驗(yàn)結(jié)果

實(shí)驗(yàn)語(yǔ)音選自標(biāo)準(zhǔn)語(yǔ)音庫(kù)TIMIT數(shù)據(jù)庫(kù)，其語(yǔ)音采樣率為16 kHz，噪聲取自NOISEX－92庫(kù)，將原語(yǔ)音和噪聲數(shù)據(jù)均下采樣為8 kHz。預(yù)加重系數(shù)取0.97，分析窗為矩形窗，窗長(zhǎng)25 ms，幀移10 ms。分別按信噪比10 dB、5 dB和0 dB疊加白噪聲和Babble噪聲生成帶噪語(yǔ)音。使用帶噪語(yǔ)音(非靜音)數(shù)據(jù)訓(xùn)練帶噪語(yǔ)音的GMM，其混合度為20;噪聲GMM訓(xùn)練數(shù)據(jù)截取自測(cè)試語(yǔ)音，一般可認(rèn)為語(yǔ)音信號(hào)前200 ms為純?cè)肼?。以GDF、CSGDF、MODGDF和EGDF的倒譜系數(shù)為特征進(jìn)行GMM語(yǔ)音活動(dòng)檢測(cè)，檢測(cè)結(jié)果如圖5～圖10所示。

圖5 VAD結(jié)果(白噪聲SNR=10 dB)Fig.5 VAD results(W hite noise SNR=10 dB)

從檢測(cè)結(jié)果可知，三種信噪比下，EGDF的檢測(cè)性能都優(yōu)于GDF、CSGDF和MODGDF。幾種情況下，EGDF都能準(zhǔn)確檢測(cè)濁音，其它方法誤差很大，噪聲的存在使錯(cuò)檢增多。對(duì)比圖5 (e)和圖6(e)，5 dB結(jié)果幾乎接近于10 dB的結(jié)果，從實(shí)驗(yàn)角度證實(shí)了EGDF具有良好的噪聲魯棒性。0 dB的檢測(cè)效果有所下降，因噪聲影響導(dǎo)致對(duì)濁音的錯(cuò)檢增多，且算法對(duì)Babble噪聲的檢測(cè)效果不及白噪聲的效果，因?yàn)槠涓咏Z(yǔ)音信號(hào)。

圖6 VAD結(jié)果(白噪聲SNR=5 dB)Fig.6 VAD results(W hite noise SNR=5 dB)

圖7 VAD結(jié)果(白噪聲SNR=0 dB)Fig.7 VAD results(W hite noise SNR=0 dB)

圖8 VAD結(jié)果(Babb le噪聲SNR=10dB)Fig.8 VAD results(Babble noise SNR=10dB)

圖9 VAD結(jié)果(Babble噪聲SNR=5 dB)Fig.9 VAD results(Babble noise SNR=5 dB)

4 結(jié)論和展望

導(dǎo)致群時(shí)延函數(shù)尖峰效應(yīng)的根本原因是語(yǔ)音信號(hào)z變換零點(diǎn)接近單位圓。本文提出指數(shù)函數(shù)規(guī)整的群時(shí)延函數(shù)，在計(jì)算初始群時(shí)延函數(shù)基礎(chǔ)上，對(duì)其表達(dá)式中的功率譜采用指數(shù)函數(shù)規(guī)整，消除其在某一點(diǎn)為零的可能性，同時(shí)降低群時(shí)延的尖峰效應(yīng)。GMM語(yǔ)音活動(dòng)檢測(cè)實(shí)驗(yàn)表明，本文方法不但優(yōu)于其他的群時(shí)延函數(shù)，而且在噪聲條件下具有良好的魯棒性，驗(yàn)證了文獻(xiàn)［8］所言。今后的研究重點(diǎn)是進(jìn)一步改進(jìn)群時(shí)延函數(shù)，以加強(qiáng)其在更低信噪比下的魯棒性。

圖10 VAD結(jié)果(Babble噪聲SNR=0 dB)Fig.10 VAD results(Babble noise SNR=0 dB)

［1］Dong E，Liu G，Zhou Y，et al.Voice activity detection based on short－time energy and noise spectrum adaptation［C］∥In 2002 6th International Conference on Signal Processing(ICSP'02)，Beijing，China，2002:464－467.

［2］Sangwan A，Chiranth M C，Jamadagni H S，et al.VAD techniques for real－time speech transmission on the Internet［C］∥In 5th IEEE International Conference on High Speed Networks and Multimedia Communications，Jeju Island，Korea，2002:46－50.

［3］Nemer E，Goubran R，Mahmoud S.Robust voice activity detection using higher－order statistics in the LPC residual domain［J］.IEEE Transactions on Speech and Audio Processing，2001，9:217－231.

［4］Alsteris L D，Paliwal K K.Short－time phase spectrum in speech processing:a review and some experimental results［J］.Digital Signal Processing，2007，17:578－616.

［5］Murthy H A，Gadde V.Themodified group delay function and its application to phoneme recognition［C］∥In 2003 IEEE International Conference on Acoustics，Speech，and Signal Processing(ICASSP'03)，Hong Kong，China，2003:68－71.

［6］Murthy H A，Madhu Murthy K V，Yegnanarayana B. Formant extraction from phase using weighted group delay function［J］.Electronics Letters，1989，25:1609－1611.

［7］Yegnanarayana B，Murthy H A.Significance of group delay functions in spectrum estimation［J］. IEEE Transactions on Signal Processing，1992，40:2281－2289.

［8］Murthy H A，Yegnanarayana B.Group delay functions and its applications in speech technology［J］.Springer，2011，36:745－782.