基于短時(shí)自相關(guān)及過零率的語音端點(diǎn)檢測算法

紀(jì)振發(fā)，楊　暉， 李　然， 金銀超

(上海理工大學(xué) 光電信息與計(jì)算機(jī)工程學(xué)院，上海 200093)

?

基于短時(shí)自相關(guān)及過零率的語音端點(diǎn)檢測算法

紀(jì)振發(fā)，楊暉， 李然， 金銀超

(上海理工大學(xué) 光電信息與計(jì)算機(jī)工程學(xué)院，上海 200093)

傳統(tǒng)的基于短時(shí)能量端點(diǎn)檢測算法，在高信噪比環(huán)境下可以比較準(zhǔn)確地檢測出語音端點(diǎn)，但在低信噪比環(huán)境下檢測效果不理想。文中提出了基于短時(shí)自相關(guān)最大值與短時(shí)過零率之積的改進(jìn)算法。利用短時(shí)自相關(guān)最大值可以有效地區(qū)分出語音段和噪音段，利用短時(shí)過零率可有效地檢測出清音信號(hào)，將兩參數(shù)相結(jié)合可有效地檢測出低信噪比語音信號(hào)的端點(diǎn)。實(shí)驗(yàn)證明，在低信噪比環(huán)境下該改進(jìn)算法相比短時(shí)能量算法減小了檢測誤差，可以有效地檢測出語音端點(diǎn)。

端點(diǎn)檢測；短時(shí)能量；短時(shí)自相關(guān)最大值；短時(shí)過零率

Technology,Shanghai200093,China)

語音識(shí)別以語音為研究對(duì)象，是語音信號(hào)處理的一個(gè)研究方向，是模式識(shí)別的一個(gè)分支，涉及到生理學(xué)、語言學(xué)、計(jì)算機(jī)科學(xué)及信號(hào)處理等諸多領(lǐng)域，其最終目的是實(shí)現(xiàn)人與機(jī)器進(jìn)行自然語言通信，用語言操縱計(jì)算機(jī)[1]。語音識(shí)別的基礎(chǔ)環(huán)節(jié)是端點(diǎn)檢測, 語音端點(diǎn)檢測是指從包含語音的一段信號(hào)中判斷各語音片段的起止點(diǎn)、區(qū)分純?cè)肼暥魏蛶г胝Z音段[2]。準(zhǔn)確的語音端點(diǎn)檢測不僅可以提高后續(xù)處理(如語音識(shí)別)的正確率和處理效率，還能為后續(xù)處理提供段落分割的依據(jù)[3]。在實(shí)驗(yàn)室高信噪比環(huán)境下，傳統(tǒng)的端點(diǎn)檢測算法可以較好地檢測出語音端點(diǎn)，然而在低信噪比環(huán)境下,大多數(shù)端點(diǎn)檢測算法的性能均急劇下降[4-5]。因此在低噪聲環(huán)境下如何提高語音端點(diǎn)檢測的準(zhǔn)確率尤為重要[6]。

目前常用的端點(diǎn)檢測算法有：短時(shí)能量[7]、短時(shí)自相關(guān)[8]、短時(shí)過零率[8]等。利用背景噪聲的短時(shí)能量最低，濁音的短時(shí)能量最高，清音的短時(shí)能量居于前兩者之間的特性[9]，在高信噪比環(huán)境下可以有效地區(qū)分出語音和噪聲。但是大量實(shí)驗(yàn)結(jié)果顯示，基于短時(shí)能量的方法在低信噪比和非平穩(wěn)噪聲環(huán)境中，其性能明顯下降[10]。根據(jù)濁音的過零率低，清音的過零率較高[11]，可以有效的判斷清音和濁音。利用噪聲段和語音段的短時(shí)自相關(guān)函數(shù)的不同特性進(jìn)行有效區(qū)分語音信號(hào)的噪聲段和語音段。但此方法在低信噪比環(huán)境下，不能將語音的清音很好地表征出來[12]。為此本文將短時(shí)自相關(guān)和短時(shí)過零率相結(jié)合進(jìn)行端點(diǎn)檢測。

1　短時(shí)過零率與短時(shí)自相關(guān)

1.1預(yù)處理

在語音信號(hào)端點(diǎn)檢測之前，首先要對(duì)其進(jìn)行預(yù)處理。語音信號(hào)的預(yù)處理包括預(yù)加重和加窗分幀。預(yù)加重的目的是提升高頻部分，使信號(hào)的頻譜變得平坦，保持在低頻到高頻的整個(gè)頻段中能用同樣的信噪比求頻譜，以便于頻譜分析或聲道參數(shù)分析[13]。預(yù)加重后進(jìn)行加窗分幀處理。分幀使用漢明窗加權(quán)，并采用交疊分幀的方法來實(shí)現(xiàn)。

1.2短時(shí)過零率

短時(shí)過零率就是一幀語音信號(hào)經(jīng)過零電平的次數(shù)[8]。短時(shí)過零率對(duì)疊加不同噪聲的語音信號(hào)效果不同，需要與短時(shí)自相關(guān)等其他參數(shù)相結(jié)合進(jìn)行有效的端點(diǎn)檢測。

1.3短時(shí)自相關(guān)

語音信號(hào)x(n)分幀后的第i幀語音信號(hào)xi(m)的短時(shí)自相關(guān)函數(shù)定義為[14]

(1)

其中，Ri(k)為第i幀的自相關(guān)函數(shù)；L為語音分幀后每幀的長度；k為延遲量。短時(shí)自相關(guān)不能較好的檢測清音，需要與其他參數(shù)結(jié)合進(jìn)行有效的端點(diǎn)檢測。

2　端點(diǎn)檢測

2.1清音和濁音分析

語音信號(hào)一般可分為無聲段和有聲段，有聲段又可以進(jìn)一步分為清音段和濁音段。無聲段是背景噪聲段，濁音段為聲帶振動(dòng)發(fā)出對(duì)應(yīng)的語音信號(hào)段，清音段是空氣在口腔中的摩擦沖擊或爆破而發(fā)出的語音信號(hào)段[9]。為了分析噪音、帶噪清音和帶噪濁音的短時(shí)自相關(guān)特性，運(yùn)用式(1)對(duì)3種語音信號(hào)的一幀信號(hào)分別作自相關(guān)分析，結(jié)果如圖1所示。由圖1(a)可知，噪音信號(hào)的短時(shí)自相關(guān)函數(shù)雜亂無章。由圖1(b)可知，帶噪清音信號(hào)的短時(shí)自相關(guān)函數(shù)無明顯周期性，但也不同于噪聲。由圖1(c)可知，帶噪濁音信號(hào)的短時(shí)自相關(guān)函數(shù)呈現(xiàn)明顯的周期性。另外，每幀噪聲、清音、濁音信號(hào)的峰值最大值相差較大。

圖1　帶噪語音信號(hào)短時(shí)自相關(guān)波形

對(duì)清音和濁音分別作頻譜分析，結(jié)果如圖2所示。由圖2(a)可知，清音語音的多數(shù)能量出現(xiàn)在較高的頻率上，因此清音的過零率較高。由圖2(b)可知，濁音語音的能量主要集中在低頻部分，而且具有高頻跌落的頻譜，因此濁音的過零率較低。

圖2　語音頻譜圖

為了驗(yàn)證短時(shí)自相關(guān)和短時(shí)過零率對(duì)清音段和濁音段的分辨效果，錄取語音“7”，其波形如圖3(a)所示，此語音的前段是清音段，后段是濁音段。其短時(shí)過零率和短時(shí)自相關(guān)函數(shù)最大值如圖3(b)、圖3(c)所示。由圖3(b)可明顯看出清音段的過零率較高；而濁音段的過零率較低。由圖3(c)可知，濁音段的短時(shí)自相關(guān)函數(shù)最大值較大，清音段和背景噪聲段短時(shí)自相關(guān)函數(shù)最大值較小。因此將短時(shí)過零率與短時(shí)自相關(guān)相結(jié)合可以有效的檢測語音端點(diǎn)。

圖3　語音信號(hào)檢測分辨圖

2.2改進(jìn)算法

由以上分析可知，只利用短時(shí)自相關(guān)性對(duì)清音的檢測精度不高，為此引入短時(shí)過零率作為輔助參數(shù)，求取語音信號(hào)的短時(shí)自相關(guān)函數(shù)最大值與短時(shí)過零率之積，然后進(jìn)行端點(diǎn)檢測。對(duì)每幀語音信作短時(shí)自相關(guān)函數(shù)，結(jié)合式(1)求取每幀自相關(guān)函數(shù)的最大值(Ri,max)，其定義為

(2)

每幀語音信號(hào)的自相關(guān)函數(shù)最大值與過零率之積(RZi)，其定義為

(3)

其中，Zni為第i幀的短時(shí)過零率。

短時(shí)自相關(guān)參數(shù)可有效的區(qū)分語音段和噪音段，短時(shí)過零率參數(shù)可以有效的判別清音和濁音。此改進(jìn)算法結(jié)合兩個(gè)參數(shù)的優(yōu)點(diǎn)，將兩個(gè)參數(shù)相乘結(jié)合為一個(gè)參數(shù)簡化了門限判別運(yùn)算，可有效地避免清音段引起的檢測誤差，更準(zhǔn)確得識(shí)別出語音信號(hào)端點(diǎn)。

3　實(shí)驗(yàn)數(shù)據(jù)分析

基于短時(shí)能量的端點(diǎn)檢測算法對(duì)高信噪比語音信號(hào)有絕對(duì)準(zhǔn)確的檢測結(jié)果，所以基于短時(shí)能量算法檢測出的端點(diǎn)適用于作為對(duì)比標(biāo)準(zhǔn)。對(duì)于本文提出的改進(jìn)算法，首先要保證其對(duì)于高信噪比的信號(hào)有較高的檢測正確率。為此，錄取100個(gè)高信噪比語音信號(hào)作為檢測樣本，對(duì)于每一次對(duì)比，用基于短時(shí)能量算法對(duì)此高信噪比語音信號(hào)檢測出的端點(diǎn)作為對(duì)比標(biāo)準(zhǔn)。對(duì)100個(gè)樣本信號(hào)計(jì)算語音信號(hào)檢測的起點(diǎn)(止點(diǎn))與標(biāo)準(zhǔn)起點(diǎn)(止點(diǎn))的差值作為誤差，并對(duì)誤差檢測結(jié)果進(jìn)行統(tǒng)計(jì)。改進(jìn)算法與短時(shí)能量算法在語音信號(hào)起止點(diǎn)處的誤差統(tǒng)計(jì)直方圖如圖4所示。由圖4可知，起點(diǎn)處的誤差在6～9ms，止點(diǎn)處的誤差在9～12ms，檢測誤差比較小，可以忽略。綜上所述，對(duì)于高信噪比語音信號(hào)本文提出的端點(diǎn)檢測改進(jìn)算法可以準(zhǔn)確的檢測出其端點(diǎn)。

圖4　高信噪比語音信號(hào)起止點(diǎn)誤差統(tǒng)計(jì)直方圖

為了證明對(duì)于低信噪比語音信號(hào)本文提出的改進(jìn)算法具有較好的檢測效果，對(duì)100個(gè)樣本信號(hào)中每一個(gè)信號(hào)疊加信噪比為20dB的高斯白噪聲。用上述同樣的方法計(jì)算誤差，并對(duì)誤差檢測結(jié)果進(jìn)行統(tǒng)計(jì)，兩種端點(diǎn)檢測方法在語音信號(hào)起止點(diǎn)處的誤差統(tǒng)計(jì)直方圖如圖5所示。

圖5中，兩種端點(diǎn)檢測算法在語音信號(hào)端點(diǎn)處的檢測誤差都大體服從正態(tài)分布。改進(jìn)算法檢測的起止點(diǎn)誤差分別主要集中在(15～20ms)和(25～30ms)區(qū)間，短時(shí)能量算法檢測的起止點(diǎn)誤差分別主要集中在(25～30ms)和(35～40ms)區(qū)間，所以，本文提出的改進(jìn)算法比短時(shí)能量算法有較小的分布誤差。另外，改進(jìn)算法的誤差擬合曲線分布相對(duì)陡峭，而短時(shí)能量算法的誤差擬合曲線分布相對(duì)廣泛。由以上可知，對(duì)于疊加相同噪聲的語音信號(hào)，改進(jìn)算法相對(duì)短時(shí)能量算法有較高的端點(diǎn)檢測準(zhǔn)確率。

圖5　帶噪語音信號(hào)起止點(diǎn)誤差統(tǒng)計(jì)直方圖

為更好地說明改進(jìn)算法對(duì)低信噪比語音信號(hào)有較好的檢測優(yōu)越性，對(duì)100個(gè)樣本語音信號(hào)疊加不同信噪比的高斯白噪聲，并對(duì)其檢測統(tǒng)計(jì)，作出兩種端點(diǎn)檢測算法在起止點(diǎn)處的均值誤差圖如圖6所示，橫坐標(biāo)為疊加高斯白噪聲的信噪比，信噪比越小表示疊加的噪聲強(qiáng)度越大?？v坐標(biāo)為100個(gè)樣本語音信號(hào)疊加不同信噪比噪聲后，信號(hào)在起止點(diǎn)處檢測的均值誤差。黑色實(shí)線為改進(jìn)算法的均值誤差擬合曲線，黑色虛線為短時(shí)能量算法的均值誤差擬合曲線。

如圖6所示，(1)兩種端點(diǎn)檢測方法在低信噪比環(huán)境下其誤差波動(dòng)都比較大，但隨著信噪比的提高誤差波動(dòng)越來越??；(2)兩種端點(diǎn)檢測算法在語音信號(hào)信噪比特別低時(shí)檢測均值誤差都比較大，但隨著語音信號(hào)信噪比的提高檢測誤差越來越??；(3)在信噪比為10～25dB的范圍內(nèi)，改進(jìn)算法的檢測均值誤差相對(duì)短時(shí)能量算法的檢測均值誤差較小，且誤差波動(dòng)相對(duì)較小。由以上可知，在低信噪比環(huán)境下改進(jìn)算法的端點(diǎn)檢測效果相對(duì)較好。另外，隨著信噪比提高，當(dāng)信噪比高于30dB后，兩種端點(diǎn)檢測算法的均值誤差幾乎相近，此時(shí)都有較高的檢測準(zhǔn)確率。由圖6(a)和圖6(b)對(duì)比可知，對(duì)同一帶噪語音信號(hào)，止點(diǎn)處檢測均值誤差相比起點(diǎn)處要大一些。

圖6　帶噪語音信號(hào)起止點(diǎn)均值誤差圖

4　結(jié)束語

本文提出了基于短時(shí)自相關(guān)最大值與短時(shí)過零率之積的改進(jìn)算法，此算法的主要思想是利用清音、濁音和噪音信號(hào)不同的短時(shí)自相關(guān)特性來有效區(qū)分語音段和噪音段，利用短時(shí)過零率有效判別濁音和清音。將語音信號(hào)的短時(shí)自相關(guān)函數(shù)最大值與短時(shí)過零率相乘，然后進(jìn)行端點(diǎn)檢測。其主要特點(diǎn)為：(1)清音信號(hào)的每幀自相關(guān)函數(shù)最大值比較小，過零率較高。濁音信號(hào)的每幀自相關(guān)函數(shù)最大值比較大，過零率較低；(2)依據(jù)清音與濁音段的不同特性，以短時(shí)過零率算

法輔助修正短時(shí)自相關(guān)算法，可以有效避免清音段引起的檢測誤差，得到更加準(zhǔn)確的語音端點(diǎn)；(3)對(duì)于低信噪比語音信號(hào)(10～25dB)，本文提出的改進(jìn)算法的檢測均值誤差相對(duì)較小，誤差波動(dòng)相對(duì)較小。由此得出，在低信噪比環(huán)境下，改進(jìn)算法的檢測準(zhǔn)確率相對(duì)較高，具有一定的抗噪性。

[1]張雪英.數(shù)字語音處理及Matlab仿真[M].北京：電子工業(yè)出版社，2010.

[2]YiKCH，TianB，F(xiàn)uQ.Speechsignalprocessing[M].Beijing：NationalDefenceIndustryPress，2000.

[3]GhoshPK,TsiartasA,NarayananS.Robustvoiceactivitydetectionusinglong-termsignalvariability[J].IEEETransactionsonAudio,Speech,andLanguageProcessing, 2011, 19(3): 600-613.

[4]Bou-GhazaleSE,AssalehK.Arobustendpointdetectionofspeechfornoisyenvironmentswithapplicationtoautomaticspeechrecognition[C].Shanghai:ProceedingofIEEEICASSP, 2002.

[5]ShafranI,RoseR.Robustspeechdetectionandsegmentationforreal-timeASRapplications[J].Acoustics,Speech,andSignalProcessing,Proceedings, 2003(1): 6-10.

[6]蔡蓮紅,黃德智,蔡銳.現(xiàn)代語音技術(shù)基礎(chǔ)與應(yīng)用[M].北京：清華大學(xué)出版社,2003.

[7]LiQ.Robustendpointdetectionandenergynormalizationforreal-timespeechandspeakerrecognition[J].IEEETransactionsonSpeechandAudio,2002,10(3)：146-157.

[8]韓紀(jì)慶,張磊,鄭鐵然.語音信號(hào)處理[M].北京：清華大學(xué)出版社,2013.

[9]肖軍,袁劍峰,欒江峰,等.一種基于短時(shí)能量和高階差分的端點(diǎn)檢測方法[J].北京師范大學(xué)學(xué)報(bào),2012,48(2):146-147.

[10]郭麗惠,何昕,張亞昕,等.基于順序統(tǒng)計(jì)濾波的實(shí)時(shí)語音端點(diǎn)檢測算法[J].自動(dòng)化學(xué)報(bào),2008,34(4)：419-420.

[11]尹巖巖,殷業(yè),羅漢文,等. 基于短時(shí)能零熵的端點(diǎn)檢測方法[J].計(jì)算機(jī)仿真,2012,29(11)：408-409.

[12]王綱金，趙歡.低信噪比環(huán)境下語音端點(diǎn)檢測方法研究[D].長沙：湖南大學(xué),2011.

[13]陳棟，趙榮椿.語音信號(hào)前端處理技術(shù)研究[D].西安：西北工業(yè)大學(xué),2005.

[14]宋知用.Matlab在語音信號(hào)分析與合成中的應(yīng)用[M].北京：北京航空航天大學(xué)出版社,2013.

Speech Endpoint Detection Algorithm Based on Short Time Autocorrelation and Short-time Zero Crossing Rate

JIZhenfa,YANGHui,LIRan,JINYinchao

(SchoolofOptical-ElectricalandComputerEngineering,UniversityofShanghaiforScienceand

Thetraditionalendpointdetectionalgorithmbasedonshort-timeenergycandetectspeechendpointaccuratelyinhighSNRenvironment,buttheeffectisnotsatisfactoryinlowSNRenvironment.Forthispurpose,animprovedalgorithmisproposedbasedonthemaximumvalueofshort-timeautocorrelationandthezerocrossingrate.Theshort-timeautocorrelationmaximumisusedforvalidspeechsegmentsareaandnoise,whiletheshort-timezerocrossingratefortheeffectivedetectionoftheunvoicedsignal,thuseffectivelydetectingtheendpointofthespeechsignal.ExperimentsshowthattheimprovedalgorithmreducesthedetectionerrorcomparedtotheshorttimeenergyalgorithminthelowSNRenvironment,anditcaneffectivelydetectthespeechendpoint.

endpointdetection;short-timeenergy;short-timeautocorrelationmaximum;short-timezerocrossingrate

2015- 12- 14

紀(jì)振發(fā)(1990-)，男，碩士研究生。研究方向：信號(hào)處理。楊暉(1981-)，男，博士，副教授。研究方向：光學(xué)精密測量。

10.16180/j.cnki.issn1007-7820.2016.09.015

TN912.34

A

1007-7820(2016)09-052-04