第三章语音信号的特征分析.pptVIP

第三章 语音信号的特征分析 语音信号的数字化 语音信号的短时分析与短时处理的概念 语音信号的时域特征分析 语音信号的频率特征分析 语音信号的同态解卷与倒谱分析 端点检测、语音分割与基频估计 3.1 语音信号的数字化 模拟语音信号在时间与幅度上的二重连续性 时间上离散化：每秒钟需要采集多少个声音样本， 也就是采样频率(fs)是多少， 幅度上离散化：每个声音样本的位数(bit per sample，bps) 应该是多少，也就是量化精度。 奈奎斯特采样定理：fs 2 fmax 窄带语音信号： fs =8000Hz 电话语音（固网电话通信频带为300-3400Hz) 可以基本保持语义，不影响人对语音的感知 质量不是很好，有时候会有变音 宽带语音信号：fs =16000Hz 一般对语音质量要求较高的场合 再提高采样频率也不会对语音质量有太多贡献 量化所用比特越大，声音质量越好 声音质量也跟量化算法有关，比如同样用8bit量化，非均匀量化（μ-律或A-律）就比均匀量化好很多 固网电话语音量化就是用的非均匀量化 3.2 语音信号的短时分析 语音分析是语音信号处理的前提和基础； 分析的目的是提取需要的信息，获取特征表示参数； 短时分析 语音是一个时变信号 语音的短时平稳特性，在10～30ms时间段内相对平稳 预滤波 预滤波的目的 防止混叠干扰 抑制50Hz的电源干扰 预滤波实际上是一个带通滤波器，其上下截止频率分别为fH和fL 。 对于电话语音编码器而言，要求fH=3400Hz, fL=60~100Hz， fs=8KHz. 对于语音识别系统而言，用于电话用户时要求技术指标与语音编码器相同，如果对于更高的要求场合，则fH=4500Hz或8000Hz, fL=60Hz， fs=10KHz或20KHz 帧和加窗的概念 短时分析将语音流分为一段一段来处理，每一段称为一“帧”； 帧长：10～30；帧移：0～1倍帧长，帧与帧之间的平滑过渡； 语音识别中常用的帧长为20~30ms,帧移为10ms 为了减小语音帧的截断效应，需要加窗处理； 几种不同的窗函数波形与频谱的比较 不同的窗选择，将决定短时语音分析结果的好坏 首先是窗的长度，无论什么形状的窗，长度N将起决定性的作用。 N选得太大，不能保证每一帧的语音的平稳特性 N太小，不能保证信号的统计特性，容易产生统计噪声 对于频域分析而言，窗长N还直接决定了信号频谱的分辨率 对于语音信号，通常帧长应选择为一个语音帧包含有至少2个基音周期为好。人的语音的基音周期值是变化的，从女性小孩的2ms到老年男子的14ms（即基音频率为500Hz至70Hz），所以N的选择是比较困难的。通常折衷的选择N为20~30ms。若采用频率为10KHz，则相当于每帧的长度（即窗口序列的长度）约为200~300点为宜。若采样频率为8KHz，相当于160~240点 其次是窗口的形状，不同的窗，其频率特性是不一样的，这在短时频域分析时尤为重要。 窗函数频谱的主瓣与旁瓣 主瓣: 主瓣宽度控制频谱分析的频率分辨率，主瓣越窄，频率分辨率越高 矩形窗的主瓣宽度 = fs/N hamming窗的主瓣宽度 约为 2fs/N 旁瓣: 旁瓣的高度决定了对临近频率成分的干扰抑制能力，高度越低，抑制干扰能力越强 矩形窗: 主瓣高度 - 第一个旁瓣高度 ≈ 13dB hamming窗: 主瓣高度 - 第一个旁瓣高度 40dB 旁瓣高度跟窗长N 无关 窗函数及其比较 三种窗函数都有低通特性，通过分析三种窗的频率响应幅度特性可以发现： 矩形窗的主瓣宽度最小分辨率最高，旁瓣高度最高，会导致泄漏现象，哈明窗的主瓣最宽，分辨率低（可以通过适当提高窗长解决），旁瓣高度最低，可以有效的克服泄漏现象，具有更平滑的低通特性，应用更广泛。 3.3 语音信号的时域特征分析 短时能量 短时平均幅度 短时过零率 短时自相关函数 短时平均幅度差函数 语音信号的短时能量（语音信号强度的度量参数） 语音信号x(n)的短时能量（假定加长度为N的窗）可以表示为 若加的是矩形窗 则 短时平均能量的主要用途 可以从语音中区别出浊音来，因为浊音时短时平均能量的值要比清音时短时平均能量的值大很多； 可以用来区别声母和韵母的分界、无声和有声的分界等 语音信号的短时平均幅度 语音信号的短时过零率 过零就是指信号通过零值。过零率(zero-crossing rate)就是每秒内信号值通过零值的次数。 对于离散时间序列，过零则是指序列取样值改变符号，过零率则是每秒内信号样本改变符号的次数。对于语音信号，则是指在一帧语音中语音信号波形穿过横轴（零电平）的次数。可以用相邻两个取样改变符号的次数来计算。 短时过零率 波形穿过横轴（