通过IP网络传输语音信号的语音激活检测算法比较..docVIP

通过IP网络传输语音信号的语音激活检测算法比较 摘要 我们讨论通过IP网络传输语音（VoIP）的语音激活检测（VAD）技术。VAD旨在保存一段语音的带宽必备要求，同时提高带宽利用率。在本文中我们比较了在时域和频域的VAD算法的语音质量，压缩率和计算复杂度。时域算法计算简单。但是，用频域算法可以获得较好的语音质量。对于语音质量的优点和缺点的主观比较都是基于去掉了静默片段后的算法的比较。还有基于不同算法的语音质量的定量比较。 绪论 传统的基于语音的通信用的是公用电话交换网络（PSTN）。当主叫和被叫之间距离很长时该系统是很昂贵的，因为它是基于连接的。当今的趋势是在数据网络上传输该业务。数据网络利用统计学的复用技术可以更有效的传输和资源共享。所以，与电路交换网络相比，费用就要低得多。但是，该网络不能保证语音信号的可靠传输。通过语音数据包或VoIP系统传输语音必须保证其质量不会因为网络环境比如包丢失和延时而有明显的恶化。因此，提供通过VoIP系统的语音质量等级标准是一个挑战。在本文中，我们研究用VAD技术通过因特网进行语音连接时在保证语音质量的同时减小带宽要求的问题。 VAD算法是为了找到突发语音的起点和终点。它是用在比如语音识别系统、语音压缩和编码等的非实时系统中。VAD对于VoIP系统也是非常有用的，虽然在VoIP中对于突发语音的起点和终点的检测的要求没那么严格。 在VoIP系统中语音数据（或者包开销）是伴随文件头一起在网络上传输的。对于实时协议（RTP）该文件头的大小是12字节。为了获得较好的网络传输率，头文件与净荷的比例对于净荷大小的选择是一个非常重要的因素。较小的净荷有助于获得较好的实时质量，但降低了传输率。相反，较大的净荷提高了传输率却降低了实时性。在本文中代表语音片段的固定不变的净荷大小也就是“帧”的大小取决于以上的考虑。如果某一帧不含语音信号，那么它就不用传输。用于VoIP系统的VAD技术就是决定一帧中是否含有语音信号。它的算法一般是基于一帧一帧的。 在本文中，用各种不同的算法重构了各种不同的复杂度和质量的语音。在时域和频域都进行了讨论。通过对语音质量进行定量检测分析，详尽比较了各种算法，结果表明它是针对相似工作的一种改进。以往的许多VAD研究是基于能量算法的。在本文中，给出了选择不同比例参数的处理过程。 语音特征 图1.一个典型的语音信号 会话时的语音是一系列连续的语音和静默的片段。VAD算法利用语音特征的某些形式来区分语音和静默片段。这样识别和去除静默片段有助于减少因特网的数据量。 静默片段 术语“静默片段”并不是指在该时期内能量为零的数据包，而是指无法理解的声音背景噪音。VAD算法处理几乎听不见的静默时期。 1.3.VAD算法的优势 优化判据：语音的物理特性可以作为区分静默片段和语音片段的可靠判据。 变化的背景噪音的适应性：适应非平稳的背景噪音有助于改善鲁棒性，特别是在无线移动通信的应用中。 低计算复杂度：网络电话是一个实时的应用。所以VAD算法的复杂度很低以适应实时应用的要求（不超过一个数据包时间）。 再生语音的质量。 带宽保存的最大化。 2.VAD设计的参数 声音信号因语音和静默的特征的不同而不同。信号被分为连续的帧。一个非负的实参数被分给每一个帧。对于时域算法，该参数是每一帧的能量和过零点数。对于频域算法，该参数是每一帧的频谱及方差。如果这个参数超过了某一阈值，该信号帧就以激活或非激活进行分类。 2.1.帧长选择 被传输的激活帧在接收器的包缓存器中排队。这就必须保证即使是由于网络环境造成了即将到来的数据包的延时依然能够正常的播放音频。 因此，一个VoIP系统有能容纳3-4个数据包的缓存。长度为10ms的帧允许VoIP系统在排队开始建立的30-40ms内在接收端开始播放音频。如果帧长为50ms，将会有150-200ms的初始延时。所以帧长的选择必须恰当。当前VoIP系统使用5-40ms大小的帧。 所有VAD算法的语音编码规范： 8kHz采样频率 256级线性量化（8比特脉冲编码调制） 单通道记录 采用线性脉冲编码调制（PCM）的优点是语音数据可以采用其他任何压缩编码方式。 在时域和频域的VAD算法中每一帧均采用10ms和80个采样值，而避免了填充DCT计算。 2.2.一帧的能量 一帧的能量指示了可能出现的声音数据，它是VAD算法的重要参数。 假设X（i）是语音的第i个样值。如果该帧的长度是k个样值，那么第j帧的时域和频域序列可表示如下： （1） （2） 我们还可以将第j帧的能量Ej表示如下