改进的基于长时谱能量差异和基音比例的语音检测方法.pdfVIP

ｄｏｉ：１０ ．３９６９ ／ ｊ ． ｉｓｓｎ ．１００１ － ８９３ｘ．２０１３ ．０８ ．０１３ 改进的基于长时谱能量差异和基音比例的语音检测方法 孟一鸣１，，欧智坚２ （清华大学电子工程系，北京１０００８４） 摘要：语音检测是语音信号处理的前端，利用长时谱能量差异特征的语音检测无法区分突发噪声 和语音，掺杂着突发噪声的语音信号会对语音处理系统带来不良影响。提出了一种基于长时谱能量 差异特征和基音比例特征相结合的语音检测方法，该方法的优点是，在利用长时谱能量差异特征基 础上引入基音比例特征，从而有效减少了将信号中突发噪声误判为语音的错误。实验显示，该算法 能够在多种信噪比环境下取得很好的检测结果。 关键词：语音信号处理；语音检测；长时谱能量差异；基音比例；突发噪声 中图分类号：ＴＮ９１２．３ 文献标志码：Ａ 文章编号：１００１ － ８９３Ｘ（２０１３）０８ － １０３９ － ０５ Ｉｍｐｒｏｖｅｄ Ｖｏｉｃｅ Ａｃｔｉｖｉｔｙ Ｄｅｔｅｃｔｉｏｎ Ｂａｓｅｄ ｏｎ Ｌｏｎｇｔｅｒｍ Ｓｐｅｃｔｒａｌ Ｄｉｖｅｒｇｅｎｃｅ ａｎｄ Ｐｉｔｃｈ Ｒａｔｉｏ Ｆｅａｔｕｒｅｓ ＭＥＮＧ Ｙｉｍｉｎｇ１，ＯＵ Ｚｈｉｊｉａｎ２ （Ｄｅｐａｒｔｍｅｎｔ ｏｆ Ｅｌｅｃｔｒｏｎｉｃ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｔｓｉｎｇｈｕａ Ｕｎｉｖｅｒｓｉｔｙ，Ｂｅｉｊｉｎｇ １０００８４，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ｖｏｉｃｅ Ａｃｔｉｖｉｔｙ Ｄｅｔｅｃｔｉｏｎ （ＶＡＤ）ｉｓ ｔｈｅ ｆｒｏｎｔｅｎｄ ｏｆ ｓｐｅｅｃｈ ｐｒｏｃｅｓｓｉｎｇ ａｎｄ ｔｈｅ ＶＡＤ ａｌｇｏｒｉｔｈｍ ｗｈｉｃｈ ｕｓｅｓ ｌｏｎｇｔｅｒｍ ｓｐｅｃｔｒａｌ ｄｉｖｅｒｇｅｎｃｅ（ＬＴＳＤ）ｆｅａｔｕｒｅ ｃａｎ′ｔ ｄｉｓｃｒｉｍｉｎａｔｅ ａｂｒｕｐｔ ｎｏｉｓｅ ｆｒｏｍ ｓｐｅｅｃｈ． Ｔｈｅ ｓｐｅｅｃｈ ｓｉｇ ｎａｌ ｗｉｔｈ ａｂｒｕｐｔ ｎｏｉｓｅ ｗｉｌｌ ａｄｖｅｒｓｅｌｙ ａｆｆｅｃｔ ｔｈｅ ｓｐｅｅｃｈ ｐｒｏｃｅｓｓｉｎｇ ｓｙｓｔｅｍ． Ｔｈｉｓ ｐａｐｅｒ ｐｒｏｐｏｓｅｓ ａ ＶＡＤ ａｌｇｏｒｉｔｈｍ ｗｈｉｃｈ ｃｏｍｂｉｎｅｓ ＬＴＳＤ ｆｅａｔｕｒｅ ａｎｄ ｐｉｔｃｈ ｒａｔｉｏ ｆｅａｔｕｒｅ ． Ｔｈｅ ａｄｖａｎｔａｇｅ ｏｆ ｔｈｅ ａｌｇｏｒｉｔｈｍ ｉｓ ｔｈａｔ ｂｙ ｉｎｔｒｏｄｕｃｉｎｇ ｐｉｔｃｈ ｒａｔｉｏ ｆｅａｔｕｒｅ，ｉｔ ｃａｎ ｅｆｆｅｃｔｉｖｅｌｙ ｒｅｄｕｃｅ ｔｈｅ ｆａｌｓｅ ａｌａｒｍｓ ｏｆ ｔａｋｉｎｇ ａｂｒｕｐｔ ｎｏｉｓｅ ａｓ ｓｐｅｅｃｈ． Ｅｘｐｅｒｉｍｅｎｔａｌ ｒｅｓｕｌｔｓ ｓｈｏｗ ｔｈａｔ ｔｈｅ ａｌｇｏｒｉｔｈｍ ａｃｈｉｅｖｅｓ ｇｏｏｄ ｐｅｒｆｏｒｍａｎｃｅ ｆｏｒ ＶＡＤ ｕｎｄｅｒ ｖａｒｉｏｕｓ ｓｉｇｎａｌｔｏｎｏｉｓｅ ｒａｔｉｏｓ ． Ｋｅｙ ｗｏｒｄｓ：ｓｐｅｅｃｈ ｐｒｏｃｅｓｓｉｎｇ；ｖｏｉｃｅ ａｃｔｉｖｉｔｙ ｄｅｔｅｃｔｉｏｎ；ｌｏｎｇｔｅｒｍ ｓｐｅｃｔｒａｌ ｄｉｖｅｒｇｅｎｃｅ；ｐｉｔｃｈ ｒａｔｉｏ；ｂｕｒｓｔ ｎｏｉｓｅ １ 引言 语音检测，顾名思义就是指从一段信号中检测 出是否含有语音，并确定语音的起始位置。语音检 测是语音信号处理系统中的一个重要组成部分，准 确的语音检测能够有效提高后期语音信号处理的精 确度，并减少系统的运算量。 目前常用的语音检测方法主要分为基于统计模 型的方法［１］和基于特征门限的方法。基于统计模型 的方法具有较高的准确率，但是其依赖于有效的训 练数据，且运算量较大。相对于前者，基于特征门限 的方法实时性较高，但要求所选择的特征具有稳健 性［２ － ３］。 在实际的应用过程中，我们通常需要面对种类 繁多的背景噪声以及不同的信噪比环境，好的语音 检测算法应具有较强的自适应能力；同时在语音处 理系统中多存在实时性要求，故算法应尽量简单以 降低运算量。 Ｒａｍｌｒｅｚ Ｊ等人提出的基于语音长时谱能量差异 特征［４］是一种能有效区分语音和背景噪声的特征，但 是该特征却无法分辨出突发噪声和语音，这就使得在 后期处理过程中会引入许多突发噪声的特性。语音 中一个重要的特征就是基音特征，在发声过程中，基 ·９３０１· 第５３卷第８期 ２０１３年８月 电讯技术 Ｔｅｌｅｃｏｍｍｕｎｉｃａｔｉｏｎ Ｅｎｇｉｎｅｅｒｉｎｇ Ｖｏｌ ．５３ Ｎｏ．８ Ａｕｇ． ２０１３   通讯作者：ｃａｍｅｌｍｅｎｇｎｕｄｔ＠１６３． ｃｏｍ Ｃｏｒｒｅｓｐｏｎｄｉｎｇ ａｕｔｈｏｒ：ｃａｍｅｌｍｅｎｇｎｕｄｔ＠１６３． ｃｏｍ 收稿日期：２０１３ ０４ ０３；修回日期：２０１３ ０