语音处理简介.PPTVIP

語音處理簡介 語音處理簡介 聲音訊號(Audio Signals):泛指由人耳聽到的各種聲音的訊號 聲音代表了空氣的密度隨時間的變化，是一個連續的函數，將聲音儲存到電腦時，必須先將訊號數位化，其中有幾個參數需要考慮： 取樣頻率（sample Rate），常用的取樣頻率如下: (1) 8 kHz (2) 16 KHz (3)22.05 KHz (4)44.1 KHz 取樣解析度（Bit Resolution）：每個聲音資料點所用的位元數，常用的數值如下: (1) 8-bit (2) 16-bit 聲道:一般只分單聲道（Mono）或立體聲（Stereo），立體音即是雙聲道 辨識流程 預處理 特徵擷取 物種結果 訓練 辨識 語音預處理 預強調 為了補償語音在空氣傳送中，所衰減的高頻訊號，故將語音訊號 s(n) 通過一個高通濾波器，其公式為: 舉例來說，某一訊號前三個取樣值如下所示: 其中a為一個0.9 ~ 1.0之間的值，一般都取0.95 1200 1100 1300 … x(0) x(1) x(2) … Value Index 預強調 經由預強調的值s為: s(0): s(0) = x(0) = 1200 s(1): s(2): x(1)-0.95*x(0) = 1100-0.95*1200 = - 40 x(2)-0.95*x(1) = 1300-0.95*1100 = 255 音框化 在分析聲音時，通常以「短時距分析」（Short-term Analysis）為主，因為音訊在短時間內是相對穩定的。 一般音框長度範圍為10ms至40ms之間，且為防止前後音框變化劇烈，因此允許音框之間有重疊，重疊部分可以是音框長度的 1/2 到 2/3 不等 切音框示意圖 音框化 假設取樣頻率為16kHz，音框長度取25ms，音框重疊部分為15ms，則: 音框重疊點數: 音框點數: 音框前進點數: 取樣點數(fs)*時間長度= 16kHz * 25ms =400點 取樣點數(fs)*重疊時間長度= 16kHz * 15ms =240點 音框點數-音框重疊點數= 400-240 = 160點 音框化 一個長度1秒，取樣頻率16kHz的語音，總音框數為: 總音框數: (訊號總取樣點– 音框點數)/音框前進點數+1 (訊號總取樣點– 音框點數)/音框前進點數+1 =(16000-400)/160+1 =98.5 出現小數點，取無條件進入法，最終總音框數為99 音框示意 以上是音框示意圖， 音框點數(音框的長度): 4點 音框重疊部分: 1/2 音框重疊點數: 2點 總音框數: (16-4)/2+1=7 窗函數 為了消除視窗兩邊的訊號的不連續，通常會加上漢明窗(Hamming Window)，其公式為: otherwise 其中 N為音框點數 窗函數 漢明窗 漢明窗頻率響應 窗函數 * *