图像识别技术课件 Chapter06 语音分析.pdf.pdf

第六章 语音分析 计算机科学技术学院 张文耀 zhwenyao@bit.edu.cn Media Computing CS@BIT 1 前言 n 耳聪目明 n 听说读写 n 语音和图像— — 重要的感知媒体 n 对语音和图像的分析处理 — — 媒体计算的主要研究对象和内容 n 语音：新一代自然人机交互的关键之一 n 信号处理— — 模式识别— — 人工智能 主要内容 1. 语音信号的时频特性 2. 语音信号的产生模型 3. 语音信号的短时分析技术 4. 语音信号线性预测分析 5. 小结与作业 1、语音信号的时频特性 n 一段语音信号的演示 （MatLab） n 语音信号波形是语音声波经过声-电转换器 得到的连续时间函数； n 波形以振幅随时间变化为特征，综合的表 达了语音的全部信息：包括语音的内容、 音调、音质、相对音量变化等； 波形特性 n 语音信号幅度动态范围一般最大为40分贝，实际 由于说话人的差别可以达到60~70分贝。 n 元音幅度较大，有准周期性；清辅音幅度小，和 噪声特性相似。 n 在长时间的语音信号中有相当多的无信号区间， 即所谓的语音寂静区间。 n 幅度概率密度函数以零幅和近似零幅的概率高， 而幅度非常高的情况概率很小。 n 长时平均幅度的概率密度分布可以用高斯分布、 拉普拉斯分布和伽玛(Gamma)分布逼近。 n 对于短时幅度概率密度用高斯分布逼近就够了。 n 长时平均幅度的概率密度分布 n 语音信号相邻样值之间存在很大的相关性 n 短时自相关函数和长时自相关函数可以用来描述语 音的幅度特性 频率特性 n 带宽有限 一般为20~3400Hz ,有限的带宽特性决定了可以用有 限的奈奎斯特取样速率，把语音信号离散化 n 功率谱密度 n 语音中不同频谱分量的平均概率可以用长时平均 谱密度来表示。 n 语音波形高频分量对语音总能量的贡献很小，但 是高频分量带有重要的语音信息，平均功率谱约 在250-500Hz处最大，而高于此频率的功率谱约 以每倍频程6~10dB下降。 n 语音信号的短时频谱并不总是低通特性。辅音有 较高的频谱分量，显噪声特性；元音从总体上看 是低通的，显示明显的局部特性。 清音与浊音 n 浊音 （Voiced Speech ） n 声带的振动产生准周期的声门脉冲激励声道产生 浊音； n 在时域是准周期的 （quasi-periodic ），在频域具 有谐波结构； n 周期脉冲的频率就是基频 （Fundamental Frequency）或基音 （Pitch）； n 清音 （Unvoiced Speech ） n 当气流在声道中受到阻碍时，产生湍流，此时生 成清音。 n 清音在时域类似随机噪声，在频域具有宽带特征； n 混合音 （Mixed Speech ） n 浊音的能谱由精细的谐波结构和共振峰结构 刻画。 n 共振峰结构，即谱包络 （Spectral Envelope ） 共振峰 （Formant）就是谱包络的峰值。 n 共振峰反应了声道的共振特性，一般人的声道有3 到5个低于5kHz的共振峰。 n 语音信号具有很强的“时变特性” 在有些段落中它具有很强的周期性，有些段 落中又具有噪声特性，而且周期性语音和噪 声语音也在不断变化之中。 n 语音信号是非平稳的，但具有“准平稳特性” 在较短的时间间隔内 （一般20~200ms）， 可以认为语音信号的特征基本保持不变。 n 数字语音信号处理中，通常采取短时分析技 术。 带限 时变 准平稳 准周期 2、语音信号的产生模型 n 语音产生模型起