听觉特性在语音参数提取中的应用.docxVIP

听觉特性在语音参数提取中的应用王之禹李明温源侯震中国科学院声学研究所1 简介众所周知 在提取语音参数的过程中合理地引入人耳的听觉特性将有助于提高 ASR 系统 的性能 本文给出了一种基于人耳听觉特性的语音参数 感知功率谱倒谱参数 PerceptualPower Spectral Ceptrum物理含义 实验结果表明 本文的内容安排如下该参数类似于 MFCC 参数 但是具有明确的基于人耳感知特性的PPSC 参数与 MFCC 参数的性能基本相似首先介绍人耳的听觉特性 然后给出基于听觉特性的语音参数提取方法 最后 给出实验及分析结果2 人耳听觉特性为了模拟人耳处理语音信号的过程 首先介绍一下听觉系统对于语音刺激的响应和主观 感受及其评价方法2.1 听域正常人可听声音的频率范围为 0.02~16kHz 考虑到正常语音的频谱范围一般在 0.02~8kHz 之间 语音识别系统通常采用 16kHz 的采样频率2.2 响度级 Loudness Level和响度 Loudness为了衡量人耳听辩不同频率纯音的不同灵敏度 定义声音的响度级 P Phon数值上等于 1kHz 纯音的声强级 确定声音的响度级时音的声强 使其听起来与待测音同样响 此时 声音的响度级 等响度曲线可以通过测量获得 提取过程中 采用的是等响度曲线经验公式2.3 音调 Pitch需将其与 1kHz 的纯音相比较 调节 1kHz 纯1kHz 纯音相对于 20uPa 听觉特性在语音参数提取中的应用 王之禹 李明 温源 侯震 中国科学院声学研究所 1 简介 众所周知 在提取语音参数的过程中合理地引入人耳的听觉特性将有助于提高 ASR 系统 的性能 本文给出了一种基于人耳听觉特性的语音参数 感知功率谱倒谱参数 Perceptual Power Spectral Ceptrum 物理含义 实验结果表明 本文的内容安排如下 该参数类似于 MFCC 参数 但是具有明确的基于人耳感知特性的 PPSC 参数与 MFCC 参数的性能基本相似 首先介绍人耳的听觉特性 然后给出基于听觉特性的语音参数提 取方法 最后 给出实验及分析结果 2 人耳听觉特性 为了模拟人耳处理语音信号的过程 首先介绍一下听觉系统对于语音刺激的响应和主观 感受及其评价方法 2.1 听域 正常人可听声音的频率范围为 0.02~16kHz 考虑到正常语音的频谱范围一般在 0.02~8kHz 之间 语音识别系统通常采用 16kHz 的采样频率 2.2 响度级 Loudness Level 和响度 Loudness 为了衡量人耳听辩不同频率纯音的不同灵敏度 定义声音的响度级 P Phon 数值上等 于 1kHz 纯音的声强级 确定声音的响度级时 音的声强 使其听起来与待测音同样响 此时 声音的响度级 等响度曲线可以通过测量获得 提取过程中 采用的是等响度曲线经验公式 2.3 音调 Pitch 需将其与 1kHz 的纯音相比较 调节 1kHz 纯 1kHz 纯音相对于 20uPa 的声压级就规定为该 也可以用经验公式表示 在本文介绍的参数 音调是人分辨声音高低时 描述这种感受的一种特性 对于频率低的声音 听起来感觉 其音调低 而频率高的声音 特起来感觉音调高 而且还与声音的强度及波形有关 为了描述音调 用近似公式表达[1] f 但是音调与声音的频率并不成正比关系 采用了美 Mel 标度 与频率的关系可 TMel ? 2595 log10 (1 ? ) 1 700 2.4 掩蔽效应 Masking effect 当两个响度不同的声音同时作用于人耳时 响度较高的频率成份会影响人耳对响度较低 的频率成份的感知 使其变得不易察觉 这种现象称为掩蔽效应 为描述这种掩蔽效应 引 入临界带 Critical band 的概念 一个纯音可以被以它为中心频率 并且具有一定频带 宽度的连续噪声所掩蔽 如果该频带内的噪声功率等于该纯音的功率 此时该纯音处于刚能 被听到的临界状态 即称这一带宽为临界带宽 临界带宽的单位可以用 Bark 表示 在 20Hz 到 16kHz 范围内的声音可以分为 24 个 Bark 临界带宽 ? 系可近似表达为[2] Bark 与频率 f Hz 之间的关 f f )2 ? 1]0.5 } ?(?) ? 6 log{ ? [( 2 600 600 3 基于人耳听觉特性的语音特征参数 本文给出的语音参数是以频谱分析为基础的 模拟人耳的带通滤波器组特性3.1 频谱分析首先对语音信号进行分帧处理 帧长 20 毫秒 帧移 10 毫秒 对于 16kHz 采样的语音 每帧有 N=320 个采样点首先 利用汉明窗W (n) 对长度为 N 的语音帧 S (n) 进行加权SW (n) ? S(n