基于短時(shí)能量過零率和功率譜熵的語(yǔ)音端點(diǎn)檢測(cè)

葛艷　　白艷萍　　胡紅萍

【摘 要】隨著語(yǔ)音技術(shù)的發(fā)展，語(yǔ)音識(shí)別技術(shù)應(yīng)用到各個(gè)領(lǐng)域，而端點(diǎn)檢測(cè)是語(yǔ)音識(shí)別系統(tǒng)中至關(guān)重要的一個(gè)環(huán)節(jié)，語(yǔ)音端點(diǎn)檢測(cè)的精確度直接影響語(yǔ)音識(shí)別的準(zhǔn)確度.在噪聲環(huán)境下，語(yǔ)音端點(diǎn)檢測(cè)很困難，信噪比下降，本文就基于短時(shí)能量過零率和基于功率譜熵對(duì)所采集的音頻文件進(jìn)行端點(diǎn)檢測(cè)，然后對(duì)處理后的音頻進(jìn)行頻譜分析、對(duì)比，得出基于功率譜熵的端點(diǎn)檢測(cè)的魯棒性比較好，識(shí)別效果比較好。

【關(guān)鍵詞】短時(shí)能量過零率 功率譜熵 端點(diǎn)檢測(cè) 魯棒性

一、引言

語(yǔ)音端點(diǎn)檢測(cè)是指從含噪語(yǔ)音中找到語(yǔ)音段的起始點(diǎn)，端點(diǎn)檢測(cè)對(duì)孤立詞識(shí)別非常關(guān)鍵，語(yǔ)音識(shí)別一半以上的錯(cuò)誤是由錯(cuò)誤的端點(diǎn)檢測(cè)導(dǎo)致的.準(zhǔn)確的端點(diǎn)檢測(cè)還可以降低后續(xù)處理時(shí)間和存儲(chǔ)空間，使語(yǔ)音識(shí)別系統(tǒng)性能達(dá)到最佳.

目前，基于能量的方法是目前語(yǔ)音端點(diǎn)檢測(cè)廣泛使用的方法，它在高信噪比條件下效果很好，但是當(dāng)信噪比很低時(shí)，純粹的能量參數(shù)效果不再令人滿意。本文就基于短時(shí)能量過零率和基于功率譜熵對(duì)所采集的音頻文件進(jìn)行端點(diǎn)檢測(cè)，分析對(duì)比證實(shí)了基于功率譜熵對(duì)語(yǔ)音識(shí)別有比較好的識(shí)別性。

二、理論概述

（一）基于短時(shí)能量和過零率的端點(diǎn)檢測(cè)

1、短時(shí)能量

由于語(yǔ)音信號(hào)的短時(shí)性，因此對(duì)數(shù)字化后的語(yǔ)音信號(hào)一般進(jìn)行分幀處理，并認(rèn)為1幀內(nèi)信號(hào)的頻譜特征和某些物理特征參量近似看做不變。1幀內(nèi)的信號(hào)能量稱為短時(shí)能量。

語(yǔ)音和噪聲的區(qū)別可以體現(xiàn)在它們的能量上，語(yǔ)音段的能量比噪聲段能量大，語(yǔ)音段的能量是噪聲段能量疊加語(yǔ)音聲波能量的和。在信噪比很高時(shí)，那么只要計(jì)算輸入信號(hào)的短時(shí)能量或短時(shí)平均幅度就能夠把語(yǔ)音段和噪聲背景區(qū)分開。

設(shè)第n幀語(yǔ)音信號(hào)的短時(shí)能量用En表示，則信號(hào)的短時(shí)能量定義為： 式中，N為信號(hào)幀長(zhǎng)。

2、過零率

短時(shí)過零表示一幀語(yǔ)音信號(hào)波形穿過橫軸（零電平）的次數(shù)。過零分析是語(yǔ)音時(shí)域分析中最簡(jiǎn)單的一種。對(duì)于連續(xù)語(yǔ)音信號(hào)，過零意味著時(shí)域波形通過時(shí)間軸；而對(duì)于離散信號(hào)，如果相鄰的取樣值的改變符號(hào)稱為過零。過零率就是樣本改變符號(hào)次數(shù)。

定義信號(hào)的短時(shí)平均過零率Zn為：

式中，為符號(hào)函數(shù)，即：

3、過零率的修正

為盡可能減少低頻的干擾，在實(shí)際應(yīng)用中往往對(duì)過零率做出簡(jiǎn)單的修正，修正的方法是對(duì)上面的定義做一些修改，即設(shè)定一個(gè)門限T，將過零率的定義修改為穿越該門限的次數(shù)。

于是，有定義：

（二）基于熵函數(shù)的語(yǔ)音端點(diǎn)檢測(cè)

ShenJ L 首先將熵的概念引入到語(yǔ)音信號(hào)處理中，利用幅度譜熵在語(yǔ)音段與非語(yǔ)音段上頻譜的差異達(dá)到檢測(cè)語(yǔ)音端點(diǎn)的目的。在信息論中，用熵來表征信源輸出的平均信息量，假設(shè)信源發(fā)出有限個(gè)符號(hào) ，它們組成的輸出序列前后符號(hào)之間相互統(tǒng)計(jì)獨(dú)立， 分別為 n個(gè)符號(hào)出現(xiàn)的概率，其定義式如下：

信源熵是概率分布的函數(shù)，而且概率分布越平坦熵值就越大。熵函數(shù)語(yǔ)音端點(diǎn)檢測(cè)就是通過檢測(cè)語(yǔ)音頻譜的平坦程度來實(shí)現(xiàn)的。對(duì)于非語(yǔ)音段，其能量比較平穩(wěn)的分布在各個(gè)頻率，因而其頻譜熵比較大。而對(duì)于語(yǔ)音段，聲音的能量主要集中在某幾個(gè)頻段上，因而其頻譜熵比較小。于是可以根據(jù)語(yǔ)音段和非語(yǔ)音段在譜熵上的差異來實(shí)現(xiàn)語(yǔ)音端點(diǎn)的檢測(cè)本文中采用功率譜熵的方法，功率譜熵函數(shù)的構(gòu)造構(gòu)成如下：

首先對(duì)語(yǔ)音進(jìn)行分幀加漢明窗，幀成為256，幀移128，對(duì)每幀語(yǔ)音信號(hào)計(jì)算其短時(shí)自相關(guān)序列，對(duì)得到的序列進(jìn)行傅里葉變換即可得到功率譜密度。各頻率分量的歸一化功率譜密度函數(shù)可表示為：

式中表示信號(hào)經(jīng)過FFT變換后的頻譜分量：表示某個(gè)頻率分量i所對(duì)應(yīng)的概率密度函數(shù)；N表示FFT變換的長(zhǎng)度（本文取256點(diǎn)）?？紤]到語(yǔ)音信號(hào)類似于功率信號(hào)，同時(shí)根據(jù)功率譜密度的對(duì)稱性，只取FFT一半的點(diǎn)來構(gòu)造以減少計(jì)算量。所以實(shí)際運(yùn)用中采用下式來計(jì)算歸一化功率譜密度函數(shù)

對(duì)應(yīng)的每一幀語(yǔ)音信號(hào)的信息熵定義為

H=

由以上功率譜熵函數(shù)的構(gòu)造過程可以看到熵的大小由功率譜的方差來決定而不是信號(hào)的幅度，幅度的大小不會(huì)影響歸一化功率譜密度函數(shù)，語(yǔ)音信號(hào)的譜熵特征分析都是通過檢測(cè)譜的平坦程度，從而達(dá)到語(yǔ)音端點(diǎn)檢測(cè)的目的。對(duì)于無聲段，它的能量在各頻率的分布比較平穩(wěn)，反映到信息量上，認(rèn)為其所含的平均信息量即譜熵較大；而對(duì)于語(yǔ)音段，它的能量集中于某幾個(gè)頻段，起伏突變大，那么它所含的平均信息量即譜熵較小，于是可以利用兩者譜熵的差異，進(jìn)行語(yǔ)音段和無聲段的劃分。并且理論上，如果譜的分布保持不變，信號(hào)幅值的大小不會(huì)影響.。因而，功率譜熵對(duì)噪聲有一定的穩(wěn)健性。

三、MATLAB對(duì)采集到的音頻進(jìn)行端點(diǎn)檢測(cè)實(shí)驗(yàn)

在本論文所采集的音頻信號(hào)中，撥號(hào)音相當(dāng)于語(yǔ)音段（有聲段），其他的為靜音段（噪聲段），撥號(hào)音段平均能量最高，靜音段平均能量相對(duì)較低，整個(gè)端點(diǎn)檢測(cè)可分為四段：靜音段、過渡段、撥號(hào)段、結(jié)束。使用一個(gè)變量表示當(dāng)前狀態(tài)。靜音段，如果能量或過零率超過低門限，就開始標(biāo)記起始點(diǎn)，進(jìn)入過渡段。過渡段當(dāng)兩個(gè)參數(shù)值都回落到低門限以下，就將當(dāng)前狀態(tài)恢復(fù)到靜音狀態(tài)。而如果過渡段中兩個(gè)參數(shù)中的任一個(gè)超過高門限，即被認(rèn)為進(jìn)入撥號(hào)段。處于撥號(hào)段時(shí)，如果兩參數(shù)降低到門限以下，而且總的計(jì)時(shí)長(zhǎng)度小于最短時(shí)間門限，則認(rèn)為是一段噪音，繼續(xù)掃描以后的撥號(hào)音數(shù)據(jù)，直至標(biāo)記結(jié)束點(diǎn)。從而達(dá)到分離出單個(gè)撥號(hào)音的效果。

低噪音音頻875417基于短時(shí)能量過零率端點(diǎn)檢測(cè) 低噪音音頻875417基于功率譜熵的端點(diǎn)檢測(cè)。

四、總結(jié)

本文分別利用短時(shí)能量過零率和功率譜熵對(duì)銀行卡密碼，手機(jī)號(hào)，銀行卡號(hào)所采集的音頻數(shù)據(jù)進(jìn)行端點(diǎn)檢測(cè)實(shí)驗(yàn)，此實(shí)驗(yàn)是在適當(dāng)?shù)驮胍粝虏杉?，結(jié)果顯示功率譜熵的檢測(cè)效果會(huì)好點(diǎn)，而且魯棒性比較好，但如果噪聲再高點(diǎn)，功率譜熵的結(jié)果也不好，故本文有待于進(jìn)一步研究。

參考文獻(xiàn)：

[1]Dean J，Krusienski.Nvestigations Into Using Matlab For Acoustical Adaptive Filtering[J]. REU PENN STATE Annual Research， 2003， 1： 45-53.

[2]陳亞勇.MATLAB 信號(hào)處理詳解[M]. 北京：人民郵電出版社，2000.

[3]程佩青.數(shù)字信號(hào)處理.第三版[M]. 北京：清華大學(xué)出版社，2008.

[4]Navarro-Mesa， J.An improved speech endpoint detection system in noisy environments by means of third-order spectra[J]. IEEE Signal Processing Letters， 1999， 6（9）： 224-226.

基金項(xiàng)目：

國(guó)家自然基金（61275120）

作者簡(jiǎn)介：

葛艷（1987—），女，山西呂梁，碩士，研究生，研究方向：語(yǔ)音端點(diǎn)檢測(cè)。