基于最大熵譜估計(jì)和時(shí)頻特性的語音端點(diǎn)檢測

陳瑩瑩 簡 磊

(四川大學(xué)錦江學(xué)院電氣與電子信息工程學(xué)院 四川 彭山 620860)

基于最大熵譜估計(jì)和時(shí)頻特性的語音端點(diǎn)檢測

陳瑩瑩 簡 磊

(四川大學(xué)錦江學(xué)院電氣與電子信息工程學(xué)院 四川 彭山 620860)

語音端點(diǎn)檢測對于構(gòu)建實(shí)際語音識(shí)別系統(tǒng)具有重要的意義。為了提升在低信噪比條件下語音端點(diǎn)檢測算法的性能，提出一種基于最大熵譜和時(shí)頻特性的端點(diǎn)檢測算法。對分幀后的語音信號(hào)通過最大熵估算出功率譜，并根據(jù)帶噪語音信號(hào)時(shí)頻域上的特性進(jìn)行特征捕捉，從而進(jìn)行端點(diǎn)檢測。實(shí)驗(yàn)結(jié)果表明，此方法在較低的信噪比下(-9～0 dB)能夠比較準(zhǔn)確地捕捉語音信號(hào)的特征，明顯地提高了端點(diǎn)檢測的準(zhǔn)確性。

端點(diǎn)檢測 最大熵譜估計(jì) 時(shí)頻特性 信噪比

0 引 言

語音信號(hào)端點(diǎn)檢測技術(shù)是語音處理中一個(gè)重要的前端處理環(huán)節(jié)。相對有效的端點(diǎn)檢測技術(shù)不僅能減少語音識(shí)別系統(tǒng)中的數(shù)據(jù)采集量，大大降低處理時(shí)間，還能去除靜音段或噪聲段的干擾，使語音識(shí)別系統(tǒng)的性能得以提升。

實(shí)際的端點(diǎn)檢測的目的是從帶噪語音中對語音信號(hào)進(jìn)行檢測，因此大大提高了檢測的難度，目前的端點(diǎn)檢測最常用的方法比如[1]：短時(shí)過零率、短時(shí)能量、雙門限法、基于自相關(guān)函數(shù)的檢測,此類方法原理簡單、運(yùn)算量小，當(dāng)信噪較高的時(shí)候性能良好,但是信噪比較低時(shí)檢測性能大大降低。隨著技術(shù)發(fā)展，近年來又出現(xiàn)了頻帶方差[2]、倒譜系數(shù)[3]、小波[4]等方法,這些方法性能上有了很大改善,但是容易受到噪聲的影響,強(qiáng)噪聲環(huán)境下檢測效果仍然不理想。

熵代表一種不確定的信息。不確定的信息越多，熵值就越大，而且語音的熵和噪聲的熵存在很大區(qū)別。Shen[5]等將譜熵引入到語音信號(hào)端點(diǎn)檢測中，由于語音信號(hào)存在共振峰結(jié)構(gòu)的特點(diǎn)，且歸一化譜概率密度函數(shù)分布不均勻，所以語音信號(hào)的譜熵值與噪聲的譜熵相比一般較低，與噪音信號(hào)相比在統(tǒng)計(jì)學(xué)概率上有區(qū)別。由于譜熵值與能量大小無關(guān)，所以譜熵法在帶噪環(huán)境下檢測效果優(yōu)于其他算法。目前出現(xiàn)了許多基于譜熵的端點(diǎn)檢測算法[6-7]，信噪比在0 dB以上檢測效果良好，為了進(jìn)一步提高在信噪比較低(0 dB以下)的檢測準(zhǔn)確性，提出了一種改進(jìn)的基于最大熵譜估計(jì)的端點(diǎn)檢測算法。通過最大熵法求出每幀信號(hào)的功率譜分布，并結(jié)合改進(jìn)的語譜圖分析得到基于短時(shí)功率譜的新特征參數(shù)。最大熵譜估計(jì)是一種以數(shù)據(jù)模型為基礎(chǔ)的現(xiàn)代譜估計(jì)技術(shù)。該算法具有短時(shí)性,對采樣點(diǎn)數(shù)要求較低,可以用來分析語音的短時(shí)特性,與短時(shí)FFT譜相比，短時(shí)最大熵譜的譜線明顯平滑，分辨率也大大提高了，可以從低信噪比下提取出有用信號(hào)。

1 理論基礎(chǔ)

1.1 譜熵法的介紹

基于譜熵的語音端點(diǎn)檢測方法的思路是利用檢測譜的分布程度來實(shí)現(xiàn)語音端點(diǎn)檢測的目的。為了提高檢測效果，語音信息譜熵采用短時(shí)功率譜來計(jì)算，實(shí)現(xiàn)了對語音段和噪聲段的區(qū)分。下面是對譜熵的定義的介紹。

設(shè)語音信號(hào)時(shí)域波形為x(i)，加窗分幀后的第i幀語音信號(hào)為xn(m)，F(xiàn)FT變換為Xn(k)，k表示為第k條譜線。該語音幀的短時(shí)能量為：

(1)

某一譜線k的能量譜為：

(2)

則每個(gè)頻率分量的歸一化譜概率密度函數(shù)為：

(3)

該語音幀的短時(shí)譜熵為：

(4)

檢測方法為：

(1) 對語音信號(hào)進(jìn)行分幀加窗處理，進(jìn)行FFT變換。

(2) 得到每幀的譜能量值。

(3) 計(jì)算得到每幀語音信號(hào)的概率密度函數(shù)的大小。

(4) 經(jīng)過計(jì)算得到每幀語音信號(hào)的譜熵值。

(5) 通過設(shè)置判決門限，利用各幀的譜熵值最終實(shí)現(xiàn)語音端點(diǎn)的檢測。

從譜熵法的算法推導(dǎo)過程和檢測思路可以看出，譜熵法檢測算法重點(diǎn)在于對語音信號(hào)的功率譜估計(jì)。功率譜估計(jì)的傳統(tǒng)方法是通過對信號(hào)進(jìn)行傅里葉變換的方法來實(shí)現(xiàn)的，傅里葉變換有比較成熟物理基礎(chǔ)，實(shí)現(xiàn)起來較容易，所以在功率譜估計(jì)方面有很大的用途。但是由于傳統(tǒng)方法只有當(dāng)要研究的數(shù)據(jù)較長也就是采樣點(diǎn)多的時(shí)候，功率譜估計(jì)精度才比較高。但是這樣處理數(shù)據(jù)的工作量增加了，而且在研究短信號(hào)或者瞬時(shí)信號(hào)時(shí)性能降低。傳統(tǒng)的功率譜估計(jì)方法進(jìn)行運(yùn)算時(shí)還必須要引入窗函數(shù)，假設(shè)將數(shù)據(jù)窗以外的數(shù)據(jù)全部設(shè)為零，就降低了功率譜分辨率，強(qiáng)信號(hào)的主瓣部分淹沒了弱信號(hào)的主瓣部分等現(xiàn)象，當(dāng)處理的數(shù)據(jù)很短的時(shí)候這種影響就變得更加嚴(yán)重[6]。

正是在這一背景下Burg于1967年提出了以數(shù)據(jù)模型為基礎(chǔ)的最大熵譜估計(jì)方法，該算法根據(jù)少量的采樣數(shù)據(jù)便可獲得高頻譜分辨率的功率譜估計(jì)。所以比較適合分析短時(shí)信號(hào)，比如包含128個(gè)采樣點(diǎn)的一幀語音信號(hào)。最大熵方法，把關(guān)于過程的自相關(guān)函數(shù)無限外推，大大提高了估計(jì)得到的功率譜分辨率，所以與經(jīng)典的方法相比，最大熵方法在對功率譜的質(zhì)量要求較高時(shí)，彌補(bǔ)了傳統(tǒng)方法的不足。

1.2 最大熵譜估計(jì)算法描述

通過最大熵譜方法進(jìn)行功率譜估計(jì)的基本思路[8]：對于已知有限延遲點(diǎn)上的自相關(guān)函數(shù)值保持不變；對于未知延遲點(diǎn)自相關(guān)函數(shù)，不進(jìn)行其他任何假設(shè)，基于最大熵準(zhǔn)則，利用已知的有限數(shù)據(jù)用無限外推法的方法求得,從而估計(jì)出被測信號(hào)的功率譜密度。

首先熵的定義為[9]：

(5)

可見熵是消息源發(fā)出每個(gè)消息的平均信息量，當(dāng)隨機(jī)變量為對于高斯分布的時(shí)候，布卡喬夫證明了在信息熵和自協(xié)方差矩陣間存在著以下關(guān)系：

(6)

當(dāng)時(shí)間序列為零均值時(shí)(當(dāng)均值不為零，可以用時(shí)間序列減去均值的方法進(jìn)行處理)，熵和自相關(guān)函數(shù)之間存在關(guān)系：

(7)

當(dāng)過程為無限長時(shí)，用熵率作為信息的度量如下所示：

(8)

時(shí)間序列功率譜密度和熵率存在著如下關(guān)系：

(9)

其中:離散的時(shí)間序列頻率為[-fc,fc]。

離散的時(shí)間序列的相關(guān)函數(shù)為：

(10)

離散的時(shí)間序列的功率譜可表示為：

(11)

(12)

對于Burg遞推算法，它的主要思想是只從研究的離散時(shí)間序列本身出發(fā)，與最大熵保持一致的是對延拓的數(shù)據(jù)部分不進(jìn)行任何先驗(yàn)假設(shè)，所以得到了廣泛應(yīng)用。Burg算法首先利用前向預(yù)測誤差功率和后向預(yù)測誤差功率兩者總均方差之和為最小的方法來求解得到反射系數(shù)，從而計(jì)算出預(yù)測誤差濾波器系數(shù)。

通過Burg法計(jì)算最大熵功率譜主要包括以下幾個(gè)步驟[10]：

(1) 對離散時(shí)間序列進(jìn)行中心化處理，保證離散時(shí)間序列x(n)的均值不為零，如為零，則先將x(n)去均值。

(3) 通過相關(guān)計(jì)算得到反射系數(shù)km。

(6) 計(jì)算濾波器輸出：

fm(n)=fm-1(n)+kmgm-1(n-1)

gm(n)=gm-1(n-1)+kmfm-1(n)

(7) 令M=M+1，并重復(fù)步驟(3)至步驟(6)，直到預(yù)測誤差功率不再明顯減小。

1.3 最大熵譜估計(jì)階數(shù)的選擇

預(yù)測誤差濾波器階數(shù)的選擇在最大熵譜估計(jì)過程中很重要，所以必須要正確選擇模型的階數(shù)。假設(shè)模型階數(shù)為M，采樣序列長度為N，如果選擇的M值太小，通過最大熵方法估計(jì)得到的離散時(shí)間序列的功率譜會(huì)過度的平滑，分辨率較低，從而出現(xiàn)被研究信號(hào)中最容易預(yù)測，變化最緩慢的頻點(diǎn)的峰值。反之，如果M太大，會(huì)使擬合產(chǎn)生急劇的變化，得到的譜估計(jì)中包含虛假的細(xì)節(jié)部分，降低譜估計(jì)的準(zhǔn)確性。

2 語音信號(hào)的時(shí)頻特性介紹

語音的發(fā)音過程中經(jīng)過的器官之一聲道通常都是處不穩(wěn)定狀態(tài)的，所以得到了時(shí)變的共振峰特性。但是與振動(dòng)過程相比，這個(gè)時(shí)變過程比較緩慢，在研究過程中可以假設(shè)它具有短時(shí)平穩(wěn)性，每一時(shí)刻的頻譜可以用這時(shí)刻附近的一段短時(shí)語音信號(hào)得到，比如12 ms的時(shí)間段。連續(xù)地對語音信號(hào)進(jìn)行頻譜分析可以得到關(guān)于語音的一種二維圖譜，在圖中時(shí)間為橫坐標(biāo)，頻率為縱坐標(biāo)，對應(yīng)時(shí)刻和對應(yīng)頻率的信號(hào)能量密度用每像素的灰度值大小表示，能量越大顏色越深，能量越小顏色越淺。通過這種方法得到時(shí)頻圖為語譜圖(Spectrogam)[11]。很多與語音特性有關(guān)的信息包含在語譜圖中，并且這種時(shí)頻圖結(jié)合了頻譜圖和時(shí)域圖的特點(diǎn)，明顯地顯示出語音動(dòng)態(tài)的頻譜，即隨時(shí)間變化的頻譜特性，被視為可視語言的時(shí)頻圖在語音分析中有重要實(shí)用價(jià)值。對于發(fā)音器官，任一時(shí)刻共振峰特征、基音頻率、是否清音和爆破音等參數(shù)都可以從語譜圖上得到?？傊?，在語音識(shí)別、合成及編碼中語譜分析具有很重要的意義。

圖1為語音信號(hào)“我到黑龍江”的語譜圖，通過圖中可以看到花紋有橫條紋和豎條紋。其中橫條紋反映的是共振峰特性，參數(shù)值為與時(shí)間軸平行的幾條深黑色帶紋，所以共振峰頻率和帶寬可以從對應(yīng)橫杠的頻率和寬度確定。同時(shí)橫杠是也判斷濁音的重要標(biāo)志。其中一個(gè)個(gè)的豎直條相當(dāng)于一個(gè)個(gè)的基音，聲門脈沖的起點(diǎn)用條紋的起點(diǎn)表示，基音周期通過條紋之間的距離表示?；纛l率越高的語音信號(hào)得到的條紋越密。在得到的語譜圖里，根據(jù)橫軸可以判斷每個(gè)字的開始和結(jié)束，因此可以將語譜圖作為端點(diǎn)檢測的依據(jù)。

圖1 “我到黑龍江”語譜圖灰度顯示

3 算法介紹

3.1 算法原理

當(dāng)在整個(gè)頻帶上語音信號(hào)的能量都有分布時(shí),全頻帶上能量分布的變化會(huì)受到語音信號(hào)的變化；通過分析可知，在頻域范圍內(nèi)語音信號(hào)能量最大點(diǎn)在諧波附近[11]。當(dāng)背景噪聲很大的時(shí)候，雖然語音信號(hào)時(shí)域特性已被噪聲完全淹沒,但是語譜圖上的能量分布仍然比較明顯。圖2所示的是語音“我在黑龍江”在高斯白噪聲污染下的頻譜圖，其中信噪比為2 dB,圖中顯示語音信號(hào)大部分區(qū)域被噪聲所掩蓋,但是在語音存在的地方顏色較其他區(qū)域較突出，圖中白亮、有黑白條紋的地方為語音信號(hào)存在的范圍。這個(gè)特點(diǎn)可以作為語音信號(hào)和非語音信號(hào)部分的依據(jù),而且在復(fù)雜的惡劣的噪聲背景下也具有很強(qiáng)的魯棒性,所以語譜圖可以用于低信噪比環(huán)境中的端點(diǎn)檢測[12]。

圖2 帶噪聲的“我到黑龍江”語譜圖灰度顯示

3.2 算法實(shí)現(xiàn)

(1) 將語音信號(hào)進(jìn)行預(yù)處理：首先對語音信號(hào)進(jìn)行采樣，采樣頻率為8 kHz，然后分幀加窗，幀長取16 ms(128個(gè)采樣點(diǎn))，幀移為8 ms，對每幀信號(hào)加128點(diǎn)的漢明窗得到的信號(hào)為sw(n)，n為幀數(shù)，w代表加窗。

(2) 求出每幀的功率譜參數(shù)：利用最大熵法求出每幀信號(hào)sw(n)的功率譜pxx(n)，其中預(yù)測濾波器階數(shù)采用14階，最后求出所有幀的功率譜對數(shù)值p(n,k)，其中n為幀數(shù)，用橫坐標(biāo)表示，k為每幀的采樣點(diǎn)數(shù)，用縱坐標(biāo)表示，通過將p(n,k)的值表示為灰度級(jí)得到的二維圖像就是語譜圖[13]。經(jīng)過以下變換：10log10(p(n,k))能得到語譜圖的分貝表示。

(3) 提取時(shí)頻特性參數(shù)[13]：對10log10(p(n,k))進(jìn)行歸一化，選取基準(zhǔn)值Base取經(jīng)驗(yàn)值，得到了矩陣L(n,k)，把小于Base的值設(shè)為0，大于Base的值線性映射為0～1內(nèi)的歸一化值。

(4) 計(jì)算每幀的功率譜均值矩陣l(1:n)。

(5) 利用移動(dòng)平均法對l(1:n)進(jìn)行平滑處理。

4 實(shí)驗(yàn)結(jié)果及分析

通過實(shí)驗(yàn)，對算法進(jìn)行了評(píng)價(jià)。選取其中一組語音“我到黑龍江”來說明檢測情況，其中語音的采樣頻率為8 kHz，幀長為16 ms，幀移位8 ms。加入的噪聲為高斯白噪聲，實(shí)驗(yàn)分別在不同信噪比下對基于短時(shí)能量、基于頻譜方差、本論文改進(jìn)的方法進(jìn)行了比較和分析。

圖3-圖8為不同信噪比下的檢測分析圖，其中SNR為信噪比，可以得出以下結(jié)論：

(1) 當(dāng)信噪比大于0 dB時(shí)三種檢測方法都可以很容易檢測出這段語音包含的五個(gè)字的端點(diǎn)，提取出來的特征參數(shù)和原始語音信號(hào)的時(shí)域圖匹配。

(2) 當(dāng)信噪比在-2.7 dB本論文方法檢測結(jié)果與原始語音信號(hào)時(shí)域圖基本匹配，而基于短時(shí)能量和基于頻譜方差的檢測方法檢測誤差比較大，尤其是頻譜方差的檢測方法誤差最大。

(3) 當(dāng)信噪比在-5 dB、-7.5 dB和-9 dB時(shí)，基于短時(shí)能量和基于頻譜方差的檢測方法檢測識(shí)別不出語音信號(hào)的特征。本文改進(jìn)方法仍然能夠準(zhǔn)確地提取到純凈語音信號(hào)的特征參數(shù)，當(dāng)信噪比在-9 dB檢測匹配度仍在80%左右。

(4) 總之，從圖3-圖8可見，隨信噪比的減小，頻譜方差和短時(shí)能量的檢測效果變差，最大熵譜和時(shí)頻特性方法在幾種情況下均可以提取出被測語音的特征,通過觀察改進(jìn)的功率譜特性圖(每圖的第四個(gè)波形)，從中可以明顯地看到語音信號(hào)的起止點(diǎn)，從而進(jìn)行準(zhǔn)確的語音端點(diǎn)檢測。當(dāng)信噪比為-9 dB以上時(shí)，通過改進(jìn)的檢測方法，噪聲部分相當(dāng)于被削弱,而語音特征變得明顯，在低信噪比情況下提高了語音端點(diǎn)檢測的效果。

圖3 SNR=8 dB時(shí)的檢測分析圖

圖4 SNR=0 dB時(shí)的檢測分析圖

圖5 SNR=-2.7 dB的檢測分析圖

圖6 SNR=-5 dB的檢測分析圖

圖7 SNR=-7.5 dB的檢測分析圖

圖8 SNR=-9 dB的檢測分析圖

表1是語音“我到黑龍江”在基于最大熵譜估計(jì)和時(shí)頻特性得到的測試統(tǒng)計(jì)情況，數(shù)字范圍是單個(gè)漢字對應(yīng)的范圍，表中列出了不同信噪比情況下的檢測結(jié)果?？梢钥闯稣w檢測效果較好，在信噪比大于-5 dB的情況下，每個(gè)字的起止檢測都較準(zhǔn)確。信噪比降到-9 dB的時(shí)候每個(gè)字的起止點(diǎn)都會(huì)出現(xiàn)了部分錯(cuò)誤，不過檢測率仍然大體保持在80%左右。在這段語音中由于“黑龍”兩字之間出現(xiàn)連音情況，端點(diǎn)檢測結(jié)果出現(xiàn)了一定的偏差。

表1 測試統(tǒng)計(jì)情況

5 結(jié) 語

提出一種基于最大熵譜和時(shí)頻特性的語音端點(diǎn)檢測方法，最大優(yōu)點(diǎn)是提高了在低信噪比(-9～0 dB)情況下可以有效地提取出語音信號(hào)的特征參數(shù)，從而大大提高了端點(diǎn)檢測的準(zhǔn)確率。通過利用語音信號(hào)和噪聲在最大熵譜估計(jì)及語譜圖上特性的區(qū)別，首先利用最大熵方法計(jì)算帶噪語音的短時(shí)功率譜，然后利用時(shí)頻特性提取特征參數(shù)從而進(jìn)行端點(diǎn)檢測。實(shí)驗(yàn)證明這種不同于以往的短點(diǎn)檢測算法效果比較理想，該檢測算法尤其適合于在白噪聲環(huán)境下。但是實(shí)驗(yàn)中出現(xiàn)連字情況時(shí)檢測效果受到了影響，對于爆破音、除白噪聲以外的噪聲情況沒有考慮，在這些方面可以對算法進(jìn)行進(jìn)一步的改進(jìn)。

[1] 宋知用.MATLAB在語音信號(hào)分析與合成中的應(yīng)用[M].北京:北京航空航天大學(xué)出版社,2013:16-27.

[2] Zhao H,Zhao L X,Zhao K,et al.Voice activity detetion based on distance entropy in noisy environment[C]//5th International Joint Conference on INC,IMS and IDC Seoul.Korea:IEEE Computer Society,2009:1364-1367.

[3] 沈紅麗,曾毓敏,王鵬.一種改進(jìn)的基于倒譜特征的帶噪語音端點(diǎn)檢測方法[J].通信技術(shù),2009,42(2):156-158.

[4] 魯遠(yuǎn)耀,周妮,肖珂,等.強(qiáng)噪聲環(huán)境下改進(jìn)的語音端點(diǎn)檢測算法[J].計(jì)算機(jī)應(yīng)用,2014,34(5):1386-1390.

[5] Shen J L,Hung J W,Lee L S.Robust entropy-based endpoint detection for speech recognition in noisy environments[EB/OL].[2014-08-12].http://wenku.baidu.com/view/e676ac0979563clec5da71d5.html.

[6] 劉艷,倪萬順.基于子帶譜熵的仿生小波語音增強(qiáng)[J].計(jì)算機(jī)應(yīng)用,2015,35(3):868-871.

[7] 張婷,何凌,黃華,等.基于臨界頻帶及能量熵的語音端點(diǎn)檢測[J].計(jì)算機(jī)應(yīng)用,2013,33(1):175-178.

[8] 任月清,張澤.基于最大熵譜估計(jì)的超聲檢測回波頻譜分析[J].內(nèi)蒙古大學(xué)學(xué)報(bào),2007,38(4):454-457.

[9] 曹建農(nóng).圖像分割的熵方法綜述[J].模式識(shí)別與人工智能,2012,25(6):958-970.

[10] 趙成林,王桂軍,孫學(xué)斌.基于最大熵譜估計(jì)的頻譜感知方法的研究[J].計(jì)算機(jī)仿真,2010(5):508-512.

[11] 劉紅星,戴蓓蒨,陸偉.非平穩(wěn)噪聲環(huán)境下基于諧波能量的語音檢測[J].計(jì)算機(jī)仿真,2008(11):305-308.

[12] 吳迪,趙河明,黃呈偉,等.低信噪比下采用感知頻譜結(jié)構(gòu)邊界參數(shù)的語音端點(diǎn)檢測[J].聲學(xué)學(xué)報(bào),2014,39(3):392-399.

[13] 李富強(qiáng),萬紅,黃俊杰.基于MATLAB的語譜圖顯示于分析[J].微計(jì)算機(jī)信息,2005,10(3):172-174.

SPEECHSIGNALENDPOINTDETECTIONBASEDONMAXIMUMENTROPYSPECTRUMESTIMATIONANDTIME-FREQUENCYSIGNATURE

Chen Yingying Jian Lei

(SchoolofElectricalandElectronicInformationEngineering,JinjiangCollege,SichuanUniversity,Pengshan620860,Sichuan,China)

Speech endpoint detection is crucial to the construction of a practical automatic speech recognition system. A new algorithm based on the maximum entropy spectrum estimation and time-frequency signature is proposed to improve the performance of speech endpoint detection in low SNR (Signal Noise Ratio) environment. The framed speech signal power spectrum was estimated through the maximum entropy, and then the characteristics of noisy speech were extracted in time-frequency field in order to detect the endpoint. Experimental results show that, this method can accurately capture the characteristics of speech signals under lower SNR (-9～0 dB), and significantly improves the accuracy of endpoint detection.

Endpoint detection Maximum entropy spectrum estimation Time-frequency characteristics SNR

2016-12-22。陳瑩瑩，講師，主研領(lǐng)域：信號(hào)檢測與識(shí)別。簡磊，講師。

TP391.42

A

10.3969/j.issn.1000-386x.2017.11.017