一种语音端点检测的方法及改进

４ 语音端点检测方法
语音端点检测的算法步骤如下： （１）语音信号分成相邻有重叠的语音段， 称为语音帧； （２）每一语音帧， 采取一种特征向量； （３）采用 一 种 判 决 准 则 ， 例 如 双 门 限 判 定 ， 来 检 测 语 音 帧 与 非语音帧； （４）对上述结果进行后处理， 得到语音的全部区间； ４．１ 短时能量和过零率相结合的双门限语音端点检测技术 进行端点检测之前， 首先为短时能量和过零率分别确定两 个门限， 一个是数值比较小的低门限， 对信号的变化比较敏感， 很容易就会被超过。另一个是数值比较大的高门限， 信号必须 达到一定的强度， 该门限才可能被超过。低门限被超过未必就 是语音的开始， 有可能是时间很短的噪声引起的。高门限被超 过则可以基本确信是由于语音信号引起的。 语 音 信 号 的 端 点 检 测 可 以 分 为 四 个 过 程：静 音 、过 渡 段 、语 音段 、结 束 。在静 音 段 ， 如果 能 量 或过 零 率 超越 了 低 门限 ， 就 应 该开始标记起始点， 进入过渡段。在过渡段中， 由于参数的数值 比较小， 不能确信是否处于真正的语音段， 因此只要两个参数
在 语 音 识 别 中，通 常 是 先 根 据 一 定 的 端 点 检 测 算 法，对 语 音 信号中的有声片段和无声片段进行分割，而后再针对有声片段， 依据语音的某些特征进行识别。研究表明， 即使在安静的环境 中， 语音识别系统一半以上的识别错误来自于端点检测器。因 此，作为语音识别系统的第一步，端点检测的关键性不容忽视，尤 其是噪声环境下语音的端点检测， 它的准确性很大程度上直接 影 响 着 后 续 的 工 作 能 否 有 效 进 行 。可 以 说 ，语 音 信 号 的 端 点 检 测 至今为止仍是有待进一步深入研究的课题。
您的论文得到两院院士关注 文章编号：１００８－ ０５７０（２００７）０８－ ３－ ０２３１－ ０３
软件时空
一种语音端点检测的方法及改进
Ａｎ Ｅｎ ｄ ｐ ｏ ｉｎ ｔ Ｄｅ ｔｅ ｃｔｉｏ ｎ ｍ ｅ ｔｈ ｏ ｄ ｓ ｆｏ ｒ Ｓ ｐ ｅ ｅ ｃｈ Ｓ ｉｇ ｎ ａ ｌｓ ａ ｎ ｄ Ｍｏ ｄ ｉｆｉｅ ｄ
确定权值向量 ｗ 和分界值 Ｚ０ 的过程如下：
技
（１）初始化权向量 ｗ＝｛ｗ１，ｗ２，ｗ３｝＝｛１， １， １｝； （２）重复下列过程， 直到训练完成。
术
（ａ）采集一段语音， 并进行分帧和离散化处理； （ｂ）计 算 每 一 帧 的 加 权 和 ｚ， 然 后 根 据 得 到 的 过 零 率 集 合 将
集合分为两类（ｚ 低和 ｚ 高） ；
创
（ｃ） 循环 次 数为 ３Ｎ＋１ 时：ｗ＝ｗ＋［ ０， ０， ｘ］。 循 环 次 数 为 ３Ｎ＋２
时，ｗ＝ｗ＋［ ０， ， ０］； 循环次数为 ３Ｎ＋３ 时：ｗ＝ｗ＋［ｘ， ０， ０ ］。
新
（ｄ）重新 计 算 每 一 帧 的 加 权 和 Ｚ， 然 后 根 据 得 到 的 过 零 率 集
４．２ 窗长动态改变的语音端点检测技术 语音端点检测首先要进行分帧处理， 然后依次判断每一帧 是否为语音的端点。如果每一帧点数过多， 总的计算量比较小， 而且进行端点检测时速度比较快， 但是这样端点检测的误差容 易增加。端点检测时如果采用较小的窗长， 计算量增加， 语音识 别的速度会降低。 采用一种改进方法， 在静音段使用大窗长； 一旦进入过渡 段， 即短时能量超过较低门限或短时过零率超过较低门限， 为 了精确检测语音端点， 就从这一帧开始对语音数据采用较小窗 长； 一旦进入语音段， 即短时能量超过较高门限， 就从这一帧以 后恢复为常规窗； 本文正是基于这种思想， 将窗长动态改变的 端点检测方法， 使用多门限过零率端点检测算法有机结合起 来， 既提高了语音处理速度， 又可以精确检测语音的端点。
３ 短时平均过零率
短时 过 零率 表 示 一帧 语 音 中语 音 信 号穿 过 横 轴（零 电 平）的 次数。对于离散信号， 如果相邻的取样值改变符号则称为过零。
定义语音
为了使语音的过零率和静音、噪音的过零率有明显的区 别， 现实应用中改进了过零率计算。设定一个很小的阈值 ｚｖ， Ｚｎ 的过零率定义如下：
技 术
１ 引言
语音是人类最自然的信息载体， 理应成为未来人机交互的 主 要 方 式。而 语 音 端点 检 测 是语 音 分 析、语 音 合 成、语 音 编 码、 说话人识别中的一个重要环节， 直接影响到后续工作的准确 性。在实际应用中， 首先通常要求对系统的输入信号进行判断， 准确地找出语音信号的起始点和终止点， 这样才能采集真正的 语音数据，减少数据量和运算量，并减少处理时间。
２ 短时能量
语音 和 噪声 、语 音 和非 语 音 的区 别 可 以体 现 在 它们 的 能 量 上， 语音段的能量比噪声段能量大， 语音段的能量是噪声段能 量叠加语音声波能量的和。在信噪比很高时， 如果环境噪声和 系统输入噪声比较小， 以至能够保证系统的信噪比相当高， 那 么只要计算输入信号的短时能量或短时平均幅度就能够把语 音段和噪声背景区分开。这是仅基于短时能量的端点检测方 法。但低信噪比情形下， 此算法就将失效。
Ａｂｓｔｒ ａｃｔ：Ｅｎｄｐｏｉｎｔ ｄｅｔｅｃｔｉｏｎ ｉｓ ｖｅｒｙ ｉｍｐｏｒｔａｎｔ ｓｔｅｐ ｆｏｒ ｓｐｅｅｃｈ ｓｉｇｎａｌｓ ｐｒｏｃｅｓｓｉｎｇ， ｗｈｉｃｈ ａｃｃｕｒａｃｙ ｄｉｒｅｃｔｌｙ ｉｎｆｌｕｅｎｃｅ ｔｈｅ ｓｐｅｅｄ ａｎｄ ｒｅ－ ｓｕｌｔ ｏｆ ｓｐｅｅｃｈ ｓｉｇｎａｌｓ ｐｒｏｃｅｓｓｉｎｇ， ｓｏ ｔｈｅ ｒｅｓｅａｒｃｈ ｏｆ ｅｎｄｐｏｉｎｔ ｄｅｔｅｃｔｉｏｎ ｍｅｔｈｏｄｓ ｉｓ ｔｈｅ ｈｏｔｓｐｏｔ ｏｆ ｓｐｅｅｃｈ ｓｉｇｎａｌｓ ｐｒｏｃｅｓｓｉｎｇ． Ｔｈｅ ａｎａｌ－ ｙｓｉｓ ａｂｏｕｔ ｔｈｅ ｅｎｄｐｏｉｎｔ ｄｅｔｅｃｔｉｏｎ ｍｅｔｈｏｄｓ ｗｉｔｈ ｅｎｅｒｇｙ ａｎｄ Ｚｅｒｏ－ ｃｒｏｓｓｉｎｇ，ａｍｅｎｄ ｔｈｅ ｔｒａｄｉｔｉｏｎ Ｚｅｒｏ－ ｃｒｏｓｓｉｎｇ ｍｅａｓｕｒｅｍｅｎｔｓ ａｎｄ ｍｏｄｉ－ ｆｉｅｄ ｂｙ ｔｈｅ ｄｙｎａｍｉｃ ｌｅｎｇｔｈ ｏｆ ｗｉｎｄｏｗｓ． Ｒｅｓｅａｒｃｈ ｐｏｉｎｔｅｄ ｏｕｔ ｔｈａｔ ｔｈｅ ｍｏｄｉｆｉｅｄ ｍｅｔｈｏｄｓ ｃａｎ ｄｅｔｅｃｔ ｔｈｅ ｅｎｄｐｏｉｎｔ ｅｘａｃｔｌｙ． Ｋｅｙ ｗｏｒ ｄｓ： ｅｎｄｐｏｉｎｔ ｄｅｔｅｃｔｉｏｎ，Ｚｅｒ ｏ－ ｃｒ ｏｓｓｉｎｇ， ｓｐｅｅｃｈ ｓｉｇｎａｌｓ ｐｒ ｏｃｅｓｓｉｎｇ
的数值都回落到低门限以下， 就将当前状态恢复到静音状态。 而如果在过渡段中两个参数中的任一个超过了高门限， 就可以 确信进入语音段了。
一些突发性的噪声也可以引起短时能量或过零率的数值很 高， 如门窗的开关， 物体的碰撞等引起的噪声， 但是往往不能维 持足够长的时间， 都可以通过设定最短时间门限来判别。当前状 态处于语音段时， 如果两个参数的数值降低到低门限以下， 而且 总的记时长度小于最短时间门限， 则认为这是一段噪音， 继续扫 描以后的语音数据。否则就标记好结束端点， 并返回。
当 Ｚ＞Ｚ０ 时， 判为有话帧；
当 Ｚ＜Ｚ０ 时， 判为无话帧。
这 样 就 可 以 准 确 而 实 时 地 找 到 语 音 的 起 点 。多 门 限 过 零 率
端点检测算法中需要通过实验找出一个分界值 Ｚ０。这里对权值 向量 Ｗ 和分界值的确定提出了一种参数自优化法， 通过训练
的方式获得合适的权值 ｗ１，ｗ２，ｗ３ 和分界值。
（１－ ４）
然后用加权和来表示总的过零率：
（１－ ５）
其中：ｗ１，ｗ２，ｗ３ 为 过零 率 权 值； Ｚ 为 过 零 率 加 权 和， 以 下 简 称 加权和。只要门限值 Ｔ１，Ｔ２，Ｔ３ 和权值 ｗ１，ｗ２，ｗ３ 选择合适，语音开始 后的信号加权和 Ｚ 值将明显大于无话时的加权和 Ｚ 值。定义 Ｚ０ 为加权和分界值， 以下简称为分界值。
（１－ ３）
同时这种方法对抑制低直流漂移也很有效， 避免了用防混 叠带通滤波器抑制电源以及将直流分量从信号中扣除。
由于浊音时的能量集中于低频段， 而清音的能量集中在高 频段， 而短时平均过零率可以在一定程度上反映频率高低， 这 样可以用短时平均过零率来初步判断清音和浊音。
在实际应用中， 通常是利用过零率来检测清音， 用短时能 量来检测浊音， 两者配合实现可靠的端点检测。用得比较多的 是一种双门限的算法。
过零率可用于判别有话与无话， 但过零率容易受低频干扰，
《Ｐ ＬＣ 技术应用 ２００ 例》
邮局订阅号： ８２－９４６ ３６０ 元 ／ 年 － ２３１ －
软件时空
中 文 核 心 期 刊 《 微 计 算 机 信 息 》（ 管 控 一 体 化 ）２００７ 年 第 ２３ 卷 第 ８－３ 期
修改为过正负门限， 采用多门限过零率端点检测算法。多门限 过零率端点检测法是设置多个高低不同的门限， 例如三门限： Ｔ１＜Ｔ２＜Ｔ３ ，对 每 一 帧（例 如 宽 度 为 １０ｍｓ 输 入 信 号）用 式（１－ ４）分 别 求相应于 Ｔ１， Ｔ２，Ｔ３ 的三种门限过零率 Ｚ１，Ｚ２ 和 Ｚ３。
语音信号的能量随着时间变化比较明显， 一般清音部分的 能量比浊音能量小得多， 语音信号的实时能量分析给出了反应
覃 溪： 硕士研究生 基 金 项 目 ： 广 西 自 然 科 学 基 金 资 助 项 目 （０３３９０３７）
这些 幅 度变 化 的 一个 合 适 的 描 述 方 法 。 对 于｛ｘ（ｎ）｝，短 时 能 量 的 定义如下：
（１－ １）
创 新
式中，ｈ（ｎ）＝ｗ２（ｎ）， Ｅｎ 表示在信号的第 ｎ 个点开始加窗函数时 的短时能量。
短时能量主要有以下几个方面的应用： 首先是利用短时能 量可以区分清音和浊音， 因为浊音的能量要比清音的能量大得
多； 其次， 可以用短时能量对有声段和无声段进行判定， 对声母
和韵母分界， 以及对连字分界。
合将集合分为两类（ｚ 低和 ｚ 高） ， 比较两次的分类情况。若有分