几种语音端点检测方法简介

３ 基 于小 波变 换的端点 检测 方法 、 定声 音 的端点 的 。而且 双 门限方法 不具 备抗 噪能力 。 利用小 波变换 进行语 音 端点检 测 的算法 为： 基 于 自相 关极 大值 的检 测法 能够 很 准确 地检 测 出 （） １首先， 将语 音数 据进行 （６ ／ 分 帧处 理， 帧 语音 的端 点 ，将 纯高 斯噪声 段 和含语 音 信号段 分 辨 出 １ｍｓ 帧） 分 来。 当信嗓 比 比较高 时 ， 运用 能量 端点 检测方 法可 以分 后 各 段 帧数 据Ｘ（ 、： … …ｘ（）其 中， 括 （ｍｓ Ｘ（ ｍ） ｍ） ｍ ， 包 ４ ） 辨 出含语 音信 号段与 纯高 斯噪声 段 ，如 输入 信嗓 比为 的帧移 数据处 理 。
福 建 电
脑
２１ ０ １年第 １ 期 １
号 和 高斯 白噪声信号 的 自相关 函数准显 然， 如果信 号ｘ 主要 由背景 白噪声组 成， 么， （ ｍ） 那 由于 噪声 的 “ 谱 性质 ， 个 能 量序 列 应该 近 似 为 一 白” 这 个 常数序 列， 方差近 似为零 。如果信 号ｘｍ 主要 由语 其 （） 音 组成 ， 么， 个 能量 序列 是 一个 数值 变 化 的序 列 ， 那 这 其方 差 不会 近 似 为零 。如果 信号 ｘ 主要 由 白色 噪声 （ ｍ１ （ Ｉ ）带嗓语罾 籽一化 自榴关 高斯自噪 声期 一化 自相 关 和语 音 组成， 么，不论 白色 噪声能 量 有多 大， 那 由于语 西数经过低通滤波后的波澎疆 荫藏经蛙低遁滤波后的波形躅 音 的存 在， 个 能量序列 依然 是一 个 数值 变 化 的序列 ， 这 图 １带 嗓 语音 和高 斯 白嗓声 的归 一 化 自相关 函数 经 过 其 方差不 会近 似为零 。 低 通滤 波 后 的波 形 图 （） ４根据 上 述 思想 ， 计算 每 帧 小 波 变换 后 的语 音 数 通 过 上 面两个 波形 图的观 察 ．可以得 出这样 的推 据Ｘ（ ） ｍ 的方差 ， 果方 差 大于 门 限值 ‘ 那 么即认 为 这 如 Ｐ ， 论 ：带嗓 语音 信号 的归一 化 自相关 函数经 过低 通 滤波 帧 之 后 的语 音 数 据 为 有 效 的 语 音 数 据 ，记 为 起 始
一
在语 音合 成 、 编码 等 系统 中 ， 高效 的端 点检 测也 直 接 影 在端 点检 测 中 ，如果 所 处 理 的语 音 信号 是非 平稳 响甚 至决 定 着 系统 的主要 性 能 。因此 ，端 点检 测 的效 的随 机过 程 ｓ ）可 以采用 短 时 自相关 函数 ， 的定义 （， ｎ 它 率、 质量 在语 音 处理 系统 中显 得 至关重 要 ， 泛开 展 端 为 广 ｌ＿ １－１ Ｎ 点 检测 实现 手段 方 面 的研 究 ， 有一定 的现 实意 义［ ２ １ 。 Ｒ（ ｗ ） （ ＋） １ 双 门 限检测 法 、
量 的 低 门 限 或者 过 零 率 的值 大 于 过零 率 的低 门 限 ． 那 值 。而 高斯 白噪声信 号 的 自相 关 函数却 不具 有准 周期 么语 音 处 于过渡 段 ， 否则 ， 音仍 就处 于静 音段 。 语 性 ，它 的归一 化 自相 关 函数 的能量 在零 点之 外较 为平 （） ４ 当语 音 信 号 在 语 音段 时 ， 断 如 果 短 时 能 量 的 均 和分 散 。从 图 １中我 们 可 以清 晰地看 到带 嗓语 音信 判
它 的归一化 自相关 函数定义 为
Ｒ ＝ ／ ０ （ 尽 （） ） 如（ ）
这里 之所 以要 将 自相关 函数归 一化 是 为 了在 语 音 端点 检测过 程 中不 用考 虑 信号 绝对 能量 的大小 所带 来 的影 响 。 我们 知 道语音 是 由浊音 和清 音两部 分组成 的 。 浊音语 音是 ０ １ｍｓ ～ ０ 内可 以被看 作 为一 个准 周期信 号 ，
的端 点检 测方 法 。 阐述其优 缺 点。
【 关键 词 】 语音 端 点检测 、 ： 过零 率 、 小波 变换 、 自相 关极 大值
端 点 检测 是 语 音识 别 中非 常 重要 的一步 。所谓 语 值 大于 短时能 量 的低 门限或 者短 时过零 率 的值大 于短 音端 点检 测 。就是 从 一段 给定 的语 音 信号 中找 出语 音 时 过零 率的低 门 限 ， 那么语 音 信号仍 然处 于语 音段 。 的起 始点 和 结束点 。在语 音识 别 系统 中 ， 确 、 效 的 正 有 （） ５如果 静音 长 度 小 于设 置 的最 大 静 音长 度 ， 么 那 进 行 端点 检 测 不 仅 可 以减 少计 算 量 和缩 短 处 理 时 间 ， 就 表 明语 音还 尚未 结束 ， 还在 语 音段 ， 如果 语音 的长度 而且 能排 除 无声 段 的噪声 干 扰 、提高语 音 识别 的 正确 小 于 最小 噪 声 长度 ， 么 认 为语 音 太 短 ， 时 是 噪声 ， 那 此 否则语 音就进 入结束段 。 率。 研究 表 明【 即使 是在 安静 的环境 下 ， １ ］ ， 语音 识别 系统 同时判 断语 音处 于静音 段 ； ２ 基 于 自相关 极大值 的语 音端 点检测 方法 、 半 以上 的错误 可 能主要 来源 于端点 检测 。 除此 之外 ，
－
一
，
语 音 端 点 检测 方 法 可采用 测 试信 号 的短 时 能 量 或 短 时对数 能 量 、 联合 过零 率 等特征 参数 ． 采 用双 门限 并
判定 法来 检 测语 音 端点 ， 即利 用过 零率 检 测清 音 ， 短 用 时 能量检 测 浊音 ， 者配 合 。 两 首先 为短 时能量 和过 零 率 分 别确定 两 个 门限 。 一个 是较 低 的 门限数 值较 小 ， 信 对 号 的变化 比较敏 感 ， 容 易超 过 ； 很 另一 个是 比较 高 的门 限， 数值 较 大 。低 门限被 超过 未必 是语 音 的开 始 ， 可 有 能是 很短 的噪声 引起 的 ， 门限被 超过并且 接下 来 的 自 高 定义 时间段 内的语 音超过 低 门限 ， 意味着信 号开始圈 。 算 法过 程 如下 ：
２１ ０ １年第 １ 期 ｌ
福 建 电
脑
６ ７
几种语 音端点检测方法简 介
邢 亚 从
（ 苏州 市职业 大 学 江 苏 苏州 ２ ５０ ） １０ ０
【 摘 要 】 语 音 的端 点检 测 在语 音 的 编码 、 ： 语音 识 别 、 音 增强 、 话 人识 别 中起 着非 常重要 的作 用 ， 语 说 直 接 影响 着后 续 工作的 正确 率。本 文在 双 门限检 测 法的基 础上 ， 介绍 了基 于 自相 关极 大值和 基 于小波 变换
５Ｂ 。当信 噪 比降低 为一 ｄ 后 ， 时传统 的检测 方法 ｄ时 ５Ｂ 此 已完全 失效 ，而运用 此方法 仍 能有效 地 检测 出含 噪语 ∑ ） 音 段 的端点 。 ２０ Ｏ —一 基 于 小波 变换 的检 测 法检 测 的声音 数 据虽 然 检测 但 ０ Ｂ左 其 中‘ 端点 检 测 的 门限值 ， 为 实验 测 量 的标 准 的精度 很高， 是检测 的速 度是很 慢 的。一个５ Ｋ ｐ 为 右的语 音数 据（ 约说 话 人 只说 了３ 大 —５个字） 在 一 台 ， 值，０ ２０为经验 门限值 。根 据 统计可 知 ： 大 多数 语 音 绝 Ｐ ．Ｇ ０ 得 数 据 的 能 量 分 布 在 ２ ￣０ ～ ０ ０ ０ 之 间 ，因 此 取 Ｃ Ｕ 为 ２ ４ 的 电脑 上检 测 。 到 完 整 的检 测 结 果 大 ０ ０ ８０ ００ 约需要５秒 。 果这段 语音数 据再 大一些 的， 测速 度 如 检 ｃ＝ ０ ０ ０ 。 ￣５ ０ （） 上 述 数 据 进 行 小 波 变换 ， 换 结 果 为Ｘ （ ） 会变 得更慢 。所 以这个 算法 只能 在实 验室 的情 况下 进 ３对 变 ｍ 、 行 端 点检测 。 Ｘ（） ： ……ｘ （） ｍ ｍ 。如果ｘｍ是 背景 噪声 信号 ， 这些 小 （） 则 （） ２估计端 点检 测 的门限值 ：
一
后 的最 大值 可 以 间接地 反 映 信号 的 准周 期性 的程 度 。 帧 。 如果在 起始 帧存在 的前提 下 ， （ ） Ｘ ｍ 的方差 小于‘， ｐ 那 带 噪语音 信号 和纯 噪声 信号 的归 一化 自相关 函数 最大 么认 为这 一帧 为结束 帧。 值 都 为 １ 但 带噪语 音信 号具 有准周 期性 。当带噪 语音 ５ 总 结 ， 、 的归一化 自相关 函数 通过 低通 滤波 器之 后 ．由于 它 的 本 文介 绍 了端 点检 测 的三种 方法 ： 门限检 测 法 、 双 能量较 为集 中 ，因此 低通 滤波 之后 所得 的最 大值 就较 基 于 自相关 极 大值 的检 测 法 和 基 于 小 波 变 换 的 检 测 大。反 之高斯 白噪声 的 归一化 自相关 函数 的能量 较分 法 。 过分析 ， 门限结合 了短时 能量 和短 时过零 率 的 通 双 散． 因此低 通 滤波之后 所得 的最 大值就 较小 。 因此 可 以 优点 ， 其精 确度 和误检率 都有 了进一 步 的改善 。但 是， 双 通 过统计 该最 大值 的方法 来确 定一 个 阈值用 于 区分带 其 中还 是有 很 多不 足 的地 方： 门限 的误 检 率还 是 很 高， 因为在 时域 范 围 内数据 的很多 特 征是 无 法 准确 决 噪语 音 信号和 高斯 白噪声 。
而清 音信号 接近 于随 机 噪声 。 由于语音 的绝 大部分 能 量都集 中在 浊音语 音部 分 ， 因此语 音可 以在 １— ｓ ０ ２０ｍ 内被看 作为 一个准 周期 信 号 ，那么 它 的归一化 自相关 （） 开始 阶 段 要 做 预加 重 和 分 帧 的处 理 ， １在 讲语 音 函数 也呈准 周期性 ，而高 斯 白噪声 信号 的归 一化 自相 信号 分成 一 帧一 帧 的 ，分 帧 处理 有利 于对 语 音信 号 进 关 函数 的分 布较 为平 均和分 散 ， 不具有 准周期性 。 行准 确 的分 析 ， 且 能够 提高 识别 率 ， 时再分 别 求 出 并 这 为 了突 出带 噪语 音 信号 的归一 化 自相 关 函数 的准 每帧 的短 时 能量 和短 时过零 率 。 周 期 性 和高 斯 白噪 声 信 号 的归 一 化 自相 关 函数 分 散 （） ２接着 要设 置 初始 化 参数 ， 比如 最 大静 音 长 度 ， 这 性 ． 以利用 一个低 通 滤 波器 除去 波形上 的高 频毛 刺 。 可 是一 个经 验值 ， 来判 断语 音 段是 否结 束 ， 文 中是 根 这样 我们就 可 以清 晰地 看 到带 噪语 音信 号 自相关 函数 用 论 据大 量 的语音 样本 的长短设 置 的一个 经验 值 。 外 ， 另 短 所 具 有 的准周 期性 。图 ｌ ） 带 噪语 音信 号 的归一 化 ｆ为 ａ 时能 量和 短 时过零 率 的 门限也 要设 置初 始值 等 。 自相 关 函数经 过低 通滤 波 后 的典 型 波形 。 图 １ １ （ 为高 ｂ （ 判 断 当语 音 在 静 音 段 或 者 是 过 渡段 时 ， 果 语 斯 白噪声信 号 的归一 化 自相关 函数 经过 低通 滤波 后 的 ３ ） 如 音 信号 的 短 时能量 值 大于 短 时能量 的高 门限 ，或 者语 典型波形。我们看到带噪语音信号的 自相关函数的能 音 信号 的短 时 过零 率 大 于短 时过零 率 的高 门 限 ，那 么 量将集 中在基 音周期 的各 个整 数倍 点上 ，在这些 点附 就 确认 进入 了语 音 段 ，如果 短 时能 量 的值 大 于短 时 能 近将 出现极 大值 ，并且 此 函数 在零 点处 必将 出现 最大