一种改进的MBE基音跟踪算法

一种改进的MBE基音跟踪算法黄姗姗;许钢;李远军【摘要】By studying the slow time-varying characteristics of pitch period,an improved pitch tracking algorithm based on MBE is proposed. The algorithm,which tracks only one frame data forward and backward respectively compared with the traditional one, aims to reduce calculations and upgrade the realtime performance of pitch detection. The result of simulation experiment shows that both the new algorithm and the traditional one can achieve good effect of pitch tracking. But the calculations for the new algorithm are reduced remarkably and execution speed improved a lot.%通过对基音周期慢时变特性的研究，提出了一种改进的MBE基音跟踪算法．该算法旨在减少运算量，提升基音检测的实时性，将传统的基音跟踪算法改进为前后向各跟踪一帧．仿真实验表明，改进算法与传统算法对基音跟踪均取得了良好的效果，但是新算法计算量大幅度减少，执行速度明显提升．【期刊名称】《安徽工程大学学报》【年(卷),期】2012(027)004【总页数】4页(P49-52)【关键词】MBE;基音跟踪;基音周期}初始估计【作者】黄姗姗;许钢;李远军【作者单位】安徽工程大学安徽省电气传动与控制重点实验室,安徽芜湖241000;安徽工程大学安徽省电气传动与控制重点实验室,安徽芜湖241000;安徽工程大学安徽省电气传动与控制重点实验室,安徽芜湖241000【正文语种】中文【中图分类】TN912.3在多带激励（MBE）语音编码［1－2］中，对语音信号进行初始基音估计时，计算出与各个候选基音周期对应的误差函数值后，可以选择使误差函数最小的周期作为初始基音估计值.但这样可能会导致相邻帧的基音估计值相差很大，无法保证基音周期的连续性，基音周期突然改变会降低合成语音的质量.语音基音周期具有慢时变特性，利用相邻帧的基音估计，可以提高当前帧基音估计的准确性.目前在MBE基音的初始估计中，为了加强基音周期的连续性，去除基音轨迹中的野点，常用的算法是平滑算法［3］.基音平滑主要有两种方法，一种是以校正基音周期轨迹中孤立误差为基础的中值平滑技术，另一种是以基音的连续性特征为基础的动态规划技术.中值平滑技术的平滑效果不是很理想，它是强制性的基音轮廓平滑，这种方法的缺点是基音中的一些固有突变被平滑掉了；动态规划技术可以得到较好的平滑效果，但是步骤繁琐，在进行平滑之前，还需要对每一帧进行清浊音判决，运算复杂，计算量非常大.本文采用计算量相对较小的基音跟踪算法［4］，将相邻帧基音周期的偏差限制在预定范围内，以保证基音周期的连续性.为了进一步降低算法的复杂度，提高跟踪的速度，因此本文将传统的基音跟踪算法改进为前后向各跟踪一帧.1 基音的初始估计采用Adobe Audition录音软件录取一段语音，采样频率为8 000Hz，量化位数为16bit，单声道.语音信号首先通过一个截止频率约10Hz的数字高通滤波器，除去信号中的直流分量，高通滤波后的语音信号表示为shp（n）.再将语音信号通过一个截止频率为800Hz的五阶椭圆低通滤波器，该低通滤波器不仅可以去除大部分高频共振峰的影响，而且可以在基音频率为最高500Hz时，保留其一、二次谐波［5］，低通滤波后的语音信号表示为slp（n）.基音初始估计窗wI（n）选用341点的归一化三角窗.对语音信号进行分帧处理，每帧341个样点，缓存了前一帧71个样点，当前帧200个样点和后一帧70个样点.基音初始估计的框图如图1所示.1.1 定义误差函数E（P）进行基音周期的初始估计时，多次用到误差函数E（P）［4］，其定义如下：图1 基音初始估计的框图自相关函数φ（t）［4］定义为：上式中t为整数，若t为非整数，则通过线性内插计算，内插计算使用式（3）［4］：经过多次实验，当j取170（即：帧缓存取341个样点），m取114（即：候选基音周期取值范围的上限为114）时基音初始估计可以取得较好的效果.1.2 基音跟踪算法改进基音跟踪算法分为两个部分：后向基音跟踪和前向基音跟踪.对每个当前帧进行后向基音跟踪得到后向估计PB，它保持当前帧与过去帧之间基音周期的连续性；对当前帧进行前向基音跟踪得到前向估计PF，它保持当前帧与将来帧之间基音周期的连续性.然后根据判决规则比较PB和PF，选择一个作为当前帧基音周期的初始估计PI.（1）后向基音跟踪.过去一帧基音周期的初始估计记为P－1，对应的误差函数值为E－1（P－1），为了保证基音周期的连续性，将当前帧的基音周期P限制在P －1附近，即要求满足以下的约束条件［4］.在满足上述条件的范围内逐个选取P，并按式（1）计算相应的E（P），使E（P）最小的P就是后向估计PB，并计算后向累计误差CEB（PB），定义为［4］：后向累计误差是后向基音估计的置信度测度，将它与前向累计误差进行比较，来确定当前帧的PI.传统算法中后向累计误差的定义为［4］：改进的后向基音跟踪算法与传统算法相比，将过去第二帧对应的误差函数值略去不计，减少了计算量.（2）前向基音跟踪.将来一帧的基音周期表示为P1，E1（P1）是对应的误差函数.由于P1是将来帧，其值尚未确定，前向基音跟踪算法必须首先设法确定将来帧的基音周期值，在｛21，21.5，…，113.5，114｝范围内选择一个P0，然后按照下面的条件［4］选取P1.使E1（P1）最小的P1 记为1，计算前向累计误差函数CEF（P0），如下式［4］：重复进行上述过程，在限定的范围内逐个选取P0，计算对应的CEF（P0），使其取最小值的P0定义为0.传统算法中前向累计误差的定义为［4］：使E1（P1）＋E2（P2）最小的P1和P2表示为1和2.改进的前向基音跟踪算法与传统算法相比，将未来第二帧对应的误差函数值略去不计，只搜索未来一帧的基音周期值，减少了在得到P1的基础上再搜索P2的时间，减少了计算量.为确保0是真正的基音周期，而不是基音周期的倍数，在得到0后，对其分数值0/n进行检验，其中n＝2，3，4，5.当满足0/n时，在｛21，21.5，…，113.5，114｝中选择一个与其最接近的值代替0/n.然后按照下面的约束条件［4］检查是否有满足其中任何一个且为最小的（0/n）≥21，如果有，则前向基音估计PF ＝0/n；如果没有，则PF ＝0.（3）确定基音初估值.在完成上述前后向跟踪、得到前后向基音估计PF和PB之后，按以下判决规则［4］确定基音初估值PI：当CEB（PB）＜0.48时，PI＝PB；当CEB（PB）≤CEF（PF）时，PI ＝PB；若以上两个条件都不满足，则PI＝PF.至此就完成了多带激励语音编码的基音初始估计，得到的初估值是｛21，21.5，…，113.5，114｝中的一个数，精度为1/2采样周期.2 改进算法与传统算法计算量对比由公式（1）可得，计算E（P）所需的计算量随着P的取值而变化.若P的取值在30附近，P取整数时，大概需要10 568次乘法，4 827次加法；当P取分数时，大概需要1 4018次乘法，6 908次加法.在进行后向基音跟踪时，由公式（4）可得，当前帧的基音周期P限制在P－1附近，若P－1的取值在30附近，需要进行P取整数时的搜索13次和P取分数时的搜索12次.由公式（5）可得，后向基音跟踪改进算法大概需要10 568×13＋14 018×12＋14 018＝319 618次乘法，由公式（6）可得，后向基音跟踪传统算法大概需要10 568×13＋14 018×12＋14 018×2＝333 636次乘法.在进行前向基音跟踪时，在｛21，21.5，…，113.5，114｝范围内选择一个P0，即先进行P0 取整数时的搜索94次和P0取分数时的搜索93次，然后按照公式（7）搜索P1.由公式（8）可得，前向基音跟踪改进算法大概需要的乘法次数是：（10 568×13＋14 018×12）×94＋（10 568×13＋14 018×12）×93＋10 568×94＋14 018×93＝59 444 266，由公式（9）和（10）可得，前向基音跟踪传统算法大概需要的乘法次数是：（10 568×13＋14 018×12）×94＋（10 568×13＋14 018×12）×93＋［（10 568×13＋14 018×12）×13＋（10 568×13＋14 018×12）×12］×94＋［（10 568×13＋14 018×12）×13＋（10 568×13＋14 018×12）×12］×93＋10 568×94＋14 018×93＝1 488 124 266.该算法若采用TI公司的高性能定点TMS320C6416DSP芯片，TMS320C6416DSP的最高处理速度可以达到4800MIPS，在一个指令周期内可以完成一次乘加运算，计算E（P）需要的乘法次数比加法次数多，由上述理论分析，若P的取值在30附近时，前后向跟踪传统算法大概需要的时间是310.0 954ms，前后向跟踪改进算法大概需要的时间是12.4 508ms，每帧语音的长度是25ms，改进算法比传统算法执行速度明显提升，由于改进算法的运算时间小于每帧的时间，改进算法可以做实时处理，传统算法的运算时间远远大于每帧的时间，无法实时处理.上述分析是以P的取值在30附近为例，对于不同的P值，传统算法与改进算法所需的计算量不同，对于P 在｛21，21.5，…，113.5，114｝之间取值时，两种算法处理一帧语音大概所需时间对比如图2所示.设T1是改进算法所需时间，T2是传统算法所需时间，从图2中可以看出，无论P取何值，T2都远远大于25ms，因此，传统算法无法实现实时处理；而T1均小于25ms，所以，改进算法对基于MBE的语音编码的实时实现提供了可能.图2 传统算法与改进算法所需运算时间对比3 实验结果及分析下面运用改进算法和传统算法分别对一段女声“语音编码”和一段男声“语音信号参数编码”的语音信号进行基音初始估计，在MATLAB中仿真实现，结果如图3所示.由图3a、图3b对比可知，用改进算法和传统算法得到的女声语音基音初始估计的结果是完全一样的，相同条件下新算法的执行速度明显提升；由图3c、图3d对比可见，男声语音共有第3，16，24，32，61，79这6帧结果不同，其中第16与24帧是浊音帧，第16帧用两种算法得到的周期与实际均有偏差，第24帧用改进算法提取的周期更准确，其他不同的4帧是清音帧，相同条件下新算法的执行速度明显提升.图3 语音信号的基音轨迹图4 结论本文将多带激励基音初始估计中的基音跟踪算法改进为前后向各跟踪一帧，在Matlab环境下用该算法对录制的多个语音段进行了处理，均得到了较为理想的实验效果.理论分析和仿真结果都表明，与传统的基音跟踪算法相比较，改进算法在较好地完成基音初始估计的同时大大减少了计算量，对基于MBE语音编码的实时实现提供了可能.【相关文献】［1］Peder rson，Simon Hu，Michael Lustig.Fast dynamic 3DMR spectroscopic imaging with compressed sensing and multiband excitation pulses for hyperpolarized13Cstudies［J］.Magnetic Resonance in Medicine，2011（3）：231－233.［2］Peder rson，Robert Bok，Adam B.Kerr，Michael Lustig，Simon Hu，Albert P.Chen，Sarah J.Nelson，John M.Pauly，John Kurhanewicz，DanielB.Vigneron.Investigation of Tumor Hyperpolarized ［1－13C］－Pyruvate Dynamics U－sing Time－Resolved Multiband RF Excitation Echo－Planar MRSI［J］.NIH public AccessAuthor Manuscript，2010：（6）713－716.［3］陈洪亮.一种基于MBE低速率语音编码的研究与DSP实现［D］.西安：西安电子科技大学，2011.［4］李昌立，吴善培.数字语音－语音编码实用教程［M］.北京：人民邮电出版社，2004：11. ［5］鲍长春.数字语音编码原理［M］.西安：西安电子科技大学出版社，2007.。