《语音信号处理》学习笔记

一、基本概念

• 语言：从人们的话语中概括总结出来的规律性符号系统。
• 语音：一连串音组成的声音。
• 音节：具有一个响亮的中心，并被明显感觉到的语音片段。
• 音素：发音最小片段。分为元音、辅音（清音、浊音、半元音）。
  
  • 元音：声腔开放。
  • 辅音：声腔受阻。（唇舌位置，形状）
• 共振峰：元音激励进入声道引起的共振特性。
  
  • F1：舌位高则低
  • F2：舌位前则高
  • F3：舌尖卷则低
  • 鼻化：共振峰加上了两对零极点。
• 元音发音方式：
  
  1. 声道受声带振动；
  2. 声道不极端狭窄，形状持续稳定；
  3. 与鼻腔不耦合；
• 浊音（声带振动）：基音频率→声调轨迹→韵律
• 重音：时长、音高，音强不重要。
• 汉语声韵结构：V,CV,VC1，CVC1
• 声调：浊音基音周期的变化；
• 基音周期：声带振动周期；
• 语谱图：横轴-时间，纵轴-频率，深浅-强弱。
• 幅度符合Gamma分布：
  
  PG(x)=x−−√2π−−√e−k|x|∣x∣−−√wherek=3√2σx

二、语音信号分析

1、数字化和预处理

• 预滤波：滤除 fs2 以外的分量；抑制50Hz工频。
  
  • 电话→ fH=3400Hz,fL=60到100Hz,fs=8kHz
  • 高要求→ fH=4500Hz,fL=60Hz,fs=10kHz
• 量化：
  
  • 量化噪声：当信号波形足够大或者量化间隔足够小时，可以证明量化噪声符合①平稳的白噪声；②量化噪声与输入信号不相关③量化噪声在量化间隔内均匀分布。
  • 量化信噪比有
    
    SNR(dB)=101log(σ2xσ2e)=6.02B+4.77−201g(Xmaxσx)
    
    σ2x 为语音信号序列方差
    σ2e 为噪声序列方差
    B为量化字长
    2Xmax 为信号峰值
    设语音信号服从Laplacian分布
    则SNR=6.02B-7.2
• 预处理：
  
  • 预加重：800Hz以上语音信号有6dB/oct跌落，故于家中使频谱平坦，使在整个频带可以用同样的信噪比（？）求频谱。
    
    H(z)=1−μz−1
  • 加窗分帧：
    
    • 33-100帧/s
    • 帧移：帧与帧之间交叠以保证平滑。（帧移/帧长=0到1/2）
    • 汉明窗：
      
      w(n)={0.54−0.46cos[2πnN−1],0,0≤n≤N−1else
    • 长度： Δf=1NTs=1Nfs
      一个语音帧中应有1到7个基音。
      基音2ms~14ms，10kHz以下，N取100~200。

2、时域分析

对于信号 x(l) ， w(m) 为窗函数，则第 n 帧为

xn(m)=w(m)x(n+m),     m∈[0,N−1]

(1)短时能量与短时平均幅度

En=∑m=0N−1x2n(m)

En=∑m=0N−1|xn(m)|

浊音 En 比清音大，可以区分声韵母，可以找连字分界。

（2）短时过零率（一帧语音过零次数）

Zn=12∑m=0N−1|sgn[xn(m)−xn(m−1)]|

浊音的频率高，清音的频率低。
背景噪声大时可以用于划界。
判断S（无声）U（清音）V（浊音）：

M:V>U>SZ:U>S>V

已知

P(M,Z|S),P(M,Z|U),P(M,Z|V)

，则根据贝叶斯公式，

P(M,Z|X)⋅P(X)P(M,Z)=P(X|M,Z),  X=S或U或V

求出 P(X|M,Z) 即可判断S,U,V。

（3）短时相关分析

• 短时自相关函数
  
  Rn(k)=∑m=0N−1−kxn(m)xn(m+k)    (平移以后重叠处相加)
  
  性质:
  Rn(k)=Rn(k+Np)Rn(−k)=Rn(k)(???)Rn(0)平均功率
• 修正的短时自相关函数

(4) 短时平均幅度差AMDF

d(n)=x(n)−x(n+k),  k=0,±Np,±2Np...Fn(k)=∑n=0N−1−k|xn(m)−xn(m+k)|

证书周期信号上有谷值。

3、频域分析

（1）短时傅里叶变换

Xn(ejw)=∑m=0N−1xn(m)e−jwmXn(k)=∑m=0N−1xn(m)WmkN

频率对应： 0−2L−1×Δf,  Δf=fsN

（2）短时谱临界特征矢量

4、倒谱分析