（信号与信息处理专业论文）低码率特征波形内插语音编码算法的关键技术研究.pdf

摘要 摘要 低码率语音编码是当今通信领域的关键技术。本文在特征波形内插( c 、) 语音编码算法的基 础上，分别提出一种1 8 k b i t s 基于音素分段的c w i 编码算法和2 4 k b i t s 基于多带的c w i 编码算法 论文的主要研究成果包括： 1 研究了在低码率语音编码中的语音分段算法。提出了一种基于小波变换累积能量的语音分段 算法，提高了语音分段的精度。通过语音分段有效地区分有声段和无声段，只对有声段分配比特进 行编码。利用语音分段后的每段语音中语音信号的相关性对参数压缩编码。 2 研究了线谱频率参数( l s f ) 的量化方法。利用l s f 的帧间相关性，本文研究了一种基于暂 时分解的l s f 量化方法，将l s f 的编码速率降低蛩j 6 9 5 b i t s ，大大降低了编码速率，并且获得了一个相 对较低的平均谱失真。 3 研究了特征波形的量化方法。为了提高编码效率，将特征波形分解为慢渐变波形( s e w ) 和 快渐变波形( r e w ) ，根据它们不同的感性特点分别量化。对于s e w 。将其幅度谱分成三个子带进 行量化；对于r e w ，采用正交多项式拟合的方法对其量化。 4 提出一种1 8 k b i t s 基于音素分段的c w i 语音编码方案。该算法以音素分段为前端处理部分， 用暂时分解算法量化l s f 矢量，并以事件位置的间隔作为最终的语音分段点，以分段为单位对参数 进行量化。主观听力测试表明，合成语音保持了较高的可懂度和一定的自然度，但是合成语音质量 略低于2 a k b i t s 的m e l p 算法。 5 提出一种2 4 k b i t s 基于多带的c w i 语音编码方案。该算法引入m e l p 编码算法中多带的思 想将语音谱分成多个频带，并在每个频带内分析声音强度，根据分析结果确定s e w 和r e w 在相应 频带的相位，使得合成语音的高频谐波得到较好的恢复，并且在内插瞬时特征波形时仅对特征波形 部分对齐，大大降低了解码端的计算复杂度主观听力测试表明，合成语音质量大大优于传统的 2 4 k b i t s 的c w i 编码算法，略优于2 4 k b i f f s 的m e l p 编码算法。 关键词：低码率语音编码；语音分段：暂时分解；特征波形；多带 a b s t r a c t a b s t r a c t 1 1 埔l o wr a t es p e e c hc o d i n gi st h ec r u c i a lt e c h n o l o g yo fp r e s e n tc o m m u n i c a t i o nf i e l d o nt h e f o u n d a t i o no ft h ec h a r a c t e r i s t i cw a v e f o r mi n t e r p o l a t i o n ( c ) s p e e c hc o d i n ga l g o r i t h m ，t h i sp a p 明 p r e s e n t sak i n do fc o d i n ga l g o r i t h mo f1 8 k b i t sc w ib a s e d0 1 ip h o n e m es e g m e n t a t i o na n dt h ec o d i n g a l g o r i t h mo f2 4 k b i t sc w ib a s e do nm u l f i - b a n d t h em a j o rr e s e a r c ha c c o m p l i s h m e n t so ft h i sp a p e r i n c l u d e ： 1 t h es p e e c hs e g m e n t a t i o na l g o r i t h mi nt h el o wb i tr a t es p e e c hc o d i n gi ss t u d i e d ak i n do fs p e e c h s e g m e n t a t i o na l g o r i t h mb a s e do nt h ec u m u l a t ee n e r g yo fw a v e l e tu a n s f o r m a t i o ni sp r o p o s e d , a n di t p r o m o t e st h ep r e c i s i o no fs p e e c hs e g m e n t a t i o n t h ee f f e c t i v ed i v i s i o no fv o i c e ds e g m e n ta n du n v o i c e d s e g m e n ti sd o n et h r o u g hs p e e c hs e g m e n t a t i o n ，a n do n l yt h ev o i c e ds e g m e n ti sc o d e d t h ec o r r e l a t i o no ft l 鸲 s p e e c hs i g n a lo fe a c hs p e e c hs e g m e n t a t i o ni su s e dt oc o m p r e s sa n dc o d et h ep a r a m e t e r 2 t h eq u a n t i z a t i o nm e t h o do fl s fi ss t u d i e d c o n s i d e r i n gt h ef t a l _ 1 1 cc o r r e l a t i o no fl s fp a r a m e t e r s 。a q u a n t i z a t i o nm e t h o do fl s fb a s e do nt e m p o r a ld e c o m p o s i t i o ni ss t u d i e d t h ec o d i n gs p e e do fl s fi s r e d u c e dt o6 9 5 b i t s ，a n dt h ec o d i n gs p e e di sg r e a t l yr e d u c e d , a n dar e l a t i v e l yl o w e rs p e c t r a ld i s t o r t i o ni n a v e r a g ei sg o t t e n 3 田地q u a n t i z a t i o nm e t h o do fc h a r a c t e r i s t i cw a v e f o r mi ss t u d i e d t or a i s ec o d i n ge f f i c i e n c y , c h a r a c t e r i s t i cw a v e f o r mi sd e c o m p o s e di n t os e wa n dr e w ，w h i c ha q u a n t i f i e dr e s p e c t i v e l ya c c o r d i n gt o t h e i r d i f f e r e n tp e r c e p t u a lc h a r a c t e r i s t i c f o rs e w ，q u a n t i z a t i o ni sd o n eb yd i v i d i n gi t sa m p l i t u d es p e c t r u m i n t ot h r e es u b - b a n d f o rp e w ，o r t h o g o n a lp o l y n o m i a lf i t t i n gi su s e d 4 a1 ，8 k b i t sc w is p e e c hc o d i n ga l g o r i t h mb a s e do np h o n e m es e g m e n t a t i o ni sp r o p o s e d t h i s a l g o r i t h mu s e sp h o n e m es e g m e n t a t i o na sf r o n t - e n dp r o c e s s i n g ，a n dq u a n t i f i e sl s fp a r a m e t e r sb yt e m p o r a l d e i 舳m p o s i t i o na l g o r i t h m i ta l s oc o n s i d e r st h ei n t e r v a lo f e v e n tl o c a t i o nt ob et h ef i n a ls p e e c hs e g m e n t a t i o n p o i n t , a n dq u a n t i f i e sp a r a m e t e r so nt h ef o u n d a t i o no fs e g m e n t a t i o n s u b j e c t i v eq u a l i t yt e s t ss h o wt h a t s y n t h e t i cs p e e c hm a i n t a i n sh i g h e ri n t e l l i g i b i l i t ya n dc e r t a i nl l a t u r a ld e g r e e ，b u ti t sq u a l i t yi ss l i g h t l yl o w e r t h a nt h ea l g o r i t h mo f2 4 k b i t sm e l p 5 a2 , 4 k b i t sc w is p e e c hc o d i n ga l g o r i t h mb a s e do nm u l t i - b a n di sp r o p o s e d t h i sa l g o r i t h mu s e st h e i d e ao fm u l t i - b a n di nt h em e l pc o d i n ga l g o r i t h ma n dd i v i d e st h es p e e c hs p e c t r u mi n t os e v e r a lf r e q u e n c y b a n d s ，i nw h i c ht oa n a l y z et h ev o i c es t r e n g t h a c c o r d i n gt ot h ea n a l y z i n gr e s u l t ，t h ep h a s e so fs e wa n d p e wi nt h er e s p e c t i v ef x e q u e n c yb a n da r ed e t e r m i n e da n dt h e r e f o r et h em g hh a r m o n i c so ft h es p e e c hc a n b er e c o v e r e dw e l l m e a n w h i l e ，t h ec h a r a c t e r i s t i cw a v e f o r m sa r ep a r t l ya l i g n e dw h e ni n t e r p o l a t i n gt h e i n s t a n t a n e o u sw a v e f o r m ss ot h a tt h ec o m p u t i n gc o m p l e x i t yi s g r e a t l yr e d u c e d s u b j e c t i v eq u a l i t yt e s t s r - a bs h o w st h a tt h eq u a l i t yo fs y n t h e s i z es p e e c hi s g r e a tb e t t e rt h a nt h et y p i c a l2 4 k b i t y sc w ic o d i n g a l g o r i t h ma n ds l i g h t l yb e t t e rt h a nt h e2 4 k b i t sm e l pc o d i n ga l g o r i t h m k e yw o r d s ：l o wr a t es p e e c hc o d i n g ；s p e e c hs e g m e n t a t i o n ；t e m p o r a ld e c o m p o s i t i o n ；c h a r a c t e r i s t i c w a v e f o r m ；m u l t i b a n d i i i 东南大学学位论文独创性声明 本人声明所呈交的学位论文是我个人在导师指导下进行的研究工作及取得的研究成 果。尽我所知，除了文中特另j ；o n 以标注和致谢的地方外，论文中不包含其他人已经 发表或撰写过的研究成果，也不包含为获得东南大学或其它教育机构的学位或证书 而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了 明确的说明并表示了谢意。 研究生签名：书盎日妇： p o 扩工、伊 东南大学学位论文使用授权声明 东南大学、中国科学技术信息研究所、国家图书馆有权保留本人所送交学位论文的 复印件和电子文档，可以采用影印、缩印或其他复制手段保存论文本人电子文档 的内容和纸质论文的内容相一致。除在保密期内的保密论文外，允许论文被查阅和 借阅，可以公布( 包括刊登) 论文的全部或部分内容。论文的公布( 包括刊登) 授 权东南大学研究生院办理。 研究生签名：鼍啦导师签名艘日 期： 弘q 牙、工、垴 第一章绪论 第一章绪论 近几十年来，语音编码技术不断地得到发展，并且随着移动通信和v o i p 系统的迅速发展，语音 编码技术倍受关注，广泛应用在通信、移动电话、保密通信以及卫星通信等方面。尽管光纤技术的 应用使得通信网络的容量有所提高，然而随着信息社会的高速发展，人们希望用尽可能低的比特数 来表示语音信号，从而达到节约频率的目的。因此。低码率语音压缩算法是当前语音编码算法的研 究焦点。 1 1 低码率语音编码算法简介 低码率语音编码的目标是利用最低的码率来提供可用于数字化传输和存储的长途通话质量语音 信号。在语音信号的传输方面，降低码率可以降低系统对传输带宽、功率的要求，从而降低传送成 本，提高了频带的利用率：在语音信号的存储方面，降低码率可以降低系统对存储容量的要求。 语音编码技术从总体上分为波形编码和参数编码。波形编码直接对语音波形进行编码，力图使 重建语音波形保持原始语音信号的形状。然而波形编码在比特率较低时难以获得质量较高的重建语 音。参数编码不直接对语音波形进行编码，而是对语音信号的特征参数进行编码，可以很好地降低 编码比特率，因此低速率语音编码普遍采用参数编码的方法。 近十几年来，人们一直在研究如何实现4 k b i t s 以下能够达到长话通信质量的语音编码器。 4 - 8 k b i t s 语音编码标准仍然以码激励线性预测( c e l p ，c o d e - e x c i t e dl i n e a rp r e d i c t i o n ) 为主流技术。 然而当速率降蛰 4 k b i t s 以下时，这类c e l p 编码器不能产生自然的浊音语音使得合成语音质量下降 t 1 1 2 1 。近年来，国内9 y 4 k b i t s 以下速率的能产生较好语音质量的编码器有线性预测编码器( l p c 。l i n e a r p r e d i c t i v ec o d i n g ) 1 1 1 2 1 、混合激励线性预测( m e l p ，m i x e de x c i t a t i o nl i n e a rp r e d i c t i o n ) 编码p 鲥、 正弦变换编码( s t c ，s i n u s o i d a lt r a n s f o 衄c o d i n g ) 6 1 、多带激励编码( m b e ，m u l t i - b a n de x c i t a t i o n ) 7 1 以及波形内插( w i ，w a v e f o r mi n t e r p o l a t i o n ) 编码【们。 ( 1 ) 线性预测编码器 线性预测编码( l p c ) 模型是参数编码器的一个基本模型，它把语音信号用各种参数来表示， 噪声源 陟l p c 合1 成a c 滤z ) 薮器j - 7 脉冲源 图1 1 传统的l p c 语音合成器 合成器利用这些参数可以生成和输入具有相同感知的语音。l p c 系统基于人类发声的机理，激励信 号利用随机嗓声产生清音，通过周期脉冲信号产生浊音，采用线性预测滤波器模拟人的发声声道。 图1 1 为典型的l p c 合成器 2 4 k b i t sf s l 0 1 5l p c ) 占码器( 美国联邦标准) 【1 1 1 为基于该模型的典型语音编码算法，该声码 东南大学硕士论文 器合成的语音可懂度很高，但是重建的语音有人造语音的感觉，而且会出现蜂鸣声、重击声和音调 噪声。 ( 2 ) 混合激励线性预测编码 针对经典l p c 模型存在的问题，m c c r e e 和b a m w e l l 提出了混合激励线性预测( 脚) 语音编码 器，该编码器以传统的l p c 参数模型为基础，附加了5 个改进特征：混合的脉冲和噪声激励、周期或 非周期脉冲、自适应谱加强、脉冲散布滤波器和残差谐波幅度模型。采用分子带混合的方法进行激 励源的合成，在各子带进行清浊音判决，从中选出最主要的几种子带清浊音组合方式进行编码。这 些改进使得m e l p 编码器模拟更多的自然语音特征，产生高质量的重建语音。2 4 k b i t s 的m e l p 编码 器于1 9 9 7 年成为美国联邦标准【1 3 】，之后1 2 k b i t s 的m e l p e 算法1 1 叼成北大西洋公约组织n a ，1 1 0 的低 速率语音编码标准之一 ( 3 ) i e 弦变换编码 正弦变换编码( s t c ) 也是一种参数编码，它仍是使用激励信号激励声道模型来产生语音。通 过对语音信号进行离散傅立叶变换( d f t ) ，并对d f i 幅度谱进行峰值检测，从而得到对应峰值幅 度的频率和相位。激励信号则为一组用幅度、频率和相位表征的正弦波的叠加和。正弦编码没有将 合成语音中的正弦频率成分限制为语音基频的谐波频率成分。当s t c 用于低码率语音编码时，只能 将正弦频率轨迹限制为语音的谐波频率，即分析端只对基音频率和谐波幅度进行编码，而相位信息 则要根据基音频率在合成端推算出，这样有效地降低了编码速率。2 4 k b i t s 的s t c 编码方案为美国联 邦政府的候选方案之一，然而该编码算法在码率很低的情况下无法准确地重建语音。 “) 多带激励编码 多带激励编码m b e 突破了二元激励的局限性，将语音信号频谱分为多个频带，在各个频带进行 清浊音判断，然后根据各频带是清音或者浊音，采用不同的激励信号合成信号，即对于浊音子带采 用正弦模型合成信号，对于清音子带采用高斯白噪声进行模拟，最后将各频带信号相加产生全频带 合成语音。m b e 编码器独特的激励模型使得该模型的重建语音的质量远高于传统的二元激励模型， 可在2 纠8 k b i t s 速率上合成质量较高的语音，可保持语音的可懂度和自然度。d v s i 公司开发的 2 4 k b i t sa m b e ( a d v a n c e dm b e ) 编码器的质量远好于4 8 k b i t sc e l p 编码器。 ( 5 ) 波形内插编码 瑞典皇家理工学院的k l e i j n 于1 9 9 1 年和1 9 9 4 年先后提出的原型波形内插( p w i ，p r o t o t y p e w a v e f o r mi n t e r p o l a t i o n t l 5 】【1 6 】语音编码和特征波形内插( c w i ，c h a r a c t e r i s t i cw a v e f o r mi n t e r p o l a t i o n ) 【l7 1 【埘1 语音编码算法被公认为极具潜力的低码率语音编码方法，受到人们的普遍关注。 波形内插语音编码主要利用浊音语音的周期性以及基音周期波形的慢渐变性，在一段时间间隔 里提取一段基音周期波形然后进行波形内插，重建出接近原来语音信号的合成语音信号。原型波形 内插( p 、1 ) 提供了一般的波形内插技术，主要用于低码率浊音语音编码，清音语音还需要用其它 的方法( 如c e l p ) 来编码，而c w i 也适用于清音语音编码。为了进一部降低编码速率，k l e i j n 提出 了特征波形内插( c w i ) ，c w i 的采样速率比p w i 高很多，运用波形分解将特征波形( c w ) 分解为 慢渐变波形( s e w 。s l o w l ye v o l v i n gw a v e f o r m ) 和快渐变波形( r e w ，r a p i d l ye v o l v i n gw a v e f o r m ) 。 s e w 表达了语音信号的准周期成分，而r e w 表达了信号的非周期成分和噪声成分。利用人耳对这两 种波形的感性差别，可以对它们进行高效编码。 2 第一章绪论 1 2 本文的工作及安排 由于2 4 , - 4 k b i t s c w i 语音编码算法可以获得较高的语音质量，本文重点研究了特征波形内插 ( c w i ) 语音编码技术，在保证语音尽量可懂的情况下。尽可能地降低语音编码速率。提出并实现 了1 8 k b i t s 基于音素分段的c w i 语音编码算法和2 4 k b i t s 基于多带的c w i 语音编码算法。论文的主要 研究内容和结果如下： ( 1 ) 研究了低码率语音编码中的语音分段算法。 在语音信号处理中，作为前端预处理的语音分段技术对于语音增强、编码和识别都有着极其重 要的作用。语音分段是指根据语音特性，将语音段分割为一系列相对独立和稳定的基本单元，如音 素、音节、半音节等【1 9 1 1 2 们。良好的语音分段有利于码率的压缩，降低编码参数的量化失真，提高重 建语音的清晰度和可懂度。本文对几种传统的语音分段算法的性能做出分析比较，重点研究了基于小 波变换的语音音素分段算法，针对平滑渐变的低频能量不能对音素进行有效分割的缺点，本文提出 了基于小波变换累积能量包络的语音分段算法，提高了音素分段的精确度。 ( 2 ) 研究了低码率语音编码中的线谱频率参数( l s f ) 的量化方法。 传统的l s f 量化方法是逐帧进行的，每帧用于量化l s f 需要的比特数比较多。然而，在编码比特 率受到严格限制的场合，需要减少l s f 的编码比特数。本文对线谱频率参数的量化采用基于暂时分解 ( t d t e m p o r a ld e c o m p o s i t i o n ) 【2 卜2 9 】的参数量化方法，不直接对l s f 进行量化而是对表征随时间 变化的l s f 序列的事件函数和事件矢量进行矢量量化，编码速率降低到6 9 s b i 魄，与k l e i g n 给出的 2 4 k b i t s 的c w i 【s 语音编码方案相比，大大降低了编码速率，并且获得了一个相对较低的平均谱失 真。 ( 3 ) 研究了特征波形的量化方法。本文用感觉上满意的方式对特征波形进行量化。在量化前，将 特征波形分解为慢渐变波形和快渐变波形，根据两种波形不同的特点分别量化它们的幅度谱。对于 慢渐变波形将其幅度谱分成三个子带，对基带采用较高的比特数量化，对高频带只用较少的比特 数量化。对于快渐变波形研究了一种基于正交多项式拟合【蚓的量化方法，将变维的幅度谱转化为 定维的多项式系数进行量化。 ( 4 ) 在上述研究内容的基础上，提出了一种l - 8 k b i v s 基于音素分段的c w 【语音编码方案，以语音 分段的速率控制参数的量化速率大大降低了编码速率。由于信噪比测试等客观评价方法已不能完 全反映人耳对合成语音的感觉，本文采用主观评价方法一r a b 测试对该算法产生的重建语音进行 评价。测试结果表明，该算法产生的重建语音具有较高的可懂度和一定的自然度，但是重建语音质 量需要进一步提高。 ( 5 ) 提出一种2 4 k b i t s 基于多带的c w i 语音编码方案【4 9 j 由于传统的c w i 算法在语音合成端直 接采用固定相位来估计s e w 的相位以及采用随机相位来估计p e w 的相位，这样导致了合成语音高 频谐波的噪声化。因此。本文研究了s e w 和p e w 的相位估计问题，采用m e l p 算法中多带的方法 来决定快慢波的相位使得合成语音的高频谐波得到较好的恢复。并且在内插瞬时特征波形时仅对 特征波形的低频浊音谐波进行对齐，大大降低了解码端的计算复杂度。 论文的结构安排如下： 第二章介绍了语音分段技术，提出了一种基于离散小波变换的语音分段算法，提高了语音分段 的精度。 第三章分析了特征波形内插c w i 语音编码的基本原理，给定了一个未量化的c w i 语音编码模型， 分析未量化时c w i 重建语音的质量，研究了特征波形的量化技术。 3 东南大学硕士论文 第四章研究了基于暂时分解的线谱频率参数的量化方案，并对该方案进行了实验仿真。 第五章提出并实现了一种基于音素分段的c w i 语音编码算法，并对编码器进行比特分配，分析 量化时c w i 重建语音的质量。 第六章研究了s e w 和r e w 相位的估计方法，提出并实现了一种基于多带的c w i 语音编码算法， 给出了语音质量评估结果。 最后对全文进行总结与展望。 4 第二章语音分段技术研究 第二章语音分段技术研究 语音分段是指根据语音特性，将语音段分割为一系列相对独立和稳定的基本单元，如音素、音 节、半音节等【1 9 】【2 0 】。语音单元的选定则根据应用领域的不同而不同。在语音识别与合成领域，音节 是语音识别中最自然的识别单元，但是随着语音识别向大词汇量连续语音识别的方向发展，音节作 为识别单元已不满足要求，因此选取比音节更小的单元如音素作为训练和识别的基本语音识别单元 能极大地提高系统识别结果的准确度；在语音编码领域，由于音节起始区域所含信息较多，良好的 语音分段性能有助于降低编码参数量化失真，提高重建语音的清晰度和可懂度：在语音增强领域， 语音分段则可以更好地区分出背景噪声，从而为增强语音质量提供保证。 随着近几年对于语音分段技术的不断深入研究。形成了多种算法，而各种算法在实时性、复杂 度、分段效果等方面也各有优势。本章首先介绍了传统的语音分段算法，这些算法能对理想的语音 音素进行有效地分割，但抗噪声能力弱。为了实现噪声干扰环境下音素级的语音分段，本章研究了 基于小波变换的语音音素分割算法，分析了小波分解的低频分量与高频分量对语音音素分割的作用， 针对平滑的低频能量不能对音素进行有效分割的缺点，提出了一种基于小波变换累积能量包络的语 音分段算法，并且提出了两种去除伪点的方法，提高了语音分段的准确性。最后对语音分段技术作 了总结。 2 1 传统的语音分段算法 2 1 1 基于语谱图的语音分段f 3 1 别1 时域分析与频域分析是语音信号处理的两种主要方法，时域分析计算比较简单但是计算精确度 低，而在频域则能对信号进行更为精确的分段处理。语谱图综合了频谱图和时域波形的优点，能明 显地显示出语音频谱随时间的变化情况。由于每个音素在语谱图中表现为在不同频率范围内具有不 同的语音强度，因此根据语谱图可以对语音进行音素级分段，且在噪声环境里具有较好的鲁棒性当 然窄带语谱图有良好的频率分辨率及较差的时间分辨率；而宽带语谱图具有良好的时间分辨率及较 差的频率分辨率，因此选择合适的时间频率则是一个需要考虑的问题。 2 1 2 基于最小相位群延时函数的语音分段【3 5 l 最小相位群延时函数是具有最小相位函数的信号傅立叶变换后相位的负导数。该函数的波峰和 波谷与系统的极点和零点具有较好的对应关系。语音信号可以看成激励信号与声道系统卷积的结果 语音中元音和辅音的极点与零点有明显的区别，因此可以根据最小相位群延时函数与系统极零点的 对应关系对语音进行音节分段。该方法需要构造最小相位函数，文献 3 5 1 利用语音信号的能量构造具 有最小相位函数的语音特征信号。实验证明最小相位群延时函数比幅频函数和相频函数具有更好的 区分性，且切分精度高、计算简单、运行速度快。然而该方法也存在一些缺点如抗噪声干扰能力弱 以及切分边界动态范围大。 5 东南人学硕士论文 2 1 3 基于参数滤波的语音分段算法【3 6 1 参数滤波是以一个变化的参数对信号进行滤波，得到信号在不同频带中的分量，可以证明，若 滤波参数以一定的规律变化，则这些滤波分量的一阶自相关表示了信号的相关结构。对自相关函数 进行调制，取实部得到一个新的特征函数。通过检测自相关函数的密度变形曲线的峰值点，即可得 到语音段的分割点。但是参数滤波算法在加噪的情况下存在分段过密的情况。因此该算法鲁棒性不 佳，需要与其它分段算法结合使用。 2 1 4 参数分段算法 参数分段算法是一类通过检测语音特征参数( l p c 参数、l s f 、短时能量、短时频谱、m e l 频率等) 的变化来确定分段边界的语音分段方法音素是发音不同的最小单位，每个音素都有相对稳定而独 立的特征参数。当相邻两帧语音属于同一个音素时，它们的特征参数矢量往往具有很大的相似性， 当使用相似性的距离函数来度量时，则反映为距离数值的减小。因此，距离测度的选定则成为关键 问题 基于欧式距离的语音参数分段算法1 3 7 定义连续两帧特征参数矢量的距离为： d ( 一) = 帆一l 10 ： ( 2 1 ) 其中帆表示向量的2 - 范数，x 。表示第刀帧语音提取的特征参数矢量。d ( 刀) 数值越大表明语音状态 变化越大，而其值较小表示为语音状态相对稳定。因此早期分段声码器中，往往以d ( n ) 函数的波峰 作为测试点，若波峰大于设定的门限则认为是变化点。即若d ( n ) 大于设定的门限则前后帧属于不同 的门限，否则认为属于同一分段。 欧式距离定义简单，但是它只能反映矢量间的几何大小，只能在一定程度上表明相邻帧参数间 的相关性。因此可以采用矢量的空间夹角来代替欧式距离衡量特征参数的变化。 两个参数矢量越相似，夹角距离越小，因而夹角距离反映了参数矢量空间夹角的大小，能够更 好地描述两个向量之间的相关性。与上述方法类似，令d ( n ) 为第雄帧和第n + l 帧提取的特征参数矢 量之间的距离，则： ，叶-、 d ( 刀) = d ( x m , f r o + i ) l 黼2 2 ) 设定门限6 。若超过门限，则认为第甩帧和第n + l 帧属于不同语音段，否则认为在同一分段内。 上文中的参数分段方法都需要设定门限，门限的取值决定了分段速率的高低，而分段速率的高 低分段速率低又会往往影响到后续语音处理的效果，如语音编码速率等。并且实际条件下要确定合 适的门限十分困难。因此，需要寻求一种不受门限限制的参数量化方法。文献 3 8 】提出了段间距离的 概念，即考察两个语音片段的总体距离。 设待分割语音被划分为r 帧，分别标记为l ，t ，以第t 帧为分界，前后各取朋帧构成两个语音 段，即f 【t - m + l ，f 】与j 【f + l ，t + m 】，那么这两个语音段的段间距离定义为： d ，= 吉吒 ( 2 3 ) 其中如表示第f 帧和第帧语音特征参数的距离( 距离测度为欧式距离或者夹角距离) 。 第二章语音分段技术研究 为了在f 一埘- f 1 ? 时也能够计算口，以反映语音起始部分和结束部分的变化情况，可 将第l 帧向前延伸辨l 帧，每帧均为第l 帧的复制；将第r 帧向后延伸m 1 帧，每帧均为第r 帧的 复制。在f = 阻2 ，7 - 1 】范围内。逐帧计算段间距离，可得到4 在不同时间轴不同位置( 即时间帧) 的取值。 当f 在同一个音素内部的稳定区域内变化时，由于特征矢量相对稳定，口数值变化缓慢，而当 一个音素向下一个音素过渡时，特征矢量变化较大，这样p 值将出现较大幅度的越升，并在两个音 素分界处形成大的峰值。即若以第f 帧为分界算得的段间距离为一蜂值时，则在第f 帧与第什l 帧应 有一分段点。如对汉语“沈阳”用段间距离参数分段算法对其分段，结果如图2 1 所示，其中图( a ) 为 原始语音波形图( b ) 为段间距离曲线口。可以看出d ，曲线的峰值点与语音中4 个音素s l a 、e n 、y ，、 加培之间的分界点较为吻合。 幅 度 幅 度 ( a ) 原始语音波形图 f l ， 八 v 。 i 一 时间( 瑚p ( b ) 段间距离曲线 图2 - l 汉语“沈阳”一词段间距离p 曲线 该方法的精确度依赖m ，需要在实际应用中不断尝试，直到寻找到合适的值为止因此该方法 不具有很好的自适应性。 2 1 5 基于模型的语音分段 基于模型的语音分段首先通过对大量的数据进行模型训练，从而得到相应的模型参数并建立模 型，测试语音段通过与参数模型匹配进行语音分段常用的参数模型有高斯混合模型、隐马尔可夫 模型、神经网络模型等。高斯混合模型利用混和高斯密度函数的概率分布对语音进行分段，计算量 比较大。隐马尔可夫模型具有较强的对时间序列结构的建模能力p 9 1 ，因此能语音进行较好的分段 然而其也存在一些缺点，尤其是该模型与人脑对语音的处理理解方式的不同，有时会导致其性能不 7 东南大学硕士论文 是很理想。神经网络t 4 0 i 贝0 在探索人脑机理的基础上，通过节点单元来模拟人脑对语音信号的处理过 程，其具有自适应性、并行性、非线性和学习性等优点，因此应用于语音分段能显示出更优的分段 性能。然而，基于模型的语音分段从总体上来说，对参数模型的训练往往需要耗费大量的时间，不 利于实时实现，而且所得模型参数的性能与训练数据的构成相关，一般化能力较弱，对于不同于训 练数据的语音测试集，其性能也会明显下降，因此如何减少模型的训练时间以及如何实现与训练数 据相关度底的语音分段也是最近研究的方向之一【4 h 引。 2 2 基于小波变换的语音分段算法 以上介绍的传统语音分段算法不能兼得时域和频域的分辨率，并且在有噪声干扰的环境下不能 保证语音分段的精确度。离散小波变换具有良好的时频分析性质，并且能平滑噪声干扰，因此可将 语音信号变换到小波域上进行分析以得到有效的分段模式。针对小波变换的优点，本章分析比较了 三种方法。分别是基于小波突变点检测的语音分段、基于小波变换低频分量的语音分段和基于小波 变换累积能量包络的语音分段，并对这三种方法的性能做出了比较。 2 2 1 小波分析的基本概念 小波分析是从2 0 世纪8 0 年代后期发展起来的- - f - j 新兴学科，是f o u r i e r 分析发展的划时代成果。 1 9 8 6 年m e y e r 4 4 首先构造了具有相当快衰减并且相当光滑的小波函数杪( 力，它的二进伸缩平移系构 成f ( 月) 的正交规范基。此外，m a l l a t 将镜像滤波器组的概念、数字图像处理中塔式分解的概念以及 正交小波基的概念结合起来形成了多分辨分析( m u l t ir e s o l u s i o na n a l y s i s ，m r a ) 理论。小波分析优于 傅立叶变换的地方是它在时域和频域同时具有良好的局部化性质，小波分析窗口大小( 即窗口面积) 固定但时间窗和频率窗都可以改变，即在低频部分具有较高的频率分辨率和较低的时间分辨率，在 高频部分具有较高的时间分辨率和较低的频率分辨率，这种特性使小波分析具有对信号的自适应性。 给定一个基本函数o ) 叠( r ) ，若其满足以下容许性条件 q ：睁 ， 则称w ( x ) 为一基小波函数或母小波函数，并定义如下的积分变换 w v , f ( a ，垆小i y ， f e r ( r )( 2 - 5 ) 为m ) 以v ( x ) 为基的连续小波变换( c o n t i n u o u sw a v e l e tt r a n s f o r m , c w t ) 。因此连续小波变换可以看 成信号厂( 砷与基小波函数y ( 力经平移展缩后的卷积。基小波y ( 曲经过平移和展缩产生一系列函数 族虬j ( 力，即 j ( 工) = 一掣) ( 2 6 ) 式中，a 是尺度因子，b 是平移量。参数a 确定了小波函数的时域宽度，参数b 确定了小波函数的“中 心”位置。 8 第二章语音分段技术研究 如果少的时域宽度为a x ，时域中心为x = 0 ，则j o ) 的时域宽度为 m ) 。6 = a a x( 2 7 ) 时域中心为 ) 。j = b ( 2 8 ) 如果( z ) 的频域宽度为a m ，中心频率为，则虬j o ) 的频谱砂。 6 ) 的频率宽度为 ( c o ) 。6 = a m a ( 2 9 ) 中心频率为 ( h = 国a ( 2 。l o ) 由此可见，小波变换可以看成对信号厂( 刁在一个以( 6 ，d l a ) 为中心，长度分别为2 a a x 和2 a m a 的矩形时频窗口内进行信号分析，因此小波变换是对信号进行时频联合分析。随着尺度因子4 的变 化，时频窗的形状会发生相应的变化。当口变小时，时域宽度变小，频域宽度变大：当口变大时， 时域宽度则变大，频域宽度变小。因此分析高频信号时可以将口调小，而分析低频信号时则将口调 大。随着平移量b 的变化，时频窗相应地平移变化，这样使得时频窗能够自适应地变化。 实际应用中，正如n 叮一样，通常将参数口、b 离散化，从而可以降低c w t 的计算复杂度。令尺 度因子口取离散值 a ，= 2 u z )( 2 1 1 ) 从而导出离散二进小波变换。于是式( 2 5 ) 可以改写为 厂嘞= j 厂( x 渺胪出= 厂( 2 妨 ( 2 1 2 ) 其中小波函数改写为 缈舻( 力= 2 j 1 2 【2 7 ( x - b ) 】 ( 2 1 3 ) 式中7 称为分辨率级别。 由式( 2 9 ) 和( 2 1 0 ) 可知缈妯o ) 的半频宽为 缈，= 2 j a m ( 2 1 4 ) 于是，第膨l 小波的频带为( 2 ，a m ，2 2 ) 因此尺度因子二进离散化的物理意义是对频率域的二倍 频程划分。 令平移量b 取如下离散值 正 乃。= 音6 0 ( 2 1 5 ) - 当= l 时，式( 2 6 ) 改写为 吵肚o ) = 2 1 2 w ( 2 x - k ) ( 2 1 6 ) 由式( 2 1 6 ) 计算出小波变换系数为 嘭。= 厂( 2 ，k 2 - j ) = ( 厂 j ) ( 2 1 7 ) 称之为离散小波变换。 在实现离散二进小波变换时。m a l l a t 提出了多分辨率分析的概念随后构造出小波分解和重构 的塔式算法( p = 岬r n j da l g o r i t h m ) 。改算法出采用尺度函数和小波函数实现小波的分解，其中尺度函数 和小波函数分别用低通滤波器h 和高通滤波器g 来表示。对于数字语音信号s o ( n ) ，在每个二分比例 9 东南丈学硕士论文 尺度，上，被分解为巴+ 。和形+ 。，直到分解到给定的尺度- ，为止这过程可用图2 - 2 表达 图2 - 2 小波分解示意图 2 2 2 基于小波突变点检测的语音分段 在人的发音过程中，由于声门的瞬间闭合，声道被强烈地激励，表现在语音信号的时域波形上 就是瞬间产生突变，这些突变点可以认为是音素的分段点。小波分析的时频分辨率高的特点，使其 在突变信号检测中有很好的应用。m a l l a t 已经证明，如果选择一类小波为平滑函数的一阶倒数，则小 波变换的局部极大值反应了信号的尖锐变化，而局部最小值则反应了信号的缓慢变化。因此小波分 析对信号突变的检测能力是利用小波进行音素级分段的理论基础【1 5 1 【1 6 】。 将数字语音信号( n ) 小波分解到某己给定的分解尺度，得到最伽) 的一个多尺度分解表 示：( 彤，呢，形，毋) ，其中是语音信号在各尺度上的高频分量，而岛则是语音信号在小波 变换第，尺度上的低频分量。反应了语音信号的细节特征，实验证明形的局部极大值对应了信 号的尖锐变化点。 常用的小波有h a a r d , 波和d a u b e c h i e s d 、波( d b n d 波) 。不同小波函数的选择会产生不同的结果。 本文采用d b n 小波( n 为小波的阶数，本文取3 ) 。d b n d 、波不仅是连续的和正交的，而且是支集最小 的，因此这种小波的滤波器系数个数少，在分解与重构算法中需要的计算量很少，提高了系统的实 时性。此外，对分解尺度，的确定决定了利用小波变换进行音素分割的准确度。小波分解的尺度过 低，不能反应出信号的细节，