（计算机应用技术专业论文）语音增强技术的算法改进研究.pdf

摘要 摘要 在实际的语音应用过程中，如语音通信、语音合成、语音识别等，所使用的 语音信号不可避免的受到外来的各种各样的噪声干扰，这些干扰将严重影响语音 设备功能的发挥。因此，有必要对被噪声干扰的语音信号进行去噪处理，即我们 所说的语音增强。 语音增强的算法多种多样。本文首先介绍了语音增强的来源、发展历程等， 重点讨论了几种常用的基于短时谱的语音增强算法，以及语音和噪声模型，讨论 了噪声估计的方法。 一般的噪声估计是对噪声的方差进行估计，所估计的方差的准确性将对后续 的处理有重大的影响。本文着重对基于最小值跟踪法的噪声估计做了详细的研 究，通过实验仿真对其估计效果进行评价。最终以最小值跟踪算法作为改进的语 音增强方法的噪声估计部分。 本文主要是为了提高语音的清晰度，要求语音失真要小，并且减少“音乐噪 声”对主观听觉的不良影响。利用人耳的语音感知特性，本文提出一种基于听觉 掩蔽效应的改进谱相减语音增强方法。仿真结果表明：改进后的算法性能明显优 于改进前的算法。 在后续处理中，本文将基于人耳听觉的掩蔽效应引入增强系统中，最终试验 表明掩蔽效应增加了语音的清晰度，提高了舒适度。 关键词：语音增强；噪声估计：短时谱；谱相减；维纳滤波；删s e ； 听觉掩蔽效应 ：奎三些查兰堡：三兰堡堡三 a b s t r a c t i np r a c t i c a la p p l i c a t i o n s ，s u c h 舔s p e e c ht e l e c o m m u n i c a t i o n , s p e e c hs y n t h e s i s s p e a k e rr e c o g n i t i o n , t h ed e g r a d a t i o no f s p e e c hb ya l lk i n d so f n o i s ei si n e v i t a b l ea n di t a f f e c t st h ep e r f o r m a n c eo ft h es p e e c he q u i p m e n t sv e r yb a d l y s o ，i ti sn e c e s s a r yt o d e n o i s ef o rt h pd e g r a d e ds p e e c h ，t h i si sc a l l e ds p e e c he n h a n c e m e n t t h ea p p r o a c h e so f s p e e c he n h a n c e m e n ta l en u m e r o u s t h ef i r s tp a r to f t h i sp a p e r i st h eo r i g i na n dh i s t o r yo fs p e e c he n h a n c e m e n t ，s e v e r a ls h o r t - t i m e s p e c t r u m e s t i m a t i o ne n h a n c e m e n ta p p r o a c h e sa n ds o m e k n o w l e d g er e l a t e d t o s p e e c h e n h a n c e m e n ta l eg i v e nt o o ，f o re x a m p l e ，t h em o d e l so fs p e e c ha n dn o i s e ，a n dt h e e s t i m a r i o no fn o i s e g e n e r a l l ys p e a k i n g ，an o i s ee s t i m a t i o na l g o r i t h mi san o i s ev a r i a n c ee s t i m a t o r t h ea c c u r a c yo f n o i s ev a r i a n c ee s t i m a t i o nw i l la f f e c tn e x tp r o c e s s an o i s ee s t i m a t i o n b a s e do nm i r d m u ms t a t i s t i c si sd e e p l ys t u d i e di nt h i st h e s i s t h ee v a l u a t i o no ft h e m e t h o di sg i v e na f t e ras i m u l a t i o ne x p e r i m e m t h es p e e c he n h a n c e m e ms y s t e mo f t h i st h e s i sw i l la d o p tt h en o i s ee s t i m a t o rb a s e do nm i n i m u ms t a t i s t i c s t h eg o a li np o s tp r o c e s s i n gi nt h et h e s i si st oi m p m v e q u a l i t yo fs p e e c h ，r e d u c e d i s t o r t i o no f t h es p e e c ha n dd e c r e a s et h ee f f e c to f m u s i c a ln o i s e ” an e wm e t h o db a s e do nm a s k i n gp r o p e r t i e so fh u m a ne a ra n di m p r o v e d s p e c t r u me s t i m a t i o nf o rs p e e c he n h a n c e m e mi sp r o p o s e d 。s i m u l a t i o nr e s u l ts h o w s t h a tt h ep e r f o r m a n c eo ft h em o d i f i e da p p r o a c hi sb e t t e rt h a nt h eo f f # h a lo n e ，t h e m a s k i n ge f f e c ti su s e di np o s tp r o c e s s i n g ，e x p e r i m e n tr e s u l t ss h o wt h a ts p e e c hq u a l i t y i si m p r o v e d k e y w o r d s ：s p e e c he n h a n c e m e n t ，n o i s ee s t i m a t i o n ，s h o r t t i m es p e c t r u m ，s p e c t r a l s u b t r a c t i o n ，w i e n e rf i l t e r ，m m s e ，a u d i t o r ym a s k i n ge f f e c t i i 学位论文版权使用授权书 学位论文版权使用授权书 本学位论文作者完全了解 有关保留、使用学位论文的规定， 有权保留并向国家有关部门或机构送交论文的复印件和磁盘，允许论文被查阅和 借阅。本人授权 可以将学位论文的全部或部分内容编入有关数据 库进行检索，可以采用影印、缩印、或扫描等复制手段保存、汇编学位论文。 ( 保密的学位论文在解密后适应本授权书) 学位论文作者签名： 签字曰期：年月日 学位论文作者毕业后去向； 工作单位： 通讯地址： 导师签名： 签字日期：年月日 电话： 邮编： 第一章绪论 第一章绪论 1 1 语音增强的目的和应用背景 随着现代科学技术的蓬勃发展，人类社会愈来愈显示出信息社会的特点。语 音作为现代信息时代重要的信息交互手段，是人类交流信息最自然、最有效、最 方便的方式。 然而，人们在语音通信过程中不可避免地会受到来自周围环境和传输媒介引 入的噪声、通信设备内部电噪声、乃至其他讲话者的干扰。这些干扰最终将使接 收者接收到的语音不再是纯净的原始语音，而是被噪声污染过的带噪语音。 随着人们对话音质量的要求不断的提高，越来越需要对语音进行增强处理以 达到人们需求。这就必须加入语音增强系统，或者抑制背景噪声，以提高语音通 信质量；或者作为预处理器，以提高语音处理系统的抗干扰能力，维持系统性能。 因此，研究语音增强技术在实际中有重要价值。目前，语音增强技术已在语音处 理系统、通信、多媒体技术、数字化家电等领域得到了越来越广泛的应用。 语音增强的主要目标是从带噪语音信号中提取尽可能纯净的原始语音。然 而，由于实际应用中的噪声干扰通常都是随机的，其来源和种类各不相同，想从 带噪语音中提取完全纯净的语音几乎是不可能的。在这种情况下，语音增强的主 要目的就是通过对带噪语音进行处理，以消除背景噪声，改善语音质量，提高语 音的清晰度、可懂度和舒适度，提高语音处理系统的性能。这些目的往往不能兼 得，通常耍根据语音处理系统的具体需要而定。 语音增强是- - i q 涉及面很广的交叉学科，它不但与语音信号数字处理理论有 关，而且涉及到模式识别、数理统计、神经生理学和语音学等学科。一般地，人 们在研究语音增强的方法时，是从语音特点、人耳的感知特性和噪声特点等几方 面入手。 1 2 语音增强的研究历史 在实际需求的推动下，早在6 0 年代，语音增强这个课题就已经引起了人们的 广东工业大学硕士学位论文 注意。2 0 世纪7 0 年代中期，随着数字信号处理理论的成熟，语音增强发展成为语 音信号处理领域的一个重要分支。1 9 7 8 年，l i m 和o p p e n h e i m 提出了语音增强的 维纳滤波方法【埘。1 9 7 9 年，b o l l 提出了谱相减方法来抑制噪声四。1 9 8 0 年，m a u l a y 和m a l p a s s 提出了软判决噪声抑制方法【4 】。1 9 8 4 年，e p h r a i m 和m a l a h 提出基于 m m s e ( 最小均方误差法) 短时谱幅度估计的语音增强方法嶂j 。1 9 8 7 年，p a l i w a l 把卡尔曼滤波引入到语音增强领域1 6 1 。在近3 0 年的研究中，各种语音增强方法不 断被提出，它奠定了语音增强理论的基础并使之逐渐走向成熟。近些年来，随着 v l s i ( 超大规模集成电路) 技术的发展和高速d s p ( 数字信号处理) 芯片的出现， 使语音增强的实时实现成为可能。语音增强方法逐步走向实用，同时新的语音增 强方法又相继涌现，如基于小波变换的方法【7 】，基于人耳听觉掩蔽效应的方法【8 1 等。 语音增强不但与语音信号处理理论有关，而且涉及到人的听觉感知和语音 学。噪声来源众多，随应用场合而异，它们的特性也各不相同。即使在实验室仿 真条件下。也难以找到一种通用的语音增强算法。能适用于各种噪声环境。所以 必须针对不同的噪声，采取不同的语音增强对策。 1 3 本文的主要工作 基于语音短时谱估计的增强方法和基于语音生成模型的增强方法是语音增 强方法中的两大类。基于语音短时谱估计的增强方法种类繁多，如谱相减法、维 纳滤波法、最小均方误差法等。该类方法具有适应信噪比范围大、方法简单、易 于实时处理等优点。尽管该方法研究比较早，但仍具有很强的生命力，成为应用 最广泛的语音增强方法之一。 本文重点是研究现有的语音增强方法，设计一种实际应用的增强算法。增强 过程不以单纯提高信噪比，而且以提高语音的舒适度为目标。本文的主要研究工 作包括： ( 1 ) 广泛地参阅了国内外相关文献资料，介绍了语音增强技术背景与各种常用增 强方法。 ( 2 ) 讨论噪声估计方法，重点是研究基于最小值跟踪的噪声估计方法，仿真并分 2 第一章绪论 析了该方法的特点和跟踪特性。 ( 3 ) 针对语音增强算法中存在的语音失真与音乐噪声，研究听觉掩蔽效应在语音 增强中的应用，给出掩蔽阙值的算法。 ( 4 ) 系统地研究了基于语音短时谱估计的各种增强方法。并在此基础上，利用人 耳的语音感知特性，提出了改进谱相减和掩蔽效应相结合的语音增强方法。 ( 5 ) 在上述工作的基础上，在白噪声条件下，在一l o d b l o d b 信噪比范围内进 行了计算机模拟实验，得到了较为满意的结果。 1 4 小结 本章简单地阐述了语音增强的目的、应用背景、研究历史及现状发展，然后 给出了的论文的主要工作和结构安排。 广东工业大学硕士学位论文 第二章语音及语音增强研究的基础 语音增强研究的基础是对语音和噪声特性的了解和分析。下面分别叙述语音 和噪声的主要特性、人耳对语音感知的特点以及常用语音增强方法。 2 1 语音信号的主要特眭 语音的特性可以简单归纳如下 g a 0 1 ： 1 语音是个时变的、非平稳的随机过程 人类发声系统的生理结构的变化速度是有一定限度而且远小于语音信号的 变化速度的，因此可以假定语音信号是短时平稳的，即在1 0 3 0 m s 的时间段内某 些物理特性和频谱特性可以看作是不变的，因而语音的短时频谱分析也有相对稳 定性。在语音增强中可以利用这种平稳特性。 2 语音大体上可以分为清音和浊音两大类 根据发声的机理不同，从时域波形上可以看出两者有明显的差异，因而在特 性上也有明显区别：浊音在时域上呈现出明显的准周期性和较强的振幅；在频域 上有共振峰结构，而且能量大部分集中在较低频段内；清音则完全不同，它没有 明显的时域和频域特征，类似于白噪声。在语音增强中，可以利用浊音明显的准 周期特性来区别和抑制非语音信号，而清音则难以与宽带噪声区分。 3 语音信号可以用统计分析特性来描述 语音信号作为非平稳、非遍历随机过程的样本函数，其短时谱幅度的统计特 性是时变的，只有当分析帧长趋于无穷大时，才能近似地认为它具有高斯分布。 高斯统计模型是根据中心极限定理得到的。在高斯模型假设下，傅立叶展开系数 被认为是独立的高斯随机变量，均值为零，而方差是时变的，这种高斯模型应用 于有限帧长，只是一种近似的描述。在宽带噪声污染的带噪语音的语音增强中， 这种假设可用于分析的前提【9 1 。 4 第二章语音及语音增强研究的基础 2 2 噪声特性及其分类 噪声来源于实际的应用环境，因而噪声特性可以说是变化无穷。噪声可以是 加性的，也可以是非加性的( 非加性噪声往往可以通过某种变换，如同态滤波， 转变为加性噪声) 。加性噪声大体上有：周期噪声、冲激噪声、宽带噪声和语音 干扰噪声等，非加性噪声主要是残响及传送网络的电路噪声等f 9 】。我们主要讨论 加性噪声。 1 周期噪声 其特点是具有许多离散的线谱，主要来源于周期性运转的机械，如电动机等， 电源交流声，也会引起周期噪声。显然，这种周期性噪声可以用梳状滤波器予以 抑制，这可以用数字信号处理的方法来实现。然而，实际环境中产生的周期性噪 声并非简单地只含线谱分量，而是有许多窄带谱组成，而且往往是时变的，并与 语音信号频谱重叠，必须采用自适应滤波的方法才有可能识别和区分噪声分量。 2 冲激噪声 冲激噪声表现为时域波形中突然出现的窄脉冲。它来源于爆炸、打火和放电 等。消除脉冲噪声通常可以在时域进行，其过程如下：根据带噪语音信号幅度的 平均值确定阈值。当信号幅度超出这一阈值时，判别为脉冲噪声。然后对它进行 适当的衰减处理，甚至完全消除；也可以根据相邻信号样值通过点内插的方法将 脉冲噪声在时域上进行平滑处理，这是一种直接消除的方法。 3 宽带噪声 宽带噪声的来源很多，热噪声、气流( 如风、呼吸) 噪声及各种随机噪声源， 量化噪声都可以视为宽带噪声。应用中常近似为高斯噪声或白噪声。其显著特点 是噪声频谱遍布于语音信号频谱之中，与语音信号在时域和频域上完全重叠，导 致消除噪声较为困难，一般需要采取非线性处理方法。 对于平稳的宽带噪声，通常可以认为是白色高斯噪声。不具有白色频谱的噪 声，可以先进行预白化除理。对于非平稳的宽带噪声，情况就复杂一些。 4 语音干扰噪声 当干扰语音信号和待传送语音信号同时在一个信道中传输所造成的干扰称 广东工业大学硕士学位论文 为语音干扰。区别有用语音和干扰语音的基本方法是利用它们的基音差别。考虑 到一般情况下两种语音的基音不同，也不成整数倍，这样可以用梳状滤波器提取 基音和各次谐波，再恢复出有用语音信号。 5 传输噪声 这是传输系统的电路噪声。与背景噪声不同，它在时间域里是语音和噪声的 卷积。处理这种噪声可以采用同态处理的方法，把非加性噪声变换为加性噪声来 处理。 6 噪声对发音的背景影响 噪声破坏了语音信号原有的声学特征和模型参数，模糊了不同语音之间的差 别，造成了语音质量下降，可懂度降低。 强噪声会使人疲劳。不仅如此，强噪声环境还对讲话人产生影响，使讲话人 改变了在安静环境或低噪声环境中的发音方式，从而改变了语音的特性参数，这 称为l o m b a r d 效应，它对语音识别系统有很大影响。 2 3 人耳感知特性 语音感知对语音增强研究有重要作用。这是因为语音增强效果的最终度量是 人的主观感受。在语音增强中利用人耳感知特性可以减少运算代价，因此，了解 其中机理将大大有助于语音增强技术的发展。 语音感知问题涉及到生理学、心理学、声学和语音学等诸多领域，这是一个 复杂的问题，有待进一步研究。尽管如此，目前己有一些有用的结论可以应用于 语音增强【9 】； ( 1 ) 人耳对语音信号的幅度谱较为敏感，对相位则不敏感； ( 2 ) 人耳对声强的感觉很灵敏且有很大的动态范围，人耳对于频率的分辨能力受 声强的影响，过强或者太弱的声音都会导致对频率的分辨力降低； ( 3 1 人耳对于声波频率高低的感觉与实际频率的高低不呈线性关系，而近似为对 数关系： ( 4 ) 人耳具有掩蔽效应，即会产生一个声音由于另外一个声音的出现而导致该声 音能被感知的闽值提高的现象； 6 第二章语音及语音增强研究的基础 ( 5 ) 人耳除了可以感受声音的强度、音调、音色和空间方位外，还可以在两人以 上的讲话环境中有能力分辨出所需要的声音。这种分离语音的能力与人的双耳输 入效应有关，称为“鸡尾酒会效应”。 2 4 语音增强方法简述 目前，比较流行的语音增强算法主要有以下几种： 1 谐波增强法【9 1 由于语音中的浊音具有明显的周期性，这种周期性反映到频域中则为一系列 分别对应基频( 基音) 及其谐波的一个个峰值分量，这些频率分量占据了语音的大 部分能量，我们自然可以利用这种周期性来进行语音增强。这时可采用自适应梳 状滤波器来提取基音及其谐波分量j 抑制其他周期性噪声和非周期的宽带噪声。 由于语音是时变的，语音的基音周期也是不断变化的，能否准确地估计出基音周 期以及能否及时跟踪基音变化，是这种基于谐波增强法的关键。 2 噪声对消法【1 1 1 容易理解，如果能直接从带噪语音中，在时域中或者在频域中，将噪声分量 减去，则能有效增强带噪语音。噪声对消法就是以此作为出发点。其最大特点是 需要采集背景噪声作为参考信号，参考信号准确与否直接决定着噪声对消法的性 能。在采集背景噪声时，往往采用自适应滤波技术，以便使参考信号尽可能接近 带噪语音中的噪声分量。 3 基于语音生成模型的增强算法1 语音的发声过程可以建模为一个线性时变滤波器。对不同类型的语音采用不 同的激励源。在语音的生成模型中，应用最广泛的是全极点模型。基于语音生成 模型可以得到一系列语音增强方法，比如时交参数维纳滤波及卡尔曼滤波方法。 维纳滤波的背景噪声白化效果很好，卡尔曼滤波能有效消除有色噪声。但基于语 音生成模型的增强方法运算量比较大，系统性能也有待于进步提高。 4 基于短时谱估计的增强算法1 1 2 】 基于语音短时谱估计的增强方法种类繁多，如谱相减法、维纳滤波法、最小 均方误差法等。该类方法具有适应信噪比范围大、方法简单、易于实时处理等优 7 广东工业大学硕士学位论文 点，所以，尽管该方法研究比较早，但仍具有很强的生命力，成为应用最广泛的 语音增强方法之一。 5 基于小波分析的增强算法 1 3 , 1 4 1 小波分析作为一种新兴理论已经和正在科学技术界掀起一场轩然大波。在数 学家们看来，小波分析是一个新的数学分支，它是泛函分析、f o u r i e r 分析、样条 分析、调和分析、数值分析的最完美结晶。在应用领域，特别是在信号处理、图 像处理、语音分析以及众多非线形科学领域，它被认为是继f o u r i e r 分析之后又一 有效的时频分析方法。 小波分析法是随着小波分析这一新的数学分析工具的发展而发展起来的，同 时它又结合了谱相减法的一些基本原理，是一种比较有前景的语音增强算法研究 方向。 6 基于听觉屏蔽的增强算法【l 纠 听觉屏蔽法是利用人耳的听觉特性的一种增强算法。入耳可以在强噪声的干 扰下分辨出需要聆听的信号，也可以在多个说话者同时发声时分别将它们提取出 来。正是由于以上这些原因，人们对听觉屏蔽法寄予了厚望，有理由相信，随着 人们对人耳特性了解的加深，听觉屏蔽法会有更涤入的发展。 如上所述的增强算法中，噪声对消法、谐波增强法、基于语音生成模型的增 强算法以及基于短时谱估计的增强算法都有一段发展历史了。而这之中，基于短 时谱估计的增强算法中的谱相减法及其改进形式是最为常用的，这是因为它的运 算皇较小，容易实时实现，而且增强效果也较好。就近几年的发展趋势而言，小 波分析法和听觉屏蔽法是人们的研究热点。人们对小波分析法的兴趣是与小波分 析有关的，因为人们对小波的研究也还是比较新的，随着人们对小波分析研究的 深入，自然也会导致对小波分析增强算法研究的深入。听觉屏蔽法是随着人们对 入耳听觉系统的认识发展而发展起来的，目前人们对它的研究还是处于初级阶 段。另外，人们也在尝试将入工智能、隐马尔可夫模型、神经网络和粒子滤波器 等理论用于语音增强，但目前尚未取得实质性的进展。 苎三塞里耋垒重重望! 塑圣竺茎型 2 5 带噪语音模型 本文研究的噪声以实验室环境下个人电脑的电源风扇等发出的噪声和高斯 白噪声为主要对象。这种噪声一般符合如下的假设： ( 1 ) 噪声是加性的。 ( 2 ) 噪声是局部平稳的。所谓局部平稳是指：一段带噪语音中的噪声，具有和语 音段开始前那段噪声相同的统计特性，且在整个语音段中保持不变。也就是说， 可以根据语音开始前那段噪声来估计语音中所叠加的噪声统计特性。 ( 3 ) 噪声与语音统计独立或不相关。 ( 只有带噪语音可以利用，没有其他参考信号。 带嗓语音的模型( 如图2 1 ) 为： y ( n ) = s ( n ) + d ( n )( 2 - 1 ) 式中y ( n ) 是带噪语音，s ( n ) 是纯净语音，d 伍) 是噪声。 豳：1 带唆m 青艇避 f i g u r e 2 1m o d e lo f n o i s es p e e c h 2 6 语音增强的计算机模拟处理方法 2 6 1 数字化语音的加窗处理 由于语音信号的准平稳特性，语音信号处理算法都建立在“短时”基础上。 因此语音信号常被分段或分帧来处理。在处理时，按帧取数据，处理完后再取下 一帧。前一帧和后一帧的交叠部分称为帧移。帧移与帧长的比值一般取为o 。 9 广东工业大学硕士学位论文 图2 2 给出了帧长与帧移的关系。这样做的好处是：在语音短时平稳允许的时间 间隔内，增加可处理帧数，可减少语音分帧处理造成的不连续性。同时，可以通 过重叠迭加( 0 l a ) 的手段，消除由于加非矩形窗而引起的信号失真。 钨k 帧 锄k + 川l 搋k - 2 r i ! ； l 峨杉帧艮 嘲2 2 帧k 尔1 1 9 1 ；i 移的_ ) ( = 舔 f i g u r e 2 2r e l a t i o nb e t w e e nf r a m el e n g t ha n df r a m ed i s p l a c e m e n t 帧语音信号经过加窗处理，形成加窗语音： s ，0 ) = s o ) + “ ) + ( 2 2 ) 其中，而) 是窗函数。 在语音信号的数字处理中，常用的窗函数有矩形窗和汉明( h a m m i n g ) 窗，其 表达式分别如下： 矩撼幽) = 竺= 1 ( 2 - 3 ) 汉婚m ，专0 5 4 + 0 4 6 c o s ( i ( 惫) 一h 嘶州。刎 io ，甩= o t h e r s 其中n 为窗长。 2 6 2m a t l a b 仿真语言环境介绍 在算法的仿真实现上，采用了m a t l a b 语言。m a t l a b ( m a t r i xl a b o r a t o r y ，矩 阵实验室) ，它是集命令翻译、科学计算于身的一整套交互式软件系统。它是 以著名的线性代数软件包l i n p a c k 和特征值计算软件包e i s p a c k 中的子程序为基 础发展而成的一种开放型程序设计语言，其基本的数据单元是一个维数不加限制 1 0 第二章语音及语音增强研究的基础 的矩阵，这就允许用户根据数值计算的复杂程度，对问题进行分段甚全逐句编程 处理，显然这与c 、f o r t r a n 等传统高级语言完全不同。在m a t l a b 下，矩阵的运算 变得非常容易，后来的版本中又增添了丰富多彩的图象处理及多媒体功能，使得 m a t l a b 的应用范围越来越广泛。正是因为这种语言具有以下一些特点，使它非常 适合算法的仿真： 1 高质量、高可靠性的数值计算能力。 2 基于向量、数组和矩阵的高级程序设计语言。对语音信号的数据处理最终都 是转化为数组和向量形式计算的。数组和向量的计算是m a t l a b 的强项，利用其他 高级语言实现众多向量的计算是很复杂的，而利用m a t l a b 就可以直接采用这些变 量的向量形式，使算法的实现简单明了。 3 高级图形和可视化数据处理能力。 4 拥有一个强大的非线性系统仿真工具箱一s i m u l i n k 。它除了传统的交互式编程 之外，还提供功能强大、性能可靠的矩阵运算、图形绘制、数据处理、图象处理： 方便的w i n d o w s 编程等便利工具，并具备各种以m a t l a b 为基础的实用工具箱。其 中包括了信号处理工具箱和语音工具箱。这些工具箱提供的丰富的函数库使得算 法的实现比较容易。 2 6 3 带噪语音信号的说明 1 。信号录入条件选择 经过多次实验，本文决定采用8 0 0 0 h z ，1 6 位，单声道的p c m 格式作为语音 录制条件，其原因如下： 1 1 脉冲编码调制( p u l s e c o d e m o d u l a t i o n ，p c m ) 格式是常用的一种音频编码格 式，它符合计算机计算功率谱的条件，其它的如a d p c m 等格式换算起来则比较 麻烦。 2 1 采样频率范围可以从8 0 0 0 h z - 2 2 0 0 0 h z 。经对比验证，8 0 0 0 h z 时已足够保留原 信息，仿真结果表明它与选用2 2 0 0 0 h z 没有太大区别，且随着采样频率越高，数 据处理量越大，对实肘处理造成一定困难，故定为8 0 0 0 h z 。 3 当采用8 位数据记录语音，显示时域结果时，m a t l a b 窗口上多为条纹波，不利 广东工业大学硕士学位论文 于观察，故选用1 6 位数据记录以提高精度。 4 、单声道即记录的数据存储为一维数组。双声道即记录的是两条差别细微的语 音，存储时为有两个列的二维数组，不便于m a t l a b 数组计算，对仿真意义也不大。 2 信号的采集和处理“”州 纯净语音录入是在安静的夜晚环境下，自己说一个词或一句话，比如“计算 机”、“硕士研究生”等，用w i n d o w s 操作系统自带的“录音机”软件录制下来， 时间大约为2 4 秒钟，然后以上述格式存储为w a y 文件。使用姒t l a b 函数w a v r e z u i ( ) 调用，如：y = w a v r e a d ( ”c ：、1 w a v ”1 。在m a t l a b 中，它是以一维数组形式存在的。语 音段的开始有短暂停顿以留出寂静帧。寂静帧可用来计算信噪比和估计噪声。 噪声可以用两种方式产生，一种是录制的，包括了计算机电源风扇的“嗡嗡” 声，这不是严格意义上的商斯白噪声，但仿真结果表明，在提高语音信号的信噪 比的同时，它具有较好的可懂度；另一种为使用m a t l a b 的函数m n d n ( ) 产生随机 数，这是真正意义上的高斯白噪声。为严格起见，我们的仿真噪声采用的是后一 种，信号产生语句为：y y = r a n d n ( 1 ：l e n g t h ( y ) ) 。 2 7 小结 本章详细的讨论了语音信号的特征、噪声特性及其分类、人耳对于听觉感知 的特性，介绍了国内外常用的语音增强方法和一些较新的理论，并就语音增强的 计算机模拟处理时采用的方法做了简单介绍。 第三幸噪声的估计方法 第三章噪声的估计方法 大多数语音增强算法，例如谱减法，自适应滤波等方法，都需要正确估计噪 声的性质。噪声是不稳定的，只有及时找到最新的噪声，才能保证这些方法的有 效使用。噪声的估计方法很多，一种做法是对语音信号进行语音的有声，无声检 测，在无声时更新噪声估计，在有声时保持原有噪声的估计不变。另一些方法不 用有声无声的检测，无论在有声或无声期都对噪声估计进行更新。 3 1 语音活性检测 语音活性检测( v o i c ea c t i v i t yd e t e c t i o n ，v a d ) ，也称为语音有音无音检测， 是语音增强中的一个关键问题。在单声道的系统中，必须找到语音间隙，以更新 噪声估计。在一些系统中，对于语音和噪声的处理方法不同，如果不能判断当前 帧是含噪语音还是噪声，就不能进行适当的处理，这种系统对语音存在性的判断 要求就更高一些，要求把每一帧噪声都判断出来。 通常的语音活性检测是基于语音帧来进行的，语音帧的长度在1 0 3 0 m s 不 等。语音活性检测的基本方法可以用一句话来表达：从输人信号中提取一个或一 系列的对比特征参数，然后将其和一个或一系列的门限进行比较。如果超过门限， 则表示当前为有音段，否则就认为当前为无音段。其过程如图3 1 所示。 门限通常是根据无音段时语音特征确定的。但是由于语音和环境噪声的不断 变化，使得这一判决过程变得非常的复杂。好的语音活性检测算法必须具备对各 种噪声的鲁棒性，同时要简单，适应性好，易于实时实现。 煳3 1 诳爵 住检测的散办法 f i g u r e 3 1g e n e r a lm e t h o do f v a d 传统的噪声估计方法就是使用语音活性检测技术分离出无音段，这时无音段 广东工业大学硕士学位论文 主要表现为噪声特性，然后再通过某种统计方法，即可获得对背景噪声特性的近 似估计【1 9 】。但是在低信噪比下，v a d 的误检率会增大，在不能正确判断出无音 段的情况下，系统极易出现残留噪声和回声。 基于连续更新噪声谱的噪声估计算法，省去了对语音端点的检测，对非平稳 噪声( 即波动噪声，f l u c t u a t i n gn o i s e ) 有较好的适应性，即使在有语音存在的情况 下，也能较快地适应噪声的变化。本章后面介绍一种有效的不用有声无声检测 的语音参数估计的方法 2 0 l 。 3 2 语音活性检测方法 语音活性检测方法是各种技术的大融合，到目前为止并没有统一的分类方 法。可以按照应用的范围分类，也可以按照所使用的特征量分类等。按照所采用 的技术或原则的不同，可以进行如下的分类。 1 基于短时能量的判决方法【2 l j 该方法主要检测大于一定门限值的短时功率是否持续了规定的时间。其依据 是信号的功率比噪声的功率大。通过对无声期间噪声信号的估计，确定相应的门 限阈值v 。当输人信号的短时能量( 功率) 超过阈值并持续预定时间t 后，则认为是 语音段起始点。而当信号的短时能量( 功率) 低于阈值v 并持续一定时间，就可测 定语音段的终止点。预定时间t 的取值要合适，取值过大，则信号的检测时延相 应增加i 过小，则不能正确检测出语音段和噪声段，该方法在短时冲击的干扰下 处理容易出现错误的结果。 2 基于背景噪声估计的判决方法【2 1 1 在这种方法中，通过无音段中对噪声能量的测量，然后使用一阶a r 模型预 测当前帧中的噪声能量来修正判决门限，或者通过信噪比来判决。这种方法简单， 运算量小，可以应对各种不同的信噪比，有音段错判为无音段的比例不高，比较 适合于语音增强系统中。 3 基于小波变换的判决方法1 2 ” 由于小波变换在不同的频段具有不同的分辨率，不同的信号在不同的分辨率 下相关性不同等一系列特点，在语音处理中越来越受重视，人们也将其引入到语 1 4 第三章噪声的估计方法 音端点检测中来，在不同的尺度下使用上述两种判决方法进行判决。这种算法能 够在不同的时间和尺度上计算用于语音活动检测的参数，根据这些参数得到稳健 的语音活动决策，因此能够更准确地检测到语音。使得语音剪切率大为减少。 4 基于模糊理论的判决方法 2 2 1 语音有音无音判决过程，实际上是对语音和噪声特性的学习和认识过程。 模糊理论模拟人的思维过程，通过对己有语音的自动学习，总结出用于描述当前 语音特点的几条模糊规则，将输入语音按照模糊理论的规则进行描述，然后对模 糊系统的输出进行门限处理，得出当前输入的v a d 判决。 5 模式识别法1 2 1 l 语音端点检测可采用统计模型分类方法，隐马尔柯夫模型( h m m ) 可以作为 语音特征的统计模型。基于h m m 的方法已应用于语音端点检测，并得到较高的 正确率。原始的想法来自于词的分割算法，即在一段不受限制的语音中检测出一 个或多个词的存在位置。而语音端点检测则可以看成是一个分割词的特例。在1 h m m 语音检测器中，一个为语音作标记的连续必和一个为背景噪声作标记的 连续h m 被训练用来分别表示一般语音与噪声的特征。训练采用基于 b a u m w e l c h 算法的倒谱向量来进行。h m m 与一个语法模型相连接，在端点检测 阶段，对带噪语音进行预处理以得到输入特征矢量，每一个矢量由倒谱系数、倒 谱系数的增量或时间导数以及当前帧的短时能量增量等组成，然后引入v i t e r b i 解码，按照模型参数与输入语音特征流得到与正发生的语音非常相似的语音，由 v i t e r b i 解码器给出语音的端点。 综上所述，对信噪比高的含噪语音，可以通过短时能量来检测：这是因为， 信噪比高时，语音的短时能量一般比噪声的短时能量大，用短时能量作为判断依 据，距离的测度比较简单，物理意义也很明确。信噪比较低时，必须采用比较复 杂的噪声检测算法。可以先在训练时提取噪声的特征值，这个特征值在一般的模 式识别方法中就是特征矢量或码本，在基于统计模型的方法中，比如h m m 就是 一组统计量，通过特征值间的距离来判别信号中是否含有语音。 3 3 基于最小值跟踪的噪声估计方法 从实用性、易实现性等方面考虑，大部分算法都是建立在相对理想的实验室 条件下的，要求背景噪声保持平稳，信噪比较高，而且需要一定的训练算法以预 先得到背景噪声及语音的统计信息。在实际工作中，这些条件很难得到满足，而 且经常会遇到信噪比较低，背景噪声缓慢变化的情况，也不可能预先得到背景噪 声或语音的统计信息。 r a i n e rm a r t i n 提出用统计最小值跟踪算法来估计噪声【2 0 1 。他先用一个最优平 滑滤波对带噪语音的功率谱滤波，得到一个噪声的粗略估计。然后找出粗略噪声 中的在一定时间窗内的最小值，对这个最小值进行一些偏差修正，即得到所要估 计的噪声的方差。算法的基本流程如图3 2 ： j j i l 窗”遴f r t l l 【l i 储时变 f j ! 弓 刘船啖砥f _ - 逃 j 蚰忧| ，杆 弓 刊| 。； 啦址小能姒喀， 钌剑 l 编f f j 唆，；似i i 嘲3 2 蓐于最小值跟踪的噪声估计方法流程 f i g u r e 3 。2f l o wo f n o i s e e s t i m a t i o nb a s e do nm i n i m u ms t a t i s t i c s 3 3 1 带噪语音的最优平滑 设带噪语音信号为r o ) ，它由纯净语音与噪声相加而成，y ( f ) = s o ) + ( f ) ， 这罩i 代表采样的时间标号。进一步假设s ( f ) 与珂( f ) 是统计独立的并且都是零均值 的。为了将信号转化到频域，将信号分成长度为l 个采样点的帧信号，帧间重叠 为r 点。对帧信号进行f f t 计算，得到了频域的信号： 1 6 第三章噪声的估计方法 y 以，k ) = y ( 船+ ) h ，。血乩 ( 3 1 ) 这里，a 为时间的标号，k 为频率点的标号，a z ，k 0 , 1 ，l 一1 ) 。h 0 ) 是 一个窗序列，并假设h 2 ) = 1 。 先用一个平滑过程来粗估计噪声功率谱密度p 0 ，k ) ： p ( x ，k ) = c 呼o 一1 ，k ) ；( 1 一口) l y a ，k 】2 ( 3 2 ) 其中口是平滑参数。噪声功率的进一步估计；：0 ，k ) ，通过取p o ，k ) 在一个 滑动窗内的最小值来决定。 上述方法的估计还是很粗糙，进一步提高噪声估计的准确性还要考虑以下几 个问题： 1 ) 固定的口值将不适应有声无声的变化与噪声的变化； 2 ) 这样的噪声估计将比真正的噪声要偏小； 3 ) 最小值的跟踪过程比真实的噪声要滞后。 因此，根据上述问题，对原有的噪声估计还需要一个随时间变化的平滑系数 口、个偏差补偿系数与加速跟踪方法。 为了推导最佳的平滑过程还要假设为无声状态。将平滑过程写成由时变平滑 系数作用的过程： p o ，k ) = 口q ，k ) + p ( ) t - 1 ，k ) + ( 1 一口o ，k ) ) l y 以，k 1 2( 3 3 ) 为了使p ，k ) 尽可能的接近真正的噪声功率谱密度仃：以，k ) ，以下式期望值为零 作为目标： e ( ( p 以，k ) 一仃： ，k ) l ，“吐柚) = o ( 3 - 4 ) 由上式可推得： ( 3 - - 4 ) ；2 以，k 如q l k ) 一万：以，k 咿+ 岔4 以，k x l 一口以，k ” 等口咂2 可函而1 丽 仔5 ) 1 7 广东工业大学硕士学位论文 在实际的运用中，最优估计式中的仃：( 旯，k ) 用上次的噪声估计值 盯：以一1 ，k ) 代替，并且最优系数将被限制在一个最大值口一，例如口一= o 9 6 ， 之间来避免y 以，k ) = 1 的死锁情况发生。为了提高在非平稳的噪声环境中的平滑 效果，平滑系数设置一个t i 驳a , o 3 。式( 3 - 5 ) 重新写成： 口“啦m 十川n 而石赤孓研 p a ， 3 3 2 最小功率谱统计跟踪 最小功率谱统计跟踪的方法将跟踪短时谱的最小功率诸密度，这个最小功翠 谱是由一个连续时间段内的最小功率谱密度求出。因为随机变量的最小值总会小 于平均值，所以用最小功率谱密度值作为平均值的估计存在着偏差，要得到平均 值就要对最小功率谱密度进行偏差修正。 在推导最小功率谱统计跟踪方法时，为了简化计算，假设信号处于无语音状 态，在有语者状态只要将噪声的方差用带噪语音信号的方差代替即可。 设在d 个连续的短时功率谱密度估计p 以，七) 中的最小值为p 。以，t ) ，其中： 旯 旯l ，。兄1 - - i ，允i - - d + 1 ) 。p n ，k ) 可以写成； p 0 ，k ) = ( 1 一口眨口i y ( a - i ，k 1 2 ( 3 - 7 ) 对手独立、指数和同分布的谱序l y 以，k 1 2 ，p ( x ，k ) 的概率密度函数为： r 佃) 2 h ，。i j 仃。2u - ，k l aj l z t ( 3 - 8 ) 由于均值e 沿。( a ，k ) j 与仃：q ，k ) 成正比关系，而p 面0 ，k ) 的方差正比于 仃：n ，k ) ，不失一般，只要计算在口：( a ，k ) = 1 时的均值与方差就足够了。定义 符号b 二：l l n ，k ) = e 扣。以，k ) j 盯：陬h 和q 。以，k ) = 2 仃：以，k ) l v a r n ，k ) ) ， 第三章噪声的估计方法 b ：以 k ) 可由q 。以，k ) 来估计： 酡阮k ) 1 + ”1 ) 高r 卜丽2 q k i j p b 二o ，k ) 1 + ( d 一1 ) r il + i - 万五l ( 3 9 ) 。以，) lv * ”小j q 。o ，k ) - q 。以，k ) 一2 m ( d ) 1 一m ( d ) ( 3 1 0 ) 其中m ( d ) 与h ( d ) 是关于d 的系数函数，r ( ) 是伽马函数，本文中d 取9 6 ， m ( 9 6 ) = 0 8 7 5 ，d ( 9 6 ) = 3 5 5 ，而一般q 柚o ，k ) 在非语音状态时取值较大。式( 3 9 ) 又可简写为： b 。 ，k ) 1 + ( d 1 ) 可2 网 这样，噪声方差盯： ，k ) 可以用下式估计： ；汕2 僦蠹 实际中q 加以，k ) 的估计为： ( 3 1 1 ) = b 。( d ，q 。n ，k ) ) ( 旯，k ) ( 3 1 2 ) q 川2 粼 其中，0 0 p q ，k ) 为p 0 ，k ) 方差的估计，其估计式为： ( 3 - 1 3 ) v 鲁 p 以，k ) ：矿以，k ) 一f 以，k ) ( 3 1 4 ) f 以，k ) - 与p t ( 2 ，k ) 分别是e p o ，k ) 与e 扣2 以，k ) ) 的一阶平滑估计。 f o ，k ) = 卢d ，k ) f ( a l ，k ) +