（物理电子学专业论文）基音检测算法研究及其在方言辨识中的应用.pdf

中文摘要 基音频率作为语音信号的重要参数之一，它的精确提取对于高质 量的语音分析合成、语音压缩编码、语音识别及说话人确认等方面都 具有很重要的意义。本文在对传统算法进行深入研究的基础上，给出 了两种准确性和鲁棒性都相对较高的基音检测算法，并将基音频率作 为特征参量应用于方言辨识系统。论文的研究工作和成果有如下几个 方面： ( 1 ) 对目前国内外几种典型的基音检测算法进行了阐述与分析， 并通过仿真实验，对不同算法进行了比较和评价。 ( 2 ) 提出一种清浊音分类与多带激励( m b e ) 自相关法相结合的 基音检测算法。该方法采用多参数高斯混合模型对语音信号的清浊音 进行判决，对浊音信号采用多带激励自相关法进行基音检测。实验证 明，该方法与传统自相关法相比，提高了清、浊音判决率，特别是在 清、浊音过渡音段，有效改善了语音的基音轨迹。 ( 3 ) 提出了一种将预测神经元模型与l p c e p 相结合的基音检测 算法。实验结果表明：该算法无论对纯净语音，还是对低信噪比情况 下的含噪语音，其基音检测效果都明显优于传统倒谱基音检测算法。 ( 4 ) 建立了基于s o m 神经网络和支持向量机( s v m ) 的汉语方 言辨识系统。该系统以湖南方言作为研究对象，借助s o m 神经网络 对不同方言的基音频率进行聚类，并用s v m 作为最终的决策辨识器。 实验结果表明：该系统实时性和辨识率较好，可适用于信噪比低的情 况。 关键词：语音信号，基音检测，s o m ，s v m ，方言辨识 a b s t r a c t a so n eo ft h ei m p o r t a n tp a r a m e t e r so fs p e e c hs i g n a l ，t h e a c c u r a t ee x t r a c t i o no fp i t c hf r e q u e n c yi sc r u c i a lf o r h i g h q u a l i t yv o i c es y n t h e s i sa n da n a l y s i s ，s p e e c hc o m p r e s s i o n c o d i n g ，s p e e c hr e c o g n i t i o na sw e l la ss p e a k e rv e r i f i c a t i o n o n t h eb a s i so ft h ef u r t h e rs t u d yo ft r a d i t i o n a la l g o r i t h m ，t w o k i n d so fp i t c hd e t e c t i o na l g o r i t h 咀w i t hr e l a t i v e l y h i g h a c c u r a c ya n dr o b u s t n e s sa r ep r o p o s e di nt h isp a p e r w it hr e g a r d t op i t c hf r e q u e n c y ，i t i sa p p li e di nd i a l e c tr e c o g n i t i o ns y s t e m a st h ec h a r a c t e r i s t i cp a r a m e t e r s t h er e s e a r c ha n dr e s u l t so f t h ep a p e ra r ea sf 0 1 1 0 w s ： ( 1 )w i t ht h ee l a b o r a t i o na n da n a l y s i so fs e v e r a l t y p i c a l p i t c h d e t e c t i o n a l g o r i t h m s i nt h e w o r l d ，c o m p a r i s o na n d e v a l u a t i o no fd i f f e r e n ta l g o r i t h m sa r em a d et h r o u g hs i m u l a t i o n e x p e r i m e n t s ： ( 2 ) ap i t c hd e t e c t i o na l g o r i t h mw i t hac o m b i n a t i o no ft h e c l a s s i f i c a t i o no fu n v o i c e d v o i c e ds p e e c ha n dt h em b e s e l f c o r r e l a t i o nm e t h o di s p r e s e n t e d t h em e t h o du s e st h e m u l t i p a r a m e t e rg a u s s i a nt or e a l i z et h ev o i c i n gd e c i s i o n ， a n d t h ep i t c hp e r i o do fv o i c e ds p e e c hi se x t r a c t e db yt h em e a n so f m b ea u t o c o r r e l a t i o np i t c hd e t e c t i o nm e t h o d t h er e s u l t so f s i m u l a t i o ns h o wt h a tt h en e wm e t h o dh a sb e t t e rp e r f o r m a n c et h a n i t h a to fc o n v e n ti o n a la u t o c o r r e l a ti o na l g o r i t h m s ，e s p e ci a l1 yi n t h et r a n s i ti o n a lp a r t sb e t w e e nt h es u r da n dt h es o n a n t i tm a y g e tm o r ea c c u r a t ev o i c e u n v o i c e dd e c i s i o n s ， a n di m p r o v et h e p it c h1 0 c u s ( 3 )ap i t c hd e t e c t i o na l g o r i t h mw i t hac o m b i n a t i o no f p r e d i c t i o nn e u r a lm o d e la n dl p c e p i sp r e s e n t e d t h es i m u l a t e d p i t c hd e t e c t i o nr e s u l t ss h o wt h a tt h ep i t c he x t r a c t i o ne r r o r o ft h ep r o p o s e da l g o r i t h mi ss i g n i f i c a n t l yl o w e rt h a nt h a to f t h ec o n v e n t i o n a lc e p s t r u mb a s e da l g o r i t h mb o t hf o rc l e a ns p e e c h a n di nl o ws n ro fn o i s ys p e e c h ( 4 ) ac h i n e s ed i a l e c ti d e n t i f i c a t i o ns y s t e mw h i c hb a s e do n am i x e ds o mn e u r a ln e t w o r ka n ds v misp r o p o s e di nt h isp a p e r h u n a nd i a l e c t sh a v eb e e ns e l e c t e da st h er e s e a r c ho b j e c t s o m i sa p p l i e dt oc l u s t e rf o rt h em f c co fv a r i o u sd i a l e c t s ，a n ds v m i su s e da st h ef i n a li m p l e m e n to fd e c i s i o na n di d e n t i f i c a t i o n t h er e s u l t ss h o wt h a tt h i ss y s t e mh a sr e a l 一ti m ep r o p e r t ya n d i d e n t i f i c a t i o nr a t e，e s p e c i a l l ya tal o ws i g n a l t o n o i s e r a t i o k e yw o r d s ：s p e e c hs i g n a l ，p i t c hd e t e c t i o n ，s o m ，s v m ，d i a l e c t i d e n t i f i c a t i o n 湖南师范大学学位论文原创性声明 本人郑重声明：所呈交的学位论文，是本人在导师的指导下，独 立进行研究工作所取得的成果。除文中已经注明引用的内容外，本论 文不含任何其他个人或集体已经发表或撰写过的作品成果。对本文的 研究做出重要贡献的个人和集体，均已在文中以明确方式标明。本人 完全意识到本声明的法律结果由本人承担。 学位论文作者签名： 冶爹交易扩。夕年月日 一 ? 湖南师范大学学位论文版权使用授权书 本学位论文作者完全了解学校有关保留、使用学位论文的规定， 研究生在校攻读学位期间论文工作的知识产权单位属湖南师范大学。 同意学校保留并向国家有关部门或机构送交论文的复印件和电子版， 允许论文被查阅和借阅。本人授权湖南师范大学可以将本学位论文的 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 描等复制手段保存和汇编本学位论文。 本学位论文属于 l 、保密口，在年解密后适用本授权书。 2 、不保密留。 ( 请在以上相应方框内打“”) 作者签名： 苷耄灾日期：三哆年占 月2日 导师签名：售7 缪峻 日期： 沙7 年 多月二日 基音检测算法研究及其在方言辨识中的应用 第一章绪论 1 1 课题背景及意义 1 1 1 语音信号处理 语音信号处理是研究用数字信号处理技术对语音信号进行处理 的一门学科，是许多信息领域应用的核心技术之一。语音信号处理是 目前极为活跃和热门的研究领域，其研究涉及一系列的前沿科技课 题，且处于迅速发展之中；其研究成果具有重要的学术及应用价值。 它主要包括语音编码、语音合成、语音识别、说话人识别及语音增 强1 【2 】。 1 1 2 基音及其检测技术 人类的发音过程是由于肺部的收缩，压迫气流由支气管经过声门 和声道引起音频振荡而产生的。其中声道起始于声门而终止于嘴唇， 包括咽喉、口腔、鼻道则是从小舌开始到鼻孔为止。发音过程中声道 各处的截面积取决于舌、唇等的位置。人类发音过程有三类不同的激 励方式，因而能产生三类声音：浊音、清音和爆破音。当声道中某处 截面积很小，气流高速冲过此处时产生湍流，气流速度与截面积之比 大于某个门限时便产生清音。如果声道某处完全闭合，然后突然释放 这样产生的声音就是爆破音。而当气流通过声门时，声带的张力刚好 使声带发生较低频率的张弛振荡，形成准周期性的空气脉冲，这些空 气脉冲激励声道，便会产生浊音。在发浊音时，声带振动的基频称为 硕+ 学位论文 基音频率，其周期称为基音周期3 】【4 】。 基音周期作为语音信号的一个重要参数，反映了语音激励源的一 个重要特征。它的检测和估计是语音信号处理中的一个非常重要的问 题，一项重要技术之一，与许多语音信号处理技术相关。语音信号的 基因周期提取问题的实质上也就是准周期的周期估计问题。一个好的 基音声调的提取算法对于高质量的语音数据合成、语音数据编码及机 器识别等方面都具有十分重要的意义1 1 。 1 1 3 方言辨识 语种识别，是指计算机通过分析未知说话人所讲的一段语音来辨 认所讲的是何种语言的一项技术，本质上可以认为是语音识别的一个 方面。最早的语种识别问题起源于在智能设备中的应用。智能设备只 有听懂人的语言了解人的意愿才能更好地为人服务。要听懂人的语言 首先要让机器辨别出所说语言的语种，语种识别问题也因此应运而 生。这项研究首先在人员交往最频繁的欧美各国展开，得到欧美各国 的高度重视，各项新技术不断涌现，国内对语种识别的研究还不 多见【5 】【6 】。 当说话者地方口音较重时，机器还必须辨识出其所属的方言地区 才能更好的为其服务。方言辨识是在已知一段发音所属语种的前提下 根据讲话者的发音判断其所属方言区域的一项技术，作为语种识别的 一个新兴领域，它越来越受到更多研究者的关注。 中国作为一个多方言多民族语言的大国，完全有必要开展方言辨 识的研究。此项技术的研究有利于提高方言语音识别系统的识别效 基音检测算法研究及其在方言辨识中的应用 率，对提高咨询和声讯服务质量，协助刑事侦查和军事监控等方面也 具有潜在的应用价值【5 1 。 1 2 相关领域的研究现状 1 2 1 基音检测技术的研究现状 从国内外研究现状来看，基音检测技术的研究热点和难点已经集 中于处理低信噪比语音。着眼于基音的检测方法，主要有以下三个方 面的研究：( 1 ) 稳定并提取准周期性信号的周期性方法；( 2 ) 因周期 混乱，采取基音提取误差补偿的方法；( 3 ) 消除声道噪声影响的方法。 人们从语音信号的时域特性、频域和时一频混合特性三个方面出 发，已经开发了许多基音检测方法，这些方法中的一些方案已经得到 了应用。基音检测方法大致上可以分为三类：( 1 ) 时域估计法，直接 由波形来估计基音周期，常见的有：自相关( a c f ) 法吲、平均幅度 差法【8 1 等；( 2 ) 频域估计法，利用同态分析方法将声道的影响消除， 得到属于激励部分的信息，然后求取基音周期，常见的有：谐波积谱 ( h p s ) 法，简化逆滤波( s i f t ) 法【9 1 ，倒谱( c 印s 仃u m ) 法【1 0 1 等；( 3 ) 混合法，基于以上方法的衍生组合算法，如：自相关法和平均幅度差 法相结合。这些方法在实验室特定条件下都取得了不错的效果。 表卜1 列出了几种典型的基音检测方法及特征1 】 硕士学位论文 表卜1 几种典型的基音检测方法及特征 分类 基音提取法 特征 由多种简单的波形峰值检测器决定提取的多数基因周 并行处理法 期。 波形估计法根据各种理论操作，从波形去掉修正基音脉冲以外的数 数据减少法 据 过零数法关于波形的过零数，着眼于重复图形 语音波形的自相关函数，根据中心削波，平坦处理频谱， 自相关法 采用峰值削波可以简化运算。 语音信号波形降低取样后，进行l p c 分析，用逆滤波 相关处理法s i f r 法器平坦处理频谱，通过预测误差的自相关函数，恢复时 间精度 采用平均幅度差函数检测周期性，根据预测误差信号的 a m d f 法 a m d f 也可以进行提取 倒谱法 根据对数功率谱的傅里叶逆变换，分离频谱包络和细微 变换法 结构 在频谱上，求出基频高次谐波成分的直方图，根据高次 循环直方图法 谐波的公约数决定基音 目前，基音检测主要存在以下困剌1 1 】： ( 1 ) 语音信号变化十分复杂，声门激励的波形并不是一个完全的 周期序列。在语音的头尾部并不具有声带振动那样的周期性，对有些 清浊音的过渡帧很难判定它属于周期性还是非周期性，从而对估计基 音周期带来一定的影响。 ( 2 ) 从语音信号中去除声道的影响，直接取出仅与声带振动有关 的声源信息并非易事。如声道共振峰可能强烈改变声门波形的结构， 从而严重影响激励信号的谐波结构，会给基音检测造成困难。 ( 3 ) 语音信号是准周期的，且共振峰结构和噪声有时会影响波峰 和过零率，很难准确定位基音周期的开始和结束。 ( 4 ) 区分清音语音和低电平语音是导致基音检测困难的另一个重 基音检测算法研究及其在方言辨识中的应用 要因素。在许多情况下，清音语音与低电平浊音段之间的过度段是非 常细微的，确认它是极其困难的。 ( 5 ) 在实际应用中，背景噪声强烈影响基音检测的性能。 ( 6 ) 基音频域变化范围大，从老年男性的8 0 h z 到儿童女性的 5 0 0 h z ，接近三个倍频程，给基音检测带来了一定的困难。 由于这些困难，尽管基音提取的方法很多，但迄今尚未找到一 个完善的方法可以对各类人群包括男人、女人、老人、小孩及不同语 种和各种环境条件情况下都能获得满意的检测结果。 1 2 2 方言辨识的研究现状 方言辨识作为语种识别中的一个新兴领域，近年来，欧美发达国 家和一些跨国公司对此研究非常重视，即使是方言资源相对贫乏的中 国台湾、新加坡也已有相当的研究f 1 2 ”】。2 0 0 2 年台湾学者蔡伟和利用 高斯混合模型对三种汉语方言进行了辨识，取得了不错的效果1 4 1 。 目前国内方言辨识的研究尚处于起步阶段，这方面的报道相对较 少。广西大学陈海伦2 0 0 0 年从语言学角度对用机器进行方言辨识进 行了初步的探讨，但实际上还不是真正意义上的方言自动辨识1 4 1 ； 2 0 0 7 年徐州师范大学的顾明亮博士分别采用语音配序、支持向量机、 高斯混合模型建立方言辨识系统，辨识率达到了8 4 17 【1 5 。7 】。 就国内外研究情况来看，区分方言的主要方法是采用高斯混合模 型( g m m ) 、隐马尔科夫模型( h m m ) 、人工神经网络( a n n ) 以 及支持向量机( s v m ) 等进行分类区分。图卜l 给出了一种典型的方 言辨识系统。 硕士学位论文 方言一的模墅 看音信号 方言_ 二的模墅 前端处理 结果判定 方言n 的模塑 图卜1 典型方言辨识系统 1 3 本论文的主要内容和组织安排 本论文主要致力于以下三个方面的内容：第一部分，介绍目前常 用的几种基音提取算法，通过仿真实验分析比较各自优缺点；第二部 分，给出了两种新的基音检测算法，即基于预测神经元模型的l p c e p 算法、基于多参数g m m 混合模型的m b e 自相关基音检测算法；第三 部分，将改进的基音提取算法应用于方言辨识系统的特征参数提取模 块，采用s o m 神经网络和支持向量机作为决策分类器构造方言辨识系 统。在m a t l a b7 o 软件平台上，本文对所给出的算法进行了仿真实 验，并通过与其它已提出的相关算法进行比较，验证了本文所给出算 法的优越性。 本文的结构安排如下： 第一章，阐述了基音检测、方言辨识的概念及研究的意义，综述 了其发展状况，并简要介绍了本论文的主要研究内容及各章节的安 排。 第二章，介绍目前国内外的几种主流基音提取算法，通过实验仿 基音检测算法研究及其在方言辨识中的应用 真分析比较各种方法的优缺点。 第三章，采用多参数高斯混合模型对语音信号的清浊音进行判决， 提取出浊音信号，运用多带激励( m b e ) 自相关法对其进行基音检测。 在不同信噪比下，对该算法进行仿真实验，对其准确性和鲁棒性做出 评价。 第四章，为了提高在低信噪比下基音检测的正确率，给出一种改 进的基于神经元模型的l p c e p 基音检测算法，采用m a t l a b 对该算 法进行仿真实验，对实验结果进行分析和讨论，论证了给出算法的优 越性。 第五章，利用改进的基音提取算法进行语音特征参量提取，s o m 神经网络和支持向量机作为决策器，建立一套方言辨识系统，并给出 处理后系统的性能指标。 第六章，对全文进行总结和展望。 硕士学位论文 第二章基音检测的常用算法 2 1 引言 尽管基音检测有许多困难，但因为它的重要性，基音的检测提取 一直是一个研究的重要课题，为此从语音波形中准确地提取基音的工 作，使全世界的科学家忙了几十年，从2 0 世纪6 0 年代以来出现了很 多种基音周期检测方法，特别是在有噪环境下的语音信号的基音周期 检测方面更是提出了许多有效的方法。进行基音检测方面早期研究工 作的国家主要有美国等欧美国家，之后，我国在基音检测方面，尤其 是对汉语的基音检测工作也取得了很大进展。为了提高基音检测的准 确性，降低计算复杂度，人们已经从语音信号的时域、频域出发，开 发了许多基音检测算法【1 8 】。 2 2 时域算法 2 2 1 自相关基音检测算法 自相关基音检测算法( a c f ) 是一种基于语音时域分析理论的较 好的检测算法，自相关函数法的原理是周期信号的自相关函数将在时 延等于函数周期的地方产生一个极大值。因此，通过计算语音信号的 自相关函数可以估计信号的基音。 对于离散的数字语音信号序列，自相关函数定义如下【1 9 】： r ( 足) = x ( m ) x ( m + 后) ( 2 一1 ) 基音检测算法研究及其在方言辨识中的应用 式中，七为信号的延迟点数。对于随机性信号序列或周期性信号序列， 自相关函数定义为 r ( 七) = 熙熹萎工( m ) x ( m + 七) ( 2 - 2 ) 自相关函数具有以下的性质：如果序列工( 刀) 具有周期以，则其白相 关也是同周期的周期函数。即： z ( ，z ) = x ( 刀+ p ) ( 2 3 ) 则： r ( 七) = 尺( 七+ 以) ( 2 4 ) 清音信号没有周期性，它的自相关函数没有周期，也没有明显的 峰值出现，尺( 七) 会随着七的增大迅速的衰减；浊音信号具有准周期性， 它的自相关函数尺( 后) 具有与后相同的周期，自相关函数在基音周期的 整数倍位置上出现峰值。根据这个性质可以判断一个语音信号是清音 还是浊音，还可以判断浊音的基音周期。自相关法基音检测正是利用 尺( 尼) 的这一性质对语音信号进行基音检测的。 仿真实验所用的原始语音是男声普通话“湖南师范大学”，采样频 率为8 舭，单声道录音，精度为8 b i t ( 注：本章仿真均采用该语音 材料) 。在这里我们采用汉明窗，帧长取2 4 0 个采样点，对第3 0 帧加 窗处理。原始语音信号波形如图2 1 ，检测结果如图2 2 所示。 硕士学位论文 己 斟 坚 恺 罂 葚 1 皿 图2 一l 语音信号的时域波形 蓄2 0 枨 盖。 采样点数，个 阳) 输入语音帻 基音检测算法研究及其在方言辨识中的应用 第一个峰值的位置来估算。因此该语音信号对应的基音频率为： z ( 6 l 一1 ) = z 6 0 = 8 0 0 0 6 0 = 1 3 3 3 3 日z 。而位于第2 1 、4 l 等样本处的峰 值与相应于基频时的峰值相差不大，可能将其误认为基音，我们可以 采用对语音信号进行预处理以去除声道响应的影响及其它带来扰乱 的特征。 语音信号的低幅度部分包含大量的共振峰信息，高幅度部分包含 大量的基音信息。因此，任何削减或者抑制语音低幅度部分的非线性 处理都会是自相关函数的性能得到改善【。中心削波法是一种使用中 心削波函数进行非线性处理的方法，用以削除语音信号的低幅度部 分，中心削波函数如公式( 2 5 ) 所示： fs g ) 一当s g ) q y g ) = c g ) = o当p g ) i c i ( 2 - 5 ) 【s g ) + 三当s ( 起) ，= l 式中：k 为循环变量；名为学习率。任意给定一组初始值心( 0 ) ，可按 上述递推公式对线性预测系数进行计算，直至满足收敛条件。 3 4 倒谱分析 倒谱定义为信号短时振幅谱的对数傅里叶反变换，具有可近似地 分离并能提取出频谱包络信息和细微结构信息的特点【3 0 ，3 1 1 。 倒谱基音检测流程如图3 1 所示：a 为短时信号；b 为最佳预测 系数q ；c 为预测误差信号；d 为短时频谱；e 为对数频谱；f 为倒 硕士学位论文 谱系数；g 为对数频谱包络；h 为基音周期。 时间窗 旦周甚l p f 囝 i 。j三国旦圊一涸一忸t 型呻掣 倒谱窗 图3 - 1 基音检测流程图 3 5 实验结果与分析 通过对基音检测原理的分析，考虑到检测准确度和速率等方面的 因素，提出了算法实现方案，并对算法进行了m a t l a b 编程实现。 其基本思想是：首先利用前置低通滤波器滤掉语音信号的噪声干扰和 高频信息，再分帧加窗，对分帧信号采用预测神经元模型进行线性预 测分析，获取最佳线性预测系数，然后利用最佳预测系数构造逆滤波 器，将分帧语音通过逆滤波器，得到线性预测误差信号，最后对其进 行倒谱分析，在恰当的范围里寻求最大峰值，找出一对超过一定门限 的样值，则它们之间的间隔可以确定为基音周期。 为了验证本文所提出算法的有效性，仿真实验所用的原始语音是 男声普通话“湖南师范大学”，采样频率为8 k h z ，精度为8 b i t 。在这 里我们采用汉明窗，帧长取2 5 6 个采样点，对第3 0 帧进行加窗处理， l p c 分析为l5 阶。图3 2 为原始语音，图3 3 为加入均匀白噪声后 使其信噪比为s r _ 3 d b 的语音波形。 基音检测算法研究及其在方言辨识中的应 己 剖 馨 图3 2 原始语音的时域波形 1 o5 萎 。 粤 m5 ， - li j l 。 盯_ r r l 下1 o24b8 采样点数，个 x 1 一 图3 3s n r l 3 d b 下的语音波形 加噪语音预测和预测误差波形如图3 4 所示。图3 5 为加噪语音 和加噪语音预测结果的语谱图。通过观察可发现，预测语音和加噪语 音的频率非常地接近，也就是说我们通过预测神经元模型获得了比较 好的预测效果。 o4 o2 茎 o m2弛 f 一一 o2 0 1 刨 0 馨_ 0 1 o2 - o3 采样点数，个采样点数，个 ( a ) 加噪语音预测波形( b ) 加噪语音预测误差波形 图3 _ 4 加噪语音预测和预测误差渡形 ；i 艘；i 豳 ( a ) 加噪语音语谱图( b ) 加噪语音预测结果的语谱图 同3 5 加噪语音和预测语音的语潜图 我们将由此获得的最佳预测系数n ，构成逆滤波器，将分帧加噪语 硕士学位论文 音输入，输出预测语音误差信号，通过倒谱分析得到倒谱波形如图 3 6 所示。 刨 罂 熟 匿 堪 罂 躲 霹 采样点数，个 图3 6 线性预测误差信号的倒谱 ：il i r 帅p 州j闳 一 f _ h 日j 、 ”叶叶? 一一一一一1 i i 一一一l 一一一一一一广 05 01 0 01 5 02 0 02 5 03 0 0 采样点数，个 图3 7 原始语音信号的倒谱 2 0 蜊2 1 c 丑 塞一4 击 8 i i ，一，- “ _ p _ - 州 1 、，、，j j 。 i 0 5 01 0 01 5 0 2 0 0 2 5 03 0 0 采样点数，个 图3 8 加噪语音信号的倒谱 5 0 5 1 5 0 旬 0 基音检测算法研究及其在方言辨识中的应用 图3 7 、图3 8 分别为原始语音和加噪语音的倒谱