基于自相关函数最大值的语音端点检测方法

合集下载

一种基于相对自相关序列的语音端点检测法

ｃｍｐｒｓｎ；ｐｅｈｅｄｏｎｅｅｔｎｏａｏｓｅｃｎｐｉｔｔｃｉｉｄｏ
上．提出了一种基于相对自相关序列的端点检测技
１引言
端点作为语音分割的重要特征，端点检测准确与否直接影响到语音识别率的高低，因此在噪声的情形
ｉｓｂｔｕｅｏｈｒ— ｍｅａｅａｅｔｒｓｏｄｃｏｓｎａｅＥｐｒｍｅｔｓｏｔａｈｃｕａｙｏｓｕｓｉｔｄｆｒｓｏｔｖｒｇｈｅｈｌ — ｒｓｉｇｒｔ．ｘｅｔｔｉｉｎｓｈｗｈｔｔｅａｃｒｃｆｅｄｏｎｅｅｔｎｉｏｓｄｒｂｙｈｇｅｈｎｔａｂａｎｄｗｉｈｏｖｎｉｎｔｏｆｄｕｌｎｐｉｔｄｔｃｉｓｃｎｉｅａｌｉｈｒｔａｈｔｏｔｉｅｔｔｅｃｎｅｔａｍｅｈｄｏｏｂｅｏｈｏｌ
ＲＳ的基础上，出了一种基于相对自相关序列的语音信号的端点检测算法。该方法利用相对自相关算法能够消除Ａ）提噪声的原理，以语音信号相对自相关序列短时平均幅度代替双门限比较法中的语音信号短时平均幅度，语音信号以短时平均幅度代替语音信号的短时平均过门限率，验表明，低信噪比下检测精度要高于传统的双门限比较法。实在

几种语音端点检测方法简介

３基于小波变换的端点检测方法、定声音的端点的。而且双门限方法不具备抗噪能力。利用小波变换进行语音端点检测的算法为：基于自相关极大值的检测法能够很准确地检测出（）１首先，将语音数据进行（６／分帧处理，帧语音的端点，将纯高斯噪声段和含语音信号段分辨出１ｍｓ帧）分来。当信嗓比比较高时，运用能量端点检测方法可以分后各段帧数据Ｘ（、： … …ｘ（）其中，括（ｍｓＸ（ｍ）ｍ）ｍ，包４）辨出含语音信号段与纯高斯噪声段，如输入信嗓比为的帧移数据处理。
福建电
脑
２１０１年第１期１
号和高斯白噪声信号的自相关函数准显然，如果信号ｘ主要由背景白噪声组成，么，（ｍ）那由于噪声的 “ 谱性质，个能量序列应该近似为一白” 这个常数序列，方差近似为零。如果信号ｘｍ主要由语其（）音组成，么，个能量序列是一个数值变化的序列，那这其方差不会近似为零。如果信号ｘ主要由白色噪声（ｍ１（Ｉ）带嗓语罾籽一化自榴关高斯自噪声期一化自相关和语音组成，么，不论白色噪声能量有多大，那由于语西数经过低通滤波后的波澎疆荫藏经蛙低遁滤波后的波形躅音的存在，个能量序列依然是一个数值变化的序列，这图１带嗓语音和高斯白嗓声的归一化自相关函数经过其方差不会近似为零。低通滤波后的波形图（）４根据上述思想，计算每帧小波变换后的语音数通过上面两个波形图的观察．可以得出这样的推据Ｘ（）ｍ的方差，果方差大于门限值 ‘ 那么即认为这如Ｐ，论：带嗓语音信号的归一化自相关函数经过低通滤波帧之后的语音数据为有效的语音数据，记为起始

基于自相关最大值和过门限率的语音端点检测

基于自相关最大值和过门限率的语音端点检测席大林;李如玮;陈海龙【摘要】语音处理中,在噪声环境尤其是在非平稳噪音环境下进行端点检测是很困难的.在低信噪比的情况下,传统用于端点检测的特征参数不能充分描述语音信号的特征,导致端点检测的效果严重退化.为此,笔者从语音信号的时域或频域出发,提出了一种把短时自相关函数最大值和短时过门限率相结合的方法.实验表明,该方法弥补了自相关函数最大值方法和过零率的不足,提高了语音端点检测的性能.【期刊名称】《电声技术》【年(卷),期】2010(034)004【总页数】6页(P53-57,66)【关键词】自相关;过零率;过门限率【作者】席大林;李如玮;陈海龙【作者单位】北京工业大学,电子信息与控制工程学院,北京,100124;北京工业大学,电子信息与控制工程学院,北京,100124;北京航空航天大学,电子信息工程学院,北京,100080【正文语种】中文【中图分类】TN9121 引言语音端点检测是从含噪语音信号中准确地判断出语音的起点和终点。

语音端点检测在语音处理中有非常重要的作用，如移动通信系统语音终端中的语音激活检测（VAD），即是采用端点检测技术来减少发射功率并节省信道资源；语音编码中采用该技术，并对无音片段和有音片段按不同的码率编码，有助于进一步降低语音的传输码率；语音识别时，特别是孤立词识别系统中，准确检测每个词的起点和终点对于模板匹配并提高识别率相当重要。

但在噪声多变的环境中，由于噪声的特征不断变化，语音的特征易被噪声掩盖，导致端点检测的性能下降。

为此，文献[1]提出了一种可适应多种噪声环境基于短时能量的端点检测方法，但该方法对噪声变化较敏感；基于短时过零率[2]的方法对不同噪声的效果不同；基于谱能量[3]的端点检测算法具有时延并且计算复杂度高；为了提高算法的鲁棒性，文献[4-5]考虑到浊音的周期特征不易受到噪声影响，把信号能量与浊音特征结合起来，但该算法难以跟踪突变噪声，并且因其需要通过检测基频而搜索浊音，容易受到基音倍频的干扰；而在LPC系数法[6]和LPC预测误差法[7]中，LPC系数能成功检测到元音，但却不合适鼻音和摩擦音，同时也易受到噪声的干扰；文献[8]则将语音的能量与倒谱特征结合起来，在稳定噪声环境中取得了较好效果，但也难以适应噪声能量的突变。

本科毕业论文-—语音端点检测算法的研究及matla程序仿真与实现

摘要摘要语音端点检测是指从一段语音信号中准确的找出语音信号的起始点和结束点，它的目的是为了使有效的语音信号和无用的噪声信号得以分离，因此在语音识别、语音增强、语音编码、回声抵消等系统中得到广泛应用。

目前端点检测方法大体上可以分成两类，一类是基于阈值的方法，该方法根据语音信号和噪声信号的不同特征，提取每一段语音信号的特征，然后把这些特征值与设定的阈值进行比较，从而达到语音端点检测的目的，该方法原理简单，运算方便，所以被人们广泛使用，本文主要对基于阀值的方法进行研究。

另一类方法是基于模式识别的方法，需要估计语音信号和噪声信号的模型参数来进行检测。

由于基于模式识别的方法自身复杂度高，运算量大，因此很难被人们应用到实时语音信号系统中去。

端点检测在语音信号处理中占有十分重要的地位，直接影响着系统的性能。

本文首先对语音信号进行简单的时域分析，其次利用短时能量和过零率算法、倒谱算法、谱熵算法进行语音端点检测，并对这几种算法进行端点检测，并进行实验分析。

本文首先分别用各算法对原始语音信号进行端点检测，并对各算法检测结果进行分析和比较。

其次再对语音信号加噪，对不同信噪比值进行端点检测，分析比较各算法在不同信噪比下的端点检测结果，实验结果表明谱熵算法语音端点检测结果比其他两种方法好。

关键词语音端点检测；语音信号处理；短时能量和过零率；倒谱；谱熵IAbstractEndpoint detection is a voice signal from the accurate speech signal to the identify start and the end points, the purpose is to enable to separated the effective voice signals and un-useful noise. So, in the speech recognition system, speech enhancement, speech coding, echo cancellation and other systems are widely used.In Current the endpoint detection can be roughly divided into two categories, one is based on the threshold method based on the different characteristics of speech signal and the noise signals, a voice signal for each extracted feature, and then set the values of these thresholds compare with the values to achieve the endpoint detection purposes, This method is simple, it convenient operation, it is widely used, the main in this paper is based on the method of threshold method. Another method is based on the method of pattern recognition , it needs to estimate the speech signal and the noise signal model parameters were detected. Because is based on the method of pattern recognition and high self-complexity, a large amount of computation, so it is difficult to be use in real-time voice signal system for people.The Endpoint detection is take a very important position in the speech recognition, it directly affects the performance of the system. In this article first domain analysis in simple speech signal time, than dual threshold algorithm, cepstrum algorithm, spectral entropy algorithm for endpoint detection, and these types of endpoint detection algorithms, and experimental analysis points. Firstly, the algorithm were used to the original speech signal detection, and the algorithm to analyze and compare results. Secondly, the speech signal and then adding noise, SNR values for different endpoint detection, analysis and comparison of various algorithms under different SNR endpoint detection results, experimental results show that the spectral entropy of speech endpoint detectionIIalgorithm results better than the other two methods.Keywords voice activity detection;Signal processing; Average energy use of short-term and short-time average zero-crossing rat; cepstrum; spectral entropyIII毕业设计（论文）原创性声明和使用授权说明原创性声明本人郑重承诺：所呈交的毕业设计（论文），是我个人在指导教师的指导下进行的研究工作及取得的成果。

机器语音中的语音端点检测算法研究

机器语音中的语音端点检测算法研究近年来，机器语音技术发展迅猛，已经逐渐渗透到我们日常生活的各个领域中。

例如语音交互、智能家居、语音识别等等领域中，机器语音的应用正在不断增多。

然而在机器语音技术的应用中，一个重要的问题就是语音的端点检测。

本文将围绕机器语音中的语音端点检测算法进行研究，分析其基本原理和现状。

一、语音端点检测的基本原理语音信号是一种时间序列信号，在应用中，我们需要找到有意义的语音部分而忽略掉无意义的部分，从而进行后续的处理。

语音端点检测就是将语音信号分割成有意义的部分和无意义的部分。

在语音信号中，一段连续的语音信号通常由语音信号模板（speech model）和音频背景模板（noise model）混合组成，语音端点检测算法的主要任务就是找到这些分割点。

通常，语音端点检测算法的流程包含以下几个步骤：1、特征提取 - 通过信号处理方法从音频信号中提取有代表性的特征。

特征通常是一些频率特征，用于区分语音信号和非语音信号。

2、特征处理 - 对提取到的特征进行处理，以便更好地区分语音信号和非语音信号。

3、检测算法 - 通过特定算法对特征进行分析和检测，以找出语音信号的起始和终止点。

二、语音端点检测算法的现状语音端点检测算法近年来已经取得了很好的进展，并且应用领域广泛。

在实际应用中，我们经常会面临源自噪音、强唱、机器干扰等各种各样的问题。

为了解决这些问题，研究人员提出了很多不同的语音端点检测算法。

1、基于能量方法的语音端点检测算法最简单的端点检测算法就是能量检测法。

这种检测法通过计算语音信号的平均功率、放大声音强度或计算总体能量等方式来达到分辨语音信号和噪音的效果。

不过，这种算法很容易出现误判。

2、基于短时帧能量的语音端点检测算法为了能够更准确地检测语音端点，研究人员提出了基于短时帧能量的方法。

这种方法分析语音信号中的每一帧并计算每帧的平均功率，根据信号幅值阈值来启动信号检测。

这种方法常用于识别口语较清晰的场景。

语音端点检测方法

评估指标
评估指标包括准确率、召回率、F1得分等。准确率是指模型正确预测的样本数占总样本数的比例；召回率是指模型正确预测的正样本数占所有正样本数的比例；F1得分是准确率和召回率的调和平均数。
实验结果展示与分析
实验结果展示
实验结果展示包括混淆矩阵、ROC曲线、PR曲线等。混淆矩阵可以展示模型对不同类别的预测结果；ROC曲线可以展示模型在不同阈值下的敏感度和特异度；PR曲线可以展示模型在不同阈值下的精度和召回率。
双向长短期记忆网络（Bi-LSTM）是一种结合了前向和后向LSTM的神经网络，可以同时从前向和后向两个方向对语音信号进行建模，从而更全面地考虑到语音信号中的时序变化。
ห้องสมุดไป่ตู้
基于卷积神经网络的语音端点检测
01
卷积神经网络（CNN）是一种适用于图像和序列数据的神经网络，可以有效地处理局部依赖的数据。在语音端点检测中，它可以对语音信号的局部特征进行建模，从而识别出语音的起始和结束点。
重要性
语音端点检测是语音信号处理中的关键技术之一，对于语音识别、语音合成、语音增强等应用具有重要意义。
语音端点检测的应用领域
语音识别
语音端点检测可以用于确定语音识别的起始和结束位置，提高语音识别的准确
性和效率。
语音增强
语音端点检测可以用于去除背景噪声、回声等干扰，提高语音信号的质量
。
语音合成
语音端点检测方法
汇报人： 2023-12-21
目录
• 引言 • 语音信号处理基础 • 传统语音端点检测方法 • 基于深度学习的语音端点检测
方法 • 实验设计与结果分析 • 结论与展望
01
引言
语音端点检测的定义与重要性

《基于深度学习的语音端点检测》范文

《基于深度学习的语音端点检测》篇一一、引言随着人工智能技术的不断发展，语音信号处理在许多领域得到了广泛的应用。

其中，语音端点检测（Voice Activity Detection，VAD）是语音信号处理中的一项关键技术。

它主要用于确定语音信号中语音段的起始点和结束点，从而为后续的语音识别、语音合成等任务提供有效信息。

传统的语音端点检测方法往往基于简单的统计模型或者特定的语音特征进行阈值设置，对于复杂环境下的语音信号处理效果并不理想。

近年来，随着深度学习技术的发展，基于深度学习的语音端点检测方法逐渐成为研究热点。

本文旨在探讨基于深度学习的语音端点检测方法，以提高语音信号处理的准确性和鲁棒性。

二、相关工作传统的语音端点检测方法主要包括基于短时能量和过零率的检测方法、基于谱熵的检测方法等。

这些方法通常依赖于特定的语音特征和阈值设置，对于不同环境下的语音信号处理效果不稳定。

近年来，深度学习技术在语音信号处理领域得到了广泛应用，如基于深度神经网络的语音识别、语音合成等。

深度学习技术可以自动提取语音信号中的特征信息，从而提高了语音信号处理的准确性和鲁棒性。

因此，基于深度学习的语音端点检测方法逐渐成为研究热点。

三、基于深度学习的语音端点检测方法本文提出一种基于深度学习的语音端点检测方法。

该方法主要包括以下几个步骤：1. 数据预处理：对原始语音信号进行预处理，包括归一化、分帧等操作。

2. 特征提取：利用深度神经网络自动提取语音信号中的特征信息，如MFCC（Mel Frequency Cepstral Coefficients）等。

3. 模型训练：使用有标签的语音数据训练深度神经网络模型，以学习语音信号中的特征与端点之间的关系。

4. 端点检测：将提取的特征输入到训练好的模型中，得到每个时间点的概率值，从而确定语音段的起始点和结束点。

四、实验与分析本文使用公开的语音数据集进行实验，将基于深度学习的语音端点检测方法与传统的检测方法进行对比分析。

基于短时自相关及过零率的语音端点检测算法

基于短时自相关及过零率的语音端点检测算
法
语音端点检测是计算机语音处理领域的一种常见应用，它主要用于语音识别、拼写校正以及声纹分析等语音处理技术中。

基于短时自相关（Short-Time Auto/orrelation, STAC）和过零率（Zero-Crossing Rate, ZCR）的语音端点检测算法是当前检测语音端点所使用的一种常用方法。

通常情况下，该算法的实现步骤如下：首先，将语音信号拆分为多小片段，每块片段的长度一般以毫秒为单位（通常取20ms），并将片段之间用某种滤波器连接；接着计算每块片段的自相关系数，并在计算结果中检测端点；最后，计算每个片段的ZCR，用相邻两个片段之间的ZCR变化来确定语音端点，其中该变化值还可以决定端点的类型—开始点或结束点。

检测完语音端点后，即可实现对语音信号的分割及识别。

现有的STAC-ZCR算法效果较为理想，其特点是计算量小、易于实现，因此深受人们的欢迎并发展至今。

基于自相关最大值和过门限率的语音端点检测

（．ｃｏｌｆＥｅｔｎｃＩｆｒａｉｎｏｔｌＥｇｅｒｇｅｉｇＵｉｒｉｅｈｏｏｙｅｉ０１４ｈｎ；１ＳｈｏｌｒｉｎｏｍｔｎａｄＣｎｏｎｉｅｎ，ＢｉｎｎｅｓｙｏＴｃｎｌｇ，Ｂｉｎ１０２，Ｃｉａｏｃｏｏｒｎｉｊｖｔｆｊｇ２ＳｈｏｏｌｔｎｎｎｏａｏｎｉｅｒｇｅａｇＵｉｒｉ，Ｂｉｎ０００ｈａ．ｃｏｌｆＥｅｒｉａｄＩｒｔｎＥｇｎｅｎ，Ｂｉｎｎｖｓｙｅｉ１０８，Ｃｉ）ｃｏｃｆｍｉｉｈｅｔｊｇｎ
号的时域或频域出发，出了一种把短时自相关函数最大值和短时过门限率相结合的方法。实验表明，方法弥补提该
了自相关函数最大值方法和过零率的不足，高了语音端点检测的性能。提
ｃｒｅａｉｎｍｅｏｎｅｚｒ－ｒｓｉｇｍｅｈｄＳａｅｐｒｏａｃｅｄｔｃｉｎｉｍｐｏｅ．ｏｒｌｔｔｄａｄｔｅｏｃｏｓｔｏＯｔｔｔｅｆｒｎｅｏｔｅｅｔｓｉｒｖｄｏｈｈｎｈｈｍｆｈｏ
【摘
要】语音处理中，噪声环境尤其是在非平稳噪音环境下进行端点检测是很困难的。在低信噪比的情况下，在
传统用于端点检测的特征参数不能充分描述语音信号的特征，致端点检测的效果严重退化。为此，导笔者从语音信

基于传统能零比和自相关函数主副峰结合的端点检测法

0 引言端点检测是语音信号处理的重要组成部分。

端点检测可以从一段含噪或纯净语音中检测出语音的开始和结束对应的端点。

在语音信号处理的过程中，如果输入信噪比很高，可以用短时能量区分语音段和噪声段，但在低信噪比环境下，仅用短时能量进行端点检测的效果会非常差，所以研究出具备高准确率且鲁棒性好的端点检测算法十分重要，本文首先利用改进的多窗谱减法对语音信号进行降噪，然后对短时能量取对数，然后用对数能量除以自相关函数主副峰值和过零率的乘积。

结果表明，在低信噪比环境下，将对数能量和短时过零率，自相关函数主副峰值结合，该方法可以实现更精确的语音端点检测。

1 改进的多窗谱估计的谱减法1.1 多窗谱估计的谱减法1982年，Thomson 在传统周期图方法的基础上提出了一种多窗谱估计算法。

他的算法是在多个正交数据窗上重复使用同一数据序列，得到与数据相对应的直谱，然后对直谱值进行平均，得到误差和估计方差较小的谱估计。

多窗谱的定义为：1()()L mtmtk k S S ωω−==∑（1）其中L 是数据窗口的数量；S^mt 是第k 个数据窗口的频谱：2()()()mtjn kkS n x n eωωα−=∑ （2）1.2 改进的多窗谱估计谱减法MATLAB 中有调用函数pmtm，该调用函数可以计算多窗谱的功率谱估计密度和增加削减因子，然后将多窗谱之间相减，从而降低噪声影响，得到语音信号的增强。

谱减流程如下：（1）设带有噪声的语音信号为X （n）,在通过预处理过后,可以得到语音信号Xi(m)。

（2）将语音信号Xi(m)进行傅里叶变换,得到了振幅谱|Xi （k）|和相位谱θI （k），并对2M+1相邻帧进行了平滑处methods can accurately detect speech endpoint in high SNR environment,but in the case of low SNR,the traditional feature parameters for endpoint detection can not fully describe the characteristics of speech signal This leads to serious degradation of the effect of endpoint detection，Therefore,this paper proposes an improved multi window spectral subtraction denoising and median filtering to reduce the fluctuation of no speech segment in low SNR environment.After that,the endpoint detection method combines logarithmic energy,zero crossing rate and the ratio of main and secondary peaks of autocorrelation function.The experiment shows that the method has better accuracy and robustness than the traditional detection methods,and it has better accuracy and robustness in low SNR environment Good results of endpoint detection are obtained.Keywords:endpoint detection ；improved multi window spectral subtraction ；short-term average energy ；autocorrelation function ；ratio of main and secondary peaks11()(,)NSn yi P k P k i NIS==∑（6）（6）谱减关系计算增益因子。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

检测。
语音信号是非平稳过程，时变的，是但语音信号具
有短时的平稳性，用短时白相关函数，音信号采语ｓｎ的短时自相关函数尺（定义为（））
，— １ｖｋ
Ｒ（＝）（）∑ｓｎ＋）（ｓｎ
语音端点检测是数字语音处理的重要环节嘲语音识别。过程中需要进行起止点的判决，语音增强算法要求从含噪语音中提取噪声进行统计，音编码可利用 “ 语语音
它的自相关函数也具有周期性，并且周期和信号的周期相同，因此可通过语音信号的白相关函数进行端点
【ｅｒｓｎｐｉｔｄｔｃｏ；ａｔｃｒｌｉ；ｌｐｓｆｅＫｙｗｏｄ】ｅｄｏｎｅｅｔｎｕｏｏｒａｏｏａｓｉｒｉｅｔ检测就是检测语音信号的的起点和终点，因此也叫起止点识别ｌ其目的是要在一段输入信】＿，号中将语音信号同其他信号（背景噪声）离开来。如分
【ｓｒｃ】ＯｉｇｔｈｉｔｔｎｉｈｐｌａｏｆｔｅｅｄｏｎｄｔｔｎｍｔｏａｅｎｔｈｒｅｅｇＡｂｔａｔｗｎｏｔｅｌａｉｎｔｅａｐｉｔｎｏｈｎｐｉｔｅｃｉｅｄｂｓｄｏｈｓｏｔｎｒｙｍｉｏｃｉｅｏｈｅ
ｏｉｄｎＭａｋｖｍｏｅ，ａｅｍｅｈｄｂｓｄｎｔｅｍａｉｍｆａｔｃｒｌｔｎｆｎｔｎｉｕｏｗａｄＴｅｒｈｄｅｒｏｄｌｎｗｔｏａｅｏｈｘｍｕｏｕｏｏｒａｉｕｃｉｓｐｔｆｒｒ．ｅｏｏｈｐｒｏｆｓｎｎｎｓｎｔａｔｃｒｅａｉｎｆｎｔｎｃａａｔｒｔｓｆｒａｔｅｒｅａｉｎｆｎｔｎｉｒｄｔｒｕｈｅｄｏｏａｔａｄｏａａｓｕｏｏｒｌｔｕｃｉｈｒｃｅｓｉａｔｕｏｏｒｌｔｕｃｉｆｅｈｏｇａｉｏｏｉｃｅｏｏｈｅｌｗａｓａｅｓｕｉｄｒｅｅｐｒｎａｅｕｔｓｏｈｔｔｉｔｏｃｎｄｔｃｈｏｃｎｐｉｔｅａｔｖｎｎｆｏｐｓｒｔｄｅ．｜ｘｅｉｈｍｅｔｌｒｓｌｈｗｔａｈｓｍｅｈｄａｅｅｔｔｅｖｉｅｅｄｏｎｘｃｌｅｅｉｓｙｌｌｗＮＲｎｉｎｎ．ｏＳｅｖｒｍｅｔｏ
ｎ０＝
插空” 来增加信道容量。因此，只有准确地判定语音信
号的端点，才能正确地进行语音处理。
其中，Ｓ表示加窗后的语音信号；为语音帧长度。Ｎ
Ｒ
…
对“ 纯净 ” 语音信号进行语音端点检测较有效的方法有过零率、短时能量，以及零能积（即过零率与短时能量的乘积）等。但对含噪语音信号进行语音端点检测时，发现这些方法都失去了原有的效果，均不能正确判
定和检测噪声环境下的语音端点，尤其是低信噪比和被宽带噪声污染过的语音中。根据浊音的周期性，笔者提出了一种基于自相关函数最大值的端点检测方法。
ＬＵＳｕｈａＵＱａｇＩｕｎｆ，ＬＡＧＬｎＩｈ－ｕ，Ｈｉ，ＱＮＴａ－ａＩＮｉｎ
（ｏｌｇｆＣｍｐｔｒａｄＥｅｔｎｃＩｆｒｔｎＧｕｎｘｉｅｓｔ，Ｎａｎｎ３０４，ＣｈｎＣｌｅｏｏｕｅｎｌｃｒｉｎｏｍａｉ，ｅｏｏａｇｉＵｎｖｒｉｙｎｉｇ５００ｉａ）
批注本地保存成功开通会员云端永久保存去开通
维普资讯
语音技术（、ｎ ⑥６＠＠腩 ⑥ ⑥ ＠＠响０Ｕ
文章编号：Ｏ２８８（０６１－０７０１０ — ６４２０）２０４ — ４
基于自相关函数最大值的语音端点检测方法论文－
・
刘淑华，胡强，覃团发，粱琳
（西大学计算机与电子信息学院，广西南宁５００）广３０４
【摘要】基于短时能量和隐马尔夫模型端点检测方法都有一定的局限性，笔者通过研究浊音的周期性及其自相
关函数通过低通滤波器后的特性，出了基于自相关函数最大值的语音端点检测算法，提实验结果表明，即使在较低
信噪比情况下采用该算法仍能较准确地检测出语音信号的端点位置。
【关键词】端点检测；自相关；低通滤波器
【中图分类号】Ｔ９２Ｎ１【文献标识码】Ａ
ＡｅｈｄｏｈｅＶｏｃｄｏｎｔｃｏｓｄｏａｉｍｆＡｕｔｃｒｅａｉｎＦｎｔｎＭｔｏｆｔｉｅＥｎｐｉｔＤｅｅｔｎＢａｅｎＭｘｍｕｉｏｏｏｒｌｔｏｕｃｏｉ