噪声环境下语音信号端点检测算法的研究与改进

合集下载

噪声环境下语音多子带端点检测方法

ＬＮＸｉｇｕ．ＸＩＩｎｈａＡＯＸｉ
（ｅａｔｅｔｏｌｃｏｉＥｇｅｒｇｓｇｕｎｖｒｉ，Ｂｉｎ００４ｈｎ）ＤｐｒｎｆＥｅｔｎｃｎｉｅｎ，ＴｉｈａＵｉｓｙｅｉｇ１０８，Ｃｉａｍｒｎｉｎｅｔｊ
音的过零率特征参数受到噪声干扰，相较于无噪声环
语音信号具有较大的冗余度，现之一就是语宅表
匡堕筮型生鲞Ｑ妻篓】笾簋塑簋
语音技术
⑥６＠可＠响 ⑨⑨ ＝＠＠响０＼『
声的特点，将语音信号划分为６子带。低频信号的个
掰［二＝＝
３多子相结合的双门限端点检测算
法进行语音端点检ｉ的结果。此时，检ｉ效果较为贝０其贝０
理想。图２是信噪比（ｉｎｌｔ— ｏｅａｏＳＲ）ＳｇａｏＮｉｔ，Ｎ为 — ｓＲｉ２Ｂ的噪声环境下双门限算法的检测结果，Ｏｄ因为语
境的检测结果，效果就相对差了一些，３ＳＦ其图是Ｎ为５ｄＢ的噪声环境下的双门限端点检测结果，因为行端点判决的两个参数特征：量和过零率都被啄能声严重污染，以双门限法在强噪声的环境下端所
【ｓａｔｎｏｄｒｔｖｒｏｅｔｅｓｏｔｏｉｇｏｈｒｄｔｎｌｓｅｃｎｐｉｔｄｔｔｎａｏｔｍｉｏｓＡｂｔｃ】Ｉｒｅｏｏｅｃｍｈｈｒｍｎｆｔｅｔｉｏａｐｅｈｅｄｏｎｓｅｃｉｌｒｈｎｎｉｒｃａｉｅｏｇｉｙ

语音信号去噪算法改进与优化

语音信号去噪算法改进与优化在现代通信和语音处理领域，语音信号去噪算法是一个非常重要的研究方向。

语音信号在传输和采集过程中，会受到各种干扰噪音的影响，这些噪音会导致语音信号的质量下降，从而影响人们的理解和交流。

因此，如何有效地去掉语音信号中的噪音，提高语音信号的质量和清晰度，一直是这个领域研究的重点之一。

目前已经有很多算法被提出来用于语音信号去噪，如基于频域分析和改进的时域分析等方法。

这些方法的核心思想是尽可能完整地提取和利用语音信号的特征信息，减少噪音对人们的干扰。

同时，这些算法也存在着很多缺陷和限制，比如容易出现音频畸变，处理速度慢，难以适应多样化的信号环境等问题。

要想进一步提高语音信号去噪算法的效果，我们需要从算法本身的角度出发，对其进行改进和优化。

具体来说，可以从以下几个方面入手：1. 优化算法的设计思路和流程。

语音信号处理是一个复杂的过程，其中包含多个环节和步骤。

因此，如果想要提高语音信号去噪算法的效果，首先就需要考虑算法的整体设计思路和流程是否严谨和高效。

可能需要对整个算法流程进行优化和改进，从而实现对语音信号的更准确和更细致的处理。

2. 改善信号预处理和特征提取的方式。

语音信号去噪算法的核心在于提取和利用语音信号的特征信息。

因此，信号预处理和特征提取的方式将对于算法的效果起到至关重要的作用。

目前有一些新的预处理和特征提取方法正在被研究和开发，比如基于深度学习的自编码器和卷积神经网络等方法。

这些新方法可以根据数据自动学习到更准确和更适用于语音信号的特征表示，从而提高去噪的效果。

3. 采用更高效的处理模型和算法。

随着计算机技术的发展和深度学习算法的出现，人工智能技术在语音信号处理中的应用也越来越广泛。

近年来，一些基于深度学习的语音信号去噪算法也被提出，比如基于RNN, WaveNet算法和近年来的GARPNet等。

这些算法可以自动地学习数据之间的相关性和通用性，从而实现更高质量和更高效率的语音信号去噪。

语音信号中的噪声抑制算法改进

语音信号中的噪声抑制算法改进一、语音信号与噪声抑制算法概述语音信号是人类交流中重要的信息载体，然而在实际环境中，语音信号往往会受到各种噪声的干扰。

这些噪声可能来自于环境背景音，如机器运转声、风声、雨声等，也可能来自于通信设备自身的电子噪声等。

噪声的存在严重影响了语音信号的质量和可懂度，因此研究有效的噪声抑制算法具有重要意义。

语音信号处理涉及到多个环节，而噪声抑制是其中关键的一环。

传统的噪声抑制算法基于多种原理和方法。

例如，基于滤波器的方法，通过设计合适的滤波器来滤除噪声频段。

其中，最简单的是高通滤波器和低通滤波器，高通滤波器可以滤除低频噪声，低通滤波器则可以滤除高频噪声。

然而，这种简单的滤波器在实际应用中存在局限性，因为语音信号的频率成分较为复杂，单纯的高通或低通滤波可能会同时滤除语音信号中的有用成分。

另一种常见的方法是基于频谱减法的算法。

这种算法的基本思想是估计出噪声的频谱，然后从含噪语音的频谱中减去噪声频谱，从而得到纯净语音的频谱。

但是，频谱减法在实际应用中面临着一些问题。

首先，准确估计噪声频谱是一个挑战，尤其是在噪声是非平稳的情况下。

其次，频谱减法可能会引入“音乐噪声”，即在处理后的语音中出现一种类似音乐音调的噪声，这严重影响了语音质量。

还有基于自适应滤波的算法。

自适应滤波算法能够根据输入信号的变化自动调整滤波器的参数，以适应不同的噪声环境。

它通过不断地更新滤波器的权值来最小化输出信号与期望信号之间的误差。

然而，自适应滤波算法的计算复杂度较高，并且在某些复杂的噪声环境下，可能无法快速有效地收敛到最优解。

二、现有噪声抑制算法存在的问题1. 噪声估计不准确在噪声抑制算法中，准确估计噪声是至关重要的。

但在实际情况中，噪声往往具有非平稳性，其特性随时间和环境不断变化。

例如，在一个嘈杂的工厂环境中，机器的运行状态可能会不断改变，从而导致噪声的频率成分和强度发生变化。

现有的算法在处理这种非平稳噪声时，往往难以准确地跟踪噪声的变化，从而导致噪声估计误差较大。

噪声背景下语音端点检测方法的研究

噪声背景下语音端点检测方法的研究摘要:在实际环境中,并没有完全纯净的语音信号,一段语音信号往往都伴有噪声信号,所以研究在背景噪声环境中的语音端点检测更为重要。

常用的短时过零率法、短时能量法以及双门限法都存在着一个共同的问题,即对信噪比要求较高。

为了解决这一问题我们提出了一改进算法,即基于谱减法思想的语音端点检测的方法,有效的提高检测的正确率。

关键词:端点检测噪声短时能量短时过零率谱减法1、引言语音端点检测是指用计算机数字处理技术来找出语音信号中的字或词等的起点和终点这俩个端点。

作为语音识别的前端,准确的端点检测可以提高识别的准确率。

语音端点检测的困难在于一段信号中的无声段或者录制一段语音段的前后人为呼吸等产生的杂音、语音开始处的弱摩擦音或弱爆破音以及终点处的鼻音,这些使得语音的端点需要综合利用语音的各种信号特征,从而确保定位的精确性,避免包含噪音信号和丢失语音信号。

常用语音端点检测法有短时过零率法、短时能量法以及双门限法。

但是对于信噪比要求较高,所以本文提出了一种基于谱减法思想的语音端点检测算法,提高语音端点检测的正确率。

2、语音端点检测方法常用方法中的短时能量法,语音和噪声的区别可以体现在它们的能量上,语音段的能量与噪声段能量相比,要大于噪声段的能量,因此可以以此为依据进行检测;短时过零率法,短时过零率可以区别语音是清音还是浊音[1,2],因此它可以从背景噪声中找出语音信号;传统双门限比较法,首先为短时能量和过零率分别确定两个门限,较低的门限对信号的变化比较敏感,较高的门限是用来确定进入语音段。

当低门限被超过时,未必是语音的开始而很有可能是由很小的噪声所引起的波动,但当高门限被超过并且在接下来的时间段内一直超过低门限时,则意味着语音信号的开始[3]。

但是上述三种方法在低信噪比时检测效果就不是很理想了。

因此我们提出了一种改进算法。

3、基于谱减法思想的语音端点检测算法的研究3.1 谱减法概述由于语音生成模型是低速率语音编码的基础,当语音受到噪声干扰时,提取的模型参数将很不准确,重建的语音质量急剧恶化。

低信噪比环境下改进的语音端点检测算法

低信噪比环境下改进的语音端点检测算法董胡【期刊名称】《计算机技术与发展》【年(卷),期】2016(026)003【摘要】Endpoint detection has a very important role in speech recognition,its accuracy will directly affect the accuracy of speech recog-nition system. In order to improve the accuracy of speech endpoint detection under low SNR environment,an endpoint detection algorithm based on spectral subtraction of multitaper spectrum estimation and spectral entropy is proposed. Firstly,it uses improved spectral subtrac-tion of multitaper spectrum estimation to denoise speech signal in order to improve signal to noise ratio,and then it utilizes energy-entro-py-ratio algorithm to make endpoint detection for speech signal denoised. Simulation experiment results show that compared with com-mon endpoint detection algorithm,this algorithm has good endpoint detection accuracy and certain robustness in low SNR environment. It proves the effectiveness of the proposed algorithm.%端点检测在语音识别中具有非常重要的作用，其准确性将直接影响语音识别系统的正确率。

低信噪比条件下的语音端点检测与增强

低信噪比条件下的语音端点检测与增强1 引言语音作为语言的声学表现，是听觉器官对外界声音传播介质机械振动的感知，是人类信息传递和情感交流的重要载体。

目前，语音处理技术要求语音输入在安静的环境下进行，当周围环境有噪声时，系统性能会急剧下降。

然而，语音通信过程不可避免地受到来自周围环境、传播介质等噪声的影响。

语音增强是解决噪声污染的一种有效方法，是语音处理领域的重要组成部分，广泛应用于语音识别和语音编码等数字语音系统中。

由于几乎不可能从带噪语音信号中提取纯净语音，语音增强主要是改善语音质量，消除背景噪声，提高清晰度和可懂度，使人乐于接受［1］。

针对加性宽带噪声研究，当前国内外语音增强的主要算法有频谱相减法、自相关法、谐波增强法、自适应噪声对消法、小波变换法、听觉掩蔽法、基于语音生成模型增强算法以及基于短时谱幅度估计算法，其中广泛使用的主要是谱减法及其变体。

谱减法简单，运算量小，实时性强，增强效果较好；缺点为仅从信噪比角度改善语音质量，另外引入了音乐噪声［2］。

小波分解法和听觉掩蔽法是人们研究的热点，听觉掩蔽法尚处于研究的初级阶段。

人耳能掩蔽语音信号中能量较小的噪声，使得部分噪声不为人们感知［3］。

结合人耳听觉掩蔽效应，笔者提出了改进型的谱减法，对语音增强算法中相关参数进行动态调整，有效抑制了音乐噪声，提高了语音质量。

语音端点检测将采集的语音信号分为纯噪声段和带噪语音段，判断各语音片段的起止点，是语音增强算法和语音编码的重要组成部分之一。

在语音识别过程中，正确确定语音段的起止端点，可减少计算量和语音识别误判率。

目前，普遍采用的语音端点检测方法，如利用频域短时能量检测方法，在低信噪比条件下，结果令人难以接受。

笔者提出的采用混沌振子模型有效解决了低信噪比环境下语音端点检测问题。

2 预备知识2．1混沌理论1963年，美国气象学家E．Lorenz在《大气科学》杂志上发文指出，在气候不能精确重演与长期天气预报无能为力之间存在一种必然联系，还认为一连串事件可能有一个临界点，在这一点上，小的变化可产生大的变化。

低信噪比下的语音端点检测算法研究

低信噪比下的语音端点检测算法研究随着语音信号处理技术的不断发展和广泛应用，低信噪比下的语音端点检测算法变得尤为重要。

在低信噪比环境中，语音信号通常被噪声所掩盖，导致难以准确地检测语音端点。

因此，研究提高低信噪比下的语音端点检测算法，具有极大的实用价值。

基于能量的方法是一种简单有效的低信噪比语音端点检测算法。

其基本思想是通过对语音信号能量进行分析来判断语音的开始和结束位置。

该方法的一种常见算法是短时能量法。

该方法首先对输入语音信号进行分帧处理，并计算每帧的短时能量值。

然后，通过设置一个合适的能量阈值，将能量超过阈值的帧判定为语音信号的开始和结束。

尽管短时能量法是一种简单有效的方法，但其在低信噪比环境中存在很多问题，如噪声波动引起的能量变化和静默段中的能量突变等。

基于模型的方法是另一种常见的低信噪比语音端点检测算法。

该方法采用语音信号的统计模型来描述语音的特征，然后根据模型参数的变化来判断语音的开始和结束位置。

该方法一般包括两个关键步骤：模型训练和端点检测。

模型训练一般需要使用已知的语音和非语音样本数据集，并采用不同的机器学习算法来训练模型。

常见的模型包括高斯混合模型（Gaussian Mixture Model，GMM）和隐马尔可夫模型（Hidden Markov Model，HMM）。

端点检测阶段则是利用训练好的模型对新的语音信号进行检测，并判断开始和结束位置。

除了上述两种主流方法，还有一些其他的方法被用于低信噪比语音端点检测。

例如，基于频域特征的方法可以通过对语音信号进行频谱分析，提取语音的频域特征，并通过设置合适的阈值进行检测。

此外，一些深度学习算法，如卷积神经网络（Convolutional Neural Network，CNN）和长短时记忆网络（Long Short-Term Memory，LSTM），在低信噪比下也具备较好的语音端点检测性能。

总结起来，低信噪比下的语音端点检测算法是一个复杂而重要的问题。

噪声环境下语音端点检测技术的开发

噪声环境下语音端点检测技术的开发摘要语音识别技术就是让机器通过识别和理解过程把语音信号转变为相应的文本或命令的高技术。

在实际应用中，语音识别系统的性能会受到各种因素的影响。

影响语音识别能力的一个重要因素是语音端点检测的准确性。

在实验室条件下普通的语音识别系统能达到较高的识别率，但如果有一定的背景噪声，特别是强背景噪声存在的应用场合，性能将会急剧下降。

因此，如何提高语音识别系统在噪声环境下的鲁棒性，是语音识别研究中的一个重要的课题。

本文就噪声环境下语音端点检测技术的开发进行了探讨，提出了一种基于信号的相关函数的语音端点检测法，它采用了极性相关法进行计算并提供了相应的关键算法，通过对语音识别实验的比较，考察了该算法的有效性和实用性。

与传统的语音端点检测法相比，本文提出的端点检测法能使语音/非语音成份估计及分离变得更为有效和方便，同时由于极性相关法采用取小累加处理法从而使得端点检测运算量可大为减少。

本文由四部分组成：第一章引言。

阐述了课题的研究背景与意义，第二章语音信号处理和端点检测。

介绍了语音信号处理和端点检测中的一些基本概念、原理和方法。

第三章基于信号的极性相关函数的语音端点检测法。

这是本文的核心部分，着重对基于极性相关法的带噪语音端点检测进行了讨论，具体探讨了极性相关法的关键算法，给出部分统计数据和结果总结。

第四章总结和展望。

[关键词]:语音/非语音检测,极性相关,类似度,语音识别Realization of Speech/Non-Speech Detectionin Adverse ConditionsAbstract：Speech/non-speech detection is important in many areas of speech processing technology. In real environments, speech signal is usually subject to environmental factors such as background noise、speaker individuality and voice distortion, etc, which sharply hurt their performance. The speech/non-speech detection algorithm greatly affect the performance of speech processing systems. Therefore, the task of improving the robustness of speech recognition system in real environment makes great sense, being an important task of automatic speech recognition research.In this paper a high performance mandarin Speech/non-speech detection system is given. The algorithm is based on polarity correlation method. We use a similar degree between the positive polarity correlation sequence and the negative polarity correlation sequence for the input speech signal to decide on the speech/non-speech section. A practical algorithm is proposed, which can detect for Boundary Detection. The evaluation results show this algorithm can obtain higher rates of accuracy in noisy environments. Having adopted the above-mentioned algorithm, the computation of Speech/non-speech detection 's shift matching can be greatly compressed., This paper is organized into four chapters: Chapter 1 chapter 1 describes some history, difficulty of the current used Speech/non-speech detection system and the consigning unit’s demands; Chapter 2 presents some composing part and general theory of the speech recognition technology and Speech/non-speech detection system; Chapter 3 describes in detail the method of Speech/Non-Speech detection using the polarity correlation in adverse conditions; Chapter 4 describes the summing-up and vista.Key words:Speech/non-speech detection, Polarity correlation, Similarity, Speech Recognition.目录第一章引言 (1)1.1课题的研究背景与意义 (1)1.2历史与现状 (1)1.3我的工作 (1)第二章语音信号处理与语音端点检测 (2)2.1汉语语音基础及其特性 (2)2.2语音信号分析与特征提取 (2)2.2.1 语音特征 (2)2.2.2 时域分析 (2)2.2.2.1 语音信号的基本短时参数 (2)2.2.2.2 短时平均能量 (3)2.2.2.3 短时过零率特征 (3)2.2.2.4 相关函数 (3)2.3噪声环境下语音端点检测的实现 (4)2.3.1 语音端点检测与基音周期 (4)2.3.2 语音端点检测的方法 (4)2.3.2.1 基于信号的短时能量及过零数参数的语音端点检测法 (4)2.3.2.2 基于信号的相关函数的语音端点检测法 (5)2.3.2.3 其它检测方法 (5)第三章基于信号的极性相关函数的语音端点检测法 (6)3.1极性自相关函数 (6)3.2正、负极性相关序列 (6)3.3正、负极性相关序列间的相似性 (8)3.4类似度 (8)3.5基于极性相关法的语音端点检测的探讨 (9)3.6极性相关法算法的实现 (10)3.7实验结果 (11)3.8本章小结 (12)第四章总结和展望 (13)参考文献 (14)致谢 (15)第一章引言1.1 课题的研究背景与意义汉语语音识别技术在电话语音拨号、家电语音遥控、工业控制等诸多领域有着极大的应用价值，进入九十年代，语音识别方面的研究进一步升温，语音识别技术正趋于成熟，还出现了诸多实用化的研究方向。

语音信号去噪与语音增强算法的研究与优化

语音信号去噪与语音增强算法的研究与优化引言：近年来，随着语音技术的广泛应用，语音信号的质量问题也变得日益重要。

语音信号常常受到噪声的污染，导致语音识别、语音合成等应用的精度和可靠性下降。

因此，语音信号去噪与语音增强算法的研究与优化就变得至关重要。

一、语音信号去噪算法的研究与应用1. 基于频域方法的去噪算法频域方法是最常用的去噪算法之一。

其中，基于谱减法的算法是最经典的一种方法。

谱减法通过在频谱上逐频段地估计噪声功率，并减去相应的噪声能量，有效地抑制了噪声。

此外，还有基于估计噪声谱的计算信噪比的方法，如MMSE估计算法，通过优化估计噪声谱的准确性进一步提高了去噪的效果。

2. 基于时域方法的去噪算法时域方法也是常用的去噪算法之一。

在时域中，最常用的方法是基于自适应滤波器的算法。

该方法通过将输入信号分解为信号和噪声成分，然后通过滤波器估计和消除噪声成分，从而实现去噪的效果。

此外，还有基于小波变换的去噪算法，它通过选择适当的小波基函数，将信号分解为不同尺度和频率的子带，然后根据各个子带噪声的特性进行处理，以达到去噪的目的。

3. 基于深度学习的去噪算法近年来，深度学习在语音信号去噪领域取得了显著的进展。

深度学习算法具有学习能力强、自适应性好等优点，可以更好地处理复杂的语音噪声问题。

其中，基于卷积神经网络（CNN）的去噪算法广泛应用于语音信号去噪和增强任务中。

另外，递归神经网络（RNN）和变分自编码器（VAE）等方法也被用于改善去噪性能。

二、语音增强算法的研究与应用1. 基于幅度谱的增强算法幅度谱增强算法是最常用的语音增强方法之一。

这种方法通过对输入语音信号的幅度谱进行处理，提高信号在不同频率上的可听度。

常见的方法有最小均方（MMSE）谱估计算法和音频谱缩放算法等。

2. 基于时频域的增强算法时频域增强算法是最新的一类语音增强方法，主要应用于非平稳噪声的处理。

这种方法通过在时频域上对输入语音信号进行分析和处理，提高信号的可听度。

一种改进的语音信号端点检测方法研究

一种改进的语音信号端点检测方法研究摘要：在语音识别系统中端点检测有误差会降低系统的识别率，进行有效准确的端点检测是语音识别的重要步骤。

当信噪比较低时，传统的端点检测方法不能有效的工作。

为了提高系统的识别率，本文提出了一种更有效的端点检测算法，基于LPC美尔倒谱特征的端点检测方法。

它是基于倒谱特征方法的一种改进。

实验证明，该算法在低信噪比的情况下，能够准确的检测出语音信号的端点。

通过对三种不同的端点检测算法的比较，证明了基于LPC美尔倒谱特征算法在低信噪比的情况下有较高的检测正确率。

关键词：端点检测；语音识别；Mel倒谱距离；LPC美尔倒谱系数引言语音端点检测是语音识别中一个重要的步骤，进行有效的端点检测能够对语音信号更好的进行分析和训练，这样语音识别才能有好的识别率。

所以进行有效的端点检测是语音信号处理中首先要解决的问题。

传统的端点检测算法口如利用过零率、短时能量和自相关参数，在高信噪比环境下可以获得较好的检测效果，但在低信噪比环境下其检测性能却急剧下降。

当语音信号包含有背景噪音时，从中检测出语音信号的起始点和终止点，可以减少数据的采集量，删除不含语音信号的背景噪声和无声段，从而降低特征提取的计算量和处理时间，提高语音识别的准确性。

因此噪声环境中准确的检测语音起止位置有利于提高语音系统性能。

当语音中含有噪音时，传统的端点检测方法显得有些无能为力。

针对这种情况，提出了基于LPC美尔倒谱特征的端点检测算法。

它是对倒谱特征算法的一种改进。

1 基于倒谱特征的端点检测方法在大多数的语音识别系统中，选用倒谱特征参数作为语音信号的特征参数能够提高语音识别系统的性能。

因此用倒谱系数作为端点检测的参数。

信号倒谱可以看成是信号能量谱密度函数s( )的对数的傅立叶级数展开。

定义如下：（3）式中：Cn 和Cn′分别为对应于谱密度函数S(w)和S′(w)的倒谱系数。

对数谱的均方距离可以表示两个信号谱的区别，故它可以作为一个判决参数。

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)。

行判断，确地找出语音信号的起始点和终止点。效的端点检测准有不仅可以减少数据的存储量和处理时间，而且能排除无声段的噪
声干扰。
倒谱系数可用来估计语音信号的倒谱，也是语音信号短时这
ｔｐｅｈｒｃｎｔｒｏｍａｃ．Ｔｈａｒｍａｅｅｅｒｈｅｎｄｉｐｏｍｅｔｏｔｒｄｉｉｎａｇｉｔｏｒｓｅｈｓｇｌｎｏｉｔｄｅｅ — ｈｅｓｅｃｅｏｇｉｏｎｐｅｆｒｎｅｉｅｐｐｅｋｓｒｓａｃｓａｍｒｖｅｎｔｈｅｔａｔｏｌａｏｒｈｍｆｐｅｃｉｎａｅｄｐｎｔｃｓｌｉｔ．ａｄｈｅｅｐｒｍｅｔｉｉａｅａｏｄｄｅｅｔｒｏｒａｅｃｒｂｔｉｄｉｔｏＲ．ＷｉｈｔｅｄｅｌｐｍｅｈｅｓｅｈｏｎｎｔｘｅｅｉｎｎｄｃｔｓｔｔｇｏｔｃｏｎｐｅｈｉｆｍｎｃａｌｂｅｏａｎｅｎｈｅｌｗＳＮｔｈｖｅｏｎｔｏｆｔｐｅｃｒｃｇｎｔｏｎｔｃｏｌｙ，ｔｓａｇｏｉｈｉｏｍｐｉｉｓｆｒｉｇｈｅｃｅｃｓｎｃｒｉｎｃｕａｙｉｈｅａｌｃｔｅｅｏｉｉｅｈｎｏｇｉｌｒｔｈｍｗｌｂｅｃｌｃｏｕｔｈｏｓｉｆｉｎｙ，ｙｈｏｎｃａｄａｃｒｃｎｔｐｐｉａｏｎｕｓ、ｉｉ源自中图分类号：Ｐ７Ｔ３
文献标识码：Ａ
文章编号：０９３４（０７１－１８－２１０－０４２０）１２３６０
ＴＡＮＧｏ —ｆｎｇ，ＵＯｈｕＹｎｇｅＨｃｎ—ｂｏａ
ＲｅｅｒｈａｄＩｒｖｍｅｔｏｔｅＡｌｏｉｍｏｈｅｃｇａｄｏｎｔｃｉｎｉｈｉｙＥｎｉｎｎｓａｃｎｍｐｏｅｎｈｇｒｈｆｒｅＳｐｅｈＳｉｎｌｔｔｔＥｎｐｉｔＤｅｅｔｎｔｅＮｏｓｖｒｍｅｔｏｏ
１引言
语音信号的端点检测是语音分析、音合成和语音识别中的语
一
关系。
３基于ＬＣ美尔倒谱特征端点检测方法Ｐ
３１倒谱特征『１．３
个重要环节。在实际运用中，常要求首先对系统的输入信号进通
Ｋｅｙｗｏｒｓｓｅｃｉｒ；ｎｐｉｔｄｔｃｏｌｅｒｒｄｃｖｏｉｇ；ｌｅｕｎｙｃｄｎｏｆｃｅｔｃｐｔａｃａａｔｒｔｄ：ｅｈｓ￣ｅｄｏｎｅｅｔｎ；ｎｅｅｉｔｅｃｄｎｍｅｑｅｃｏｉｇｃｅｉｎ；ｅｓｌｈｒｃｅｓｃｐｇｉｉｐｉｒｆｉｒｉｉ
率及基于ＬＣ倒谱特征的端点检测算法进行了研究，出改进的基于ＬＣ美尔倒谱特征的端点检测算法，通过实验证明其在低信噪Ｐ给Ｐ并比下具有较好的检测性能。随着语音识别技术的发展，种算法在实际应用中的高效率、时、这实准确性会逐渐显现出。关键词：音信号：语端点检测：ＰＭＦＬＣ；ＣＣ；倒谱特征；
（ｆｒｔｎＳｉｃ＆Ｅｇｎｅｉｇｌｇ，ｉｎｎｊｅｉｆｅｈｏｏｙＪｚｏ２０１ＣｉａＩｏｍａｏｃｎｅｎｉｅｎｉｒｌｅＬａｉｇｕｎｖｒｔｏｃｎｌｇ，ｉｈｕ１１０，ｈｎ）ｅｎＣｏｅｏｓｙＴｎ
倒谱分析中一种特殊的处理方法。一般对信号序列进行短时快速傅里叶变换．然后求其复对数的傅里叶逆变换便可得信号复倒
Ａｂｔａｔｅａｄｏｎｅｅｔｎｉａｓｎａｃｏｏｐｅｈｒｃｇｉｏｙｔｍ，ｉｃｕａｙｈｓｅｙｔｅｅｄｕｆｅｃｎｓｔｃ：ｎｏｉｔｔｃｏｓｎｅｓｔｌｔｈｌｇｉａｓｅｃｅｏｎｔｎｓｓＴｈｄｉｅｉｅｎｙｎｉｅｔａｃｒｃａｖｒｒｍｎｏｓｉｌｎｅｏｓａｎｕ
维普资讯
．
人工智能及识别技术・・・・・・
本责栏目任编辑：桂李瑾
噪声环境下语音信号端点检测算法的研究与改进
唐永锋。春宝霍
（宁工业大学信息科学与工程学院，宁锦州１１０）辽辽２０１摘要：点检测是语音识别中的一项关键技术，点检测的准确性对语音识别的性能有很大影响。论文对基于短时能量和短时过零端端