基于DSP的语音分析系统

2.2.1原始声音以及预处理 语音处理的音源，也是整个系统的输入部分。就当前来说语音处理汉字比较多。 对音源进行必要和适当的处理。一般来说这个部分包括，高、低通的滤波电路和反混叠带通滤波、模数变换、分帧、预加重处理等目的为了消除外部环境对音源带来的干扰；另外预处理还包含了A／D转换部分，以及语音端点检测等。 计算机分析人的语音，需要将通过话筒中传来的语音信号转换成计算机所能处理处理的数字信号；根据采样定理，信号的采样频率要求大于信号带宽的两倍以上(mnff2)即可保证信号的采集不会丢失信息。 低通滤波器的作用是除去语音信号中频分量超过采样频率一半（2/sff）的那部分，其目的是为了防止采样信号的混叠。具体实现方式我们可以设计一个16阶FIR(有限冲激响应)滤波器来实现对语音信号的滤波。关于滤波部分将在后面章节具体介绍。 2.2.2语音信号的特征提取 特征提取是运用语音分析的方法对输入的原始声音进行分析得到一个矢量序列，并用这个矢量序列去代替原始的语音信号所携带的信息。其中包括一些常用的参数：比如短时能量、频谱参数、自相关参数等等。 原始语音信号不能直接用语模板训练和模式匹配，这是因为：1、原始语音信号数据量太大，系统的运算和存储负担过重；2、原始语音信号包含太多的随机因素，极大的影响了系统的识别处理率。 语音处理系统进行模板训练和匹配的数据是从预处理后的语音信号中提取的特征参数。通过预处理和特征参数提取技术，一方面使得进行模板训练和模式匹配的数据特征明显，提高了系统的识别处理率；另一方面进行了信息压缩，降低了系统的运算和存储量；特征参数提取就是从语音信号提取(或测量)有代表性的、合适的特征参数，同时进行适当的数据压缩；时域参数的优点是计算量比较少，对于区别语音段和静音段及清／浊音段比较方便，效果也比较明显；但由于人的耳朵对声音的频域特性比较敏感，时域参数不能恰当的反映这种特征。 线性预测分析法是目前很有效的语音分析技术之一，它在语音处理、合成等方面都得到了成功的应用。 线性预测分析所包括的基本概念是，一个语音抽样能够用过去若干个语音抽样的线性组合来逼近。通过使实际语音抽样和线性预测抽样之间差值的平方和(在一个有限间隔上)达到最小值，能够决定唯一的一组预测器系数。 LPC倒谱系数也就是是复倒谱。复倒谱是信号通过Z变换以后取对数，再求反Z变换而得到的；线性预测分析方法是一种谱估计的方法，而且其声道模型系统函数H(Z)反映了声道的频率响应和原始信号的谱包络，因此用logH(z)做反Z变换即可求出其复倒谱系数。该复倒谱系数是根据线性预测模型直接得到的，因此又称之为LPC倒谱系数(LPCC)。 基于LPC分析的倒谱存在一种非常简单有效的递推求解方法；也就是说，线性预测系数可以用递推公式求出响应的倒谱系数。 2.2.3线性预测分析的基本原理 假若一个随机过程用一个P阶的全极点系统受白噪声激励而产生的输出来模拟，设这个系统的传递函数为：

)1/()(/)()(1kPKkzaGzUzSzH （2-19） 其中G为常数，S(z)和V(z)分别为输出信号s(H)和输入信号u(n)的z变换， 那么S(n)和u(n)的关系可以表示为差分方程：

)()()(1nuGknSanSpkk （2-20）

我们可以把式(2-20)中与ka有关的部分理解为有用信号的p个样本来预测当前样本，即定义预测器： )()(1knSanSpkk （2-21） 由于预测系数a。在预测过程中看作常数，所以它是一种线性的预测器，这种线性预测最早是用于语音编码的，因此人们也常常称之为LPC(即Linear Predictive Coding)，这个线性预测器的系统函数为：

kpkkzazP1)( （2-22） 显然，如果信号s(n)能精确的符合(2-19)和(2-20)所描述的模型假定，那么用公式(2-21)所示的线性预测器信号s(n)的预测误差应为： )()(nUGne (2-23) 但是，实际信号未必能精确的符合这个假定，因此实际的预测误差应为： pkkknSanSnSnSne1)()()()()( (2-24)

表明预测误差序列是信号S(n)通过一个具有如下系统函数的系统产生的输出：

pkkkzazA11)( （2-25）

比较式(2-21)和(225)可以看出，预测误差滤波器爿(z)是系统H(z)的逆滤波器，其中)(zH可以表示成： )(/)(zAGzH (2-26) 线性预测分析的基本问题是由语音信号直接决定～组预测器系数ka，它的原则是通过应用式(2-26)可对语音谱的性质得到良好的估计。由于语音信号的时变特性，预测器系数的估值必须在一段语音信号中进行。基本的途径是求出一组预测器系数使得在一段短时语音波形中均方预测误差最小。所得到的参数就被“认为”是语音产生模型中系统函数H(z)的参数。 由于给定的只有信号)(nS和一个参数未知的模型式(2-19)，要想使这个模型尽可能精确的描述信号)(nS，应该使式(2-24)所得的预测误差在某一短时间的总能量尽可能的小，并在此准则下求出最佳预测系数ka。为此，定义短时平均预测误差能量： )(2meEmnn

2)]()([mSmSmnn

21)]()([kmSamSnpkkmn （2-27） 其中)(mSn是在抽样点n附近选择的一个语音段，即 )()(mnSmSn (2-28) 式(2-27)的取和范围暂时是不确定的，是因为我们希望开拓一种短时分析技术，所以取和的间隔是有限的。也应该注意到，为了取到平均值，求和整个式子应该除以语音段的长度。然而这个常数和我们将要得到的线性方程组并不相干，因而可以省略这一部分。若想使式(2-27)中的nE达到最小值，那么ka应当满足

).......3,2,1(0/piaEi，由此便可以得到以ka为变量的线性方程： pkmnnkmnnkmSimSamSimS1)()()()(， pi1 （2-29）

如果我们定义 )()(),(kmSimSkinmnn （2-30）

则式(2-29)可以更简洁的写成： )0,(),(1ikiannpkk pi,.......3,2,1 （2-31）

用一种有效的方法求解这组包含p个未知数的P个方程就可以得到在语音段)(mSn上使均方预测误差为最小的预测器系数ka。

要使模型的假定能够较好的符合语音产生模型，主要有两个因素要考虑：首先是模型的阶数P要与共振峰的值相吻合。其次，是声门脉冲形状和口唇辐射影响的补偿。通常一对极点对应一个共振峰，lOkHz采样的语音信号通常有5个共振峰，取p=10，此外，为了弥补鼻音中存在的零点以及其他因素引起的偏差，通常在上述阶数的基础上再增加两个极点，即取p=12。 关于声门脉冲形状和口唇辐射的影响，总的趋势是使语音信号的频谱产生高频衰落现象，大约相当于每倍频程下降5dB，要抵消这种影响，通常在进行LPC分析之前采用一个非常简单的一阶FIR滤波器1一OZ．‘1进行预加重，也就是进行高频提升，对于lOkHz采样的语音，预加重系数前面已经提到一般取0.95~1.0。 对于考虑了上述两个因数的LPC分析，预测的残差序列近似为白噪声，并且这个残差能量也是相当的小，这就表明了由某一短时信号所得到的线性预测系数能较好的描述产生这一语音段的声道特性。基于LPC的语音识别处理、语音合成和语音编码以及处理的大量时间证明：线性预测参数是语音信号特征表示的一个良好参数。 总而言之，在语音处理过程中，我们虽然不能将原始信号波形直接用于处理，但是通过一定的变换，提取语音特征参数就可以进行处理，而提取的特征必须满足： 1．特征参数应当反映语音的本质特征，对于非特定人的语音处理，特征参数则应尽量不含有说话人的信息。 2．特征参数各分量之间的耦合应尽可能的小，以起到压缩数据的作用。 3．特征参数要计算方便，最好使用高效的算法。 2.2.4失真度的测试及相似度匹配计算 失真度是衡量相似性的基本准则和标准，选择好失真度对系统的性能和品 质有至关重要的影响。 相似度的匹配计算，也可以称为相似性的度量。就是指利用常用的矢量量化、动态时间规整(DTW)、隐马尔可夫模型(HMM)、神经网络等方法与事先设置好的计算机参考模型进行对比计算。 为了进行相似性的度量，我们将特征模板库中的各个模板称之为参考模板，用R来表示；将待处理的输入语音经过预处理以及特征提取以后得到的特征矢量序列称之为测试模板，用T来表示。 参考模板可以表示为：R={R(1)，R(2)，．，R(m)，¨，R(M)}，其中M为参考模板所包含的语音帧的总数，m为语音帧的时序标号，尺(肼)为第m帧的语音特征矢量。 测试模板可以表示为：T={T(1)，T(2)，．，T(n)，．，T(N))，其中N为测试模板所包含的语音帧的总数，n为帧的时序标号，T(n)为第n帧的语音特征矢量。 计算测试模板和参考模板的相似度，可以计算他们之间的失真，失真越小对应的相似度越高。测试模板T和参考模板R之问的总体失真表示为D[T，R]。 为了计算这一失真，应从T、R中的每个对应帧的失真算起，假设n、m分别为T、R中任意选择的帧号，则这两帧之问的帧失真相应的就可以用D[T(n)，R(m)]来表示。 对于特征矢量之间的失真度，有多种度量的方法。为了简单和便于处理，通