基于 MATLAB 分析語音信號頻域特征

1、語音信號處理 實驗報告實驗三 基于 MATLAB 分析語音信號頻域特征所在院系： 工學院專 業(yè): 電子信息工程班 級： 電信112姓 名： 學 號： 指導教師： 湯永清 2014年05月06日實驗三 基于 MATLAB 分析語音信號頻域特征一、 實驗目的信號的傅立葉表示在信號的分析與處理中起著重要的作用。因為對于線性系統(tǒng)來說，可以很方便地確定其對正弦或復指數(shù)和的響應，所以傅立葉分析方法能完善地解決許多信號分 析和處理問題。另外，傅立葉表示使信號的某些特性變得更明顯，因此，它能更深入地說明 信號的各項紅物理現(xiàn)象。由于語音信號是隨著時間變化的，通常認為，語音是一個受準周期脈沖或隨機噪聲源激 勵的線

2、性系統(tǒng)的輸出。輸出頻譜是聲道系統(tǒng)頻率響應與激勵源頻譜的乘積。聲道系統(tǒng)的頻率 響應及激勵源都是隨時間變化的，因此一般標準的傅立葉表示雖然適用于周期及平穩(wěn)隨機信 號的表示，但不能直接用于語音信號。由于語音信號可以認為在短時間內，近似不變，因而 可以采用短時分析法。本實驗要求掌握傅里葉分析原理，會利用已學的知識，編寫程序估計短時譜、倒譜，畫 出語譜圖，并分析實驗結果，在此基礎上，借助頻域分析方法所求得的參數(shù)分析語音信號的 基音周期或共振峰。二、實驗原理 1、 短時傅立葉變換由于語音信號是短時平穩(wěn)的隨機信號，某一語音信號幀的短時傅立葉變換的定義為： 其中 w(n-m)是實窗口函數(shù)序列，n 表示某一語音

3、信號幀。令 n-m=k'，則得到同樣，不同的窗口函數(shù)，將得到不同的傅立葉變換式的結果。由上式可見，短時傅立葉變換有兩個變量：n 和 ，所以它既是時序 n 的離散函數(shù)，又是角頻率 的連續(xù)函數(shù)。與離 散傅立葉變換逼近傅立葉變換一樣，如令 =2k/N，則得離散的短時傅立葉吧如下：2、 語譜圖水平方向是時間軸，垂直方向是頻率軸，圖上的灰度條紋代表各個時刻的語音短譜。 語譜圖反映了語音信號的動態(tài)頻率特性，在語音分析中具有重要的實用價值。被成為可視語 言。語譜圖的時間分辨率和頻率分辨率是由窗函數(shù)的特性決定的。時間分辨率高，可以看出 時間波形的每個周期及共振峰隨時間的變化，但頻率分辨率低，不足以分辨

4、由于激勵所形成 的細微結構，稱為寬帶語譜圖；而窄帶語譜圖正好與之相反。寬帶語譜圖可以獲得較高的時間分辨率，反映頻譜的快速時變過程；窄帶語譜圖可以獲 得較高的頻率分辨率，反映頻譜的精細結構。兩者相結合，可以提供帶兩與語音特性相關的 信息。語譜圖上因其不同的灰度，形成不同的紋路，稱之為“聲紋”。聲紋因人而異，因此可 以在司法、安全等場合得到應用。3、 復倒譜和倒譜在時域上，語音產生模型實際上是一個激勵信號與聲道沖激響應的卷積。對于濁音，激 勵信號可以由周期脈沖序列表示；對于清音，激勵信號可以由隨機噪聲序列表示。聲道系統(tǒng) 相當于參數(shù)緩慢變化的零極點線性濾波器。這樣經過同態(tài)處理后，語音信號的復倒譜，激

5、勵 信號的復倒譜，聲道系統(tǒng)的復倒譜之間滿足下面的關系：由于倒譜對應于復倒譜的偶部，因此倒譜與復倒譜具有同樣的特點，很容易知道語音信號的倒譜，激勵信號的倒譜以及聲道系統(tǒng)的倒譜之間滿足下面關系：濁音信號的倒譜中存在著峰值，它的出現(xiàn)位置等于該語音段的基音周期，而清音的倒譜中則不存在峰值。利用這個特點我們可以進行清濁音的判斷，并且可以估計濁音的基音周期。4、 基因周期估計濁音信號的倒譜中存在峰值，它的出現(xiàn)位置等于該語音段的基音周期，而清音的倒譜中 則不存在峰值。利用倒譜的這個特點，我們可以進行語音的清濁音判決，并且可以估計濁音 的基音周期。首先計算語音的倒譜，然后在可能出現(xiàn)的基因周期附近尋找峰值。如果

6、倒譜峰 值超過了預先設置的門限，則輸入語音判斷為濁音，其峰值位置就是基因周期的估計值；反 之，如果沒有超出門限的峰值的話，則輸入語音為清音。5、 共振峰估計對倒譜進行濾波，取出低時間部分進行進行逆特征系統(tǒng)處理，可以得到一個平滑的對數(shù) 譜函數(shù)，這個對數(shù)譜函數(shù)顯示了輸入語音段的共振峰結構，同時譜的峰值對應于共振峰頻率。 通過此對數(shù)譜進行峰值檢測，就可以估計出前幾個共振峰的頻率和強度。對于濁音的聲道特 性，可以采用前三個共振峰來描述；清音不具備共振峰特點。二、 實驗結果1 短時譜 2 語譜圖3 倒譜和復倒譜圖 3、4 是加矩形窗和漢明窗的倒譜圖和復倒譜圖,圖中橫軸的單位是Hz，縱軸的單位是 dB。4

7、 基因周期和共振峰估計四、參考程序clear a=wavread('beijing.wav'); subplot(2,1,1), plot(a); title('original signal'); grid N=256; h=hamming(N); for m=1:N b(m)=a(m)*h(m) end y=20*log(abs(fft(b) subplot(2,1,2) plot(y);title('¶ÌʱÆ×'); grid x,fs,nbits=wavread('be

8、ijing.wav') specgram(x,512,fs,100); xlabel('ʱ¼ä(s)'); ylabel('ƵÂÊ(Hz)'); title('ÓïÆ×ͼ');clear a=wavread('beijing.wav',4000,4350); N=300; h=linspace(1,1,N); for m=1:N b(m)=a(m)*h(m); end c=cce

9、ps(b); c=fftshift(c); d=rceps(b); d=fftshift(d); subplot(2,1,1) plot(d);title('¼Ó¾ØÐδ°Ê±µÄµ¹Æ×') subplot(2,1,2) plot(c);title('¼Ó¾ØÐδ°Ê±µÄ¸&#

10、180;µ¹Æ×') clear a=wavread('beijing.wav',4000,4350); N=300; h=hamming(N); for m=1:N b(m)=a(m)*h(m); end c=cceps(b); c=fftshift(c); d=rceps(b); d=fftshift(d); subplot(2,1,1) plot(d);title('¼ÓººÃ÷´°Ê±µÄ

11、1;¹Æ×') subplot(2,1,2) plot(c);title('¼ÓººÃ÷´°Ê±µÄ¸´µ¹Æ×') 語音信號處理 實驗報告實驗四 基于 MATLAB 的 LPC 分析所在院系： 工學院專 業(yè): 電子信息工程班 級： 電信112姓 名： 學 號： 指導教師： 湯永清 2014年05月06日實驗四 基于 MATLAB 的 LPC 分析一、 實驗目的線

12、性預測分析是有效的語音分析技術之一，在語音編碼、語音合成、語音識別和說話 人識別等語音處理領域中得到了廣泛的應用。語音線性預測的基本思想是：一個語音信號的 抽樣值可以用過去若干個取樣值的線性組合來逼近。通過使實際語音抽樣值與線性預測抽樣 值的均方誤差達到小，可以確定唯一的一組線性預測系數(shù)。采用線性預測分析不僅能夠得到語音信號的預測波形，而且能夠提供一個非常好的聲道 模型。如果將語音模型看作激勵源通過一個線性時不變系統(tǒng)產生的輸出，那么可以利用 LP 分析對聲道參數(shù)進行估值，以少量低信息率的時變參數(shù)精確地描述語音波形及其頻譜的性 質。此外，LP 分析還能夠對共振峰、功率譜等語音參數(shù)進行精確估計，L

13、P 分析得到的參數(shù) 可以作為語音識別的重要參數(shù)之一。由于語音是一種短時平穩(wěn)信號，因此只能利用一段語音來估計模型參數(shù)。此時有兩種方 案：一種是將長的語音序列加窗，然后對加窗語音進行 LP 分析，只要限定窗的長度就可以 保證分析的短時性，這種方案稱為自相關法；另一種方案不對語音加窗，而是在計算均方預 測誤差時限制其取和區(qū)間，這樣可以導出 LP 分析的自協(xié)方差法。本實驗要求掌握 LPC 原理，會利用已學的知識，編寫程序估計線性預測系數(shù)以及 LPC 的推演參數(shù)，并能利用所求的相關參數(shù)估計語音的端點、清濁音判斷、基因周期、共振峰等。二、 實驗原理1 LP 分析基本原理LP 分析為線性時不變因果穩(wěn)定系統(tǒng)

14、V（z）建立一個全極點模型，并利用均方誤差準則， 對已知的語音信號 s(n)進行模型參數(shù)估計。如果利用 P 個取樣值來進行預測，則稱為 P 階線性預測。 假設用過去 P 個取樣值顯然，誤差越接近于零，線性預測的準確度在均方誤差小的意義上為佳，由此可以計算出預測系數(shù)。通過 LPC 分析，由若干幀語音可以得到若干組 LPC 參數(shù)，每組參數(shù)形成一個描繪該幀 語音特征的矢量，即 LPC 特征矢量。由 LPC 特征矢量可以進一步得到很多種派生特征矢量， 例如線性預測倒譜系數(shù)、線譜對特征、部分相關系數(shù)、對數(shù)面積比等等。不同的特征矢量具 有不同的特點，它們在語音編碼和識別領域有著不同的應用價值。2 自相關法

15、 值得注意的是，自相關法在計算預測誤差時，數(shù)據(jù)段的兩端都需要加 P 個零取樣值，因而可造成譜估計失真。特別是在短數(shù)據(jù)段的情況下，這一現(xiàn)實更為 嚴重。另外，當預測系數(shù)量化時，有可能造成實際系統(tǒng)的不穩(wěn)定。3 協(xié)方差法可以看出，這里的數(shù)據(jù)段兩端不需要添加零取樣值。在理論上，協(xié)方差法計算出來的預測系數(shù)有可能造成預測誤差濾波器的不穩(wěn)定，但在實際上當每幀信號取樣足夠多時，其計算 結果將與自相關法的結果很接近，因而穩(wěn)定性一般是能夠保證的 (當然這種方法也有量化效 應可能引起不穩(wěn)定的缺點)。協(xié)方差解法的大優(yōu)點在于不存在自相關法中兩端出現(xiàn)很大預測誤差的情況，在 N 和 P 相差不大時，其參數(shù)估值比自相關法要精確

16、的多。但是在語音信號處理時，往往取 N 在 200 左右。此時，自相關法具有較大誤差的段落在整個語音段中所占的比例很小，參數(shù)估值也是 比較準確的。在這種情況下，協(xié)方差法誤差較小的優(yōu)點就不再突出，其缺乏高效遞推算法的 缺點成為了制約因素。所以，在語音信號處理中往往使用高效的自相關法。4 全極點聲道模型 將線性預測分析應用于語音信號處理，不僅是為了利用其預測功能，更因為它提供了一 個非常好的聲道模型。將式(2)所示的方程看成是濾波器在語音信號激勵下的輸入輸出方程，則該濾波器稱為 預測誤差濾波器，其 e(n)是輸出誤差。變換到 z 域，P 階預測誤差濾波器的系統(tǒng)函數(shù)為因為預測誤差含有語音信號的基音信

17、息，所以對于濁音，模型的激勵信號源是以基音周 期重復的單位脈沖；對于清音，激勵信號源 e(n)是自噪聲。語音信號的全極點模型是一種很 重要的聲道模型，是許多應用和研究的基礎。6 結合語音幀能量構成LPC組合參數(shù) 由于人能從聲音的音色、頻高等各種信息中感知說話人的個性，因此可以想象，利用特 征的有效組合可以得到比較穩(wěn)定的識別性能。一般來說，如果組合的各參量之間相關性不大， 則會更有效一些，因為它們分別反映了語音信號中的不同特征。多年來，人們對組合參數(shù)在 說話人識別中的應用進行了大量研究 。實驗證明，組合參數(shù)可以提高系統(tǒng)的識別性能。組合參數(shù)雖然可以提高系統(tǒng)的性能，但很顯然，無論是在特征參數(shù)提取環(huán)節(jié)

18、，還是在模型訓練和模型匹配環(huán)節(jié)都使運算量有所增加。在特征參數(shù)提取環(huán)節(jié)，要計算一種以上的特征 參數(shù)。在模型訓練和模型匹配環(huán)節(jié)，由于組合參數(shù)特征矢量的維數(shù)較多，使運算復雜度有所 增加。運算量的增加會使系統(tǒng)的識別速度受到影響。語音幀能量是指一幀語音信號的能量，它等于該幀語音樣值的平方和。選取與語音幀能量構成組合參數(shù)主要有以下考慮：1）語音幀能量是語音信號基本的短時參數(shù)之一，它表 幀能量是一個標量值，與其它參量構成組合參數(shù)不會使原特征矢量的維數(shù)明顯增加，特征矢 征一幀語音信號能量的大小，是語音信號一個重要的時域特征；2）由一幀語音求出的語音量的維數(shù)越少，則需要的運算復雜度越小，另外，獲取語音幀能量的運

19、算并不復雜；3）語音幀能量與 LPC 參數(shù)之間的相關性不大，它們反映的是語音信號的不同特征，應該有較好的效果。7 模型增益G三、 實驗結果(參考)我們使用的原始語音為“北風”，采樣頻率為 11000Hz,運行程序見附錄。在這里我們取第 30 幀進行觀察，線性預測階數(shù)為 12，看到圖 3.1 所示的原始語音幀的 波形，預測語音幀波形和它們之間預測誤差的波形。圖 3.2 為原始語音幀和預測語音幀的短 時譜和 LPC 譜的波形這里我們可以改變線性誤差的階數(shù)來觀察語音幀的短時譜和LP譜的變化情況，如圖3.3。圖3.3 預測階數(shù)對語音幀短時譜和LPC譜的影響圖 3.5 給出了原始語音的語譜圖和預測語音的

20、語譜圖，通過比較發(fā)現(xiàn)，預測語音的預測 效果還可以，基音頻率相差無幾。 三、附錄（LPC 分析參考程序）MusicSource = wavread('beijing.wav'); Music_source = MusicSource' N = 256; Hamm = hamming(N); frame = input('請鍵入想要處理的幀位置 = '); origin = Music_source(frame - 1) * (N / 2) + 1):(frame - 1) * (N / 2) + N); Frame = origin .* Hamm'

21、; s1,f1,t1 = specgram(MusicSource,N,N/2,N); Xs1,Ys1 = size(s1); for i = 1:Xs1 FTframe1(i) = s1(i,frame); end N1 = input('請鍵入預測器階數(shù) = '); coef,gain = lpc(Frame,N1); est_Frame = filter(0 -coef(2:end),1,Frame); FFT_est = fft(est_Frame); err = Frame - est_Frame; subplot(2,1,1),plot(1:N,Frame,1:N,

22、est_Frame,'-r');grid;title('原始語音幀vs.預測后語音幀') subplot(2,1,2),plot(err);grid;title('誤差'); pause fLength(1 : 2 * N) = origin,zeros(1,N); Xm = fft(fLength,2 * N); X = Xm .* conj(Xm); Y = fft(X , 2 * N); Rk = Y(1 : N); PART = sum(coef(2 : N1 + 1) .* Rk(1 : N1); G = sqrt(sum(Frame.2) - PART); A = (FTframe1 - FFT_est(1 : length(f1') ./ FTframe1 ;subplot(2,1,1),plot(f1',20*log(abs(FTframe1),f