MATLAB變聲器

1、MATLAB變聲器電子工程學(xué)院摘要語音信號處理中的變聲處理已經(jīng)有了比較成熟的算法，本文闡述了變聲算法的基礎(chǔ)原理，利用數(shù)字濾波器，自相關(guān)法，LPC，LPC系數(shù)求根法等方法在MATLAB上改變語音信號的基頻和共振峰以實現(xiàn)變聲，并總結(jié)了現(xiàn)有變聲算法的缺陷，對用不同的變換域能否改進(jìn)變聲算法做了粗略分析。關(guān)鍵詞：變聲算法，LPC，變換域12目錄研究背景3變聲原理3語音基本概念3變聲原理4變聲過程5分幀處理5計算LPC系數(shù)5計算原始激勵6計算基音周期6計算激勵能量7合成脈沖序列7更改聲道參數(shù)7合成變聲語音8程序設(shè)計8傳統(tǒng)變聲算法缺陷9合成激勵與原始激勵差別較大9不能實現(xiàn)定向變聲10實現(xiàn)定向變聲的猜想11小

2、波域是否存在恒定音色參數(shù)粗略分析11統(tǒng)計上的變換是否利于尋找恒定音色參數(shù)猜想11下一步研究計劃12研究背景語音信號是人們?nèi)粘Ｉ钪惺殖Ｒ姷男盘?，語音也是人與人之間傳遞信息的一種十分重要的方式。隨著智能終端以及互聯(lián)網(wǎng)的普及，語音信號大量地以數(shù)字形式出現(xiàn)，語音信號處理變得越來越重要，變聲處理是語音信號處理的基礎(chǔ)之一，所以在這樣的大背景下，研究變聲算法并改進(jìn)變聲算法是很有意義而且有必要的。另一方面，傳統(tǒng)的變聲算法是對發(fā)聲過程的簡單模擬進(jìn)行語音合成，在模擬過程中改變參數(shù)以實現(xiàn)變聲，而傳統(tǒng)的變聲算法存在一些缺陷，若要改進(jìn)變聲算法使其更靈活有效，那么細(xì)致的研究傳統(tǒng)的變聲算法是很有必要的。變聲原理l 語音

3、基本概念1. 聲道：聲道是很多動物及人類都有的一個腔室，從聲源產(chǎn)生的聲音經(jīng)由此處濾出。人的聲道包括聲道則包括喉腔、咽頭、口腔和鼻腔。2. 基音：一般的聲音都是由發(fā)音體發(fā)出的一系列頻率、振幅各不相同的振動復(fù)合而成的。這些振動中有一個頻率最低的振動，由它發(fā)出的音就是基音，其余為泛音。發(fā)音體整體振動產(chǎn)生的音，叫做基音，決定音高；發(fā)音體部分振動產(chǎn)生的音，叫做泛音，決定音色；基音和泛音結(jié)合一起而形成的音，叫做復(fù)合音，日常我們所聽到的聲音多為復(fù)合音。3.共振峰：共振峰是指在聲音的頻譜中能量相對集中的一些區(qū)域，共振峰是語音音質(zhì)的決定因素，反映了聲道（共振腔）的物理特征。聲音在經(jīng)過共振腔時，受到腔體的濾波作用

4、，使得頻域中不同頻率的能量重新分配，一部分因為共振腔的共振作用得到強化，另一部分則受到衰減，得到強化的那些頻率在時頻分析的語圖上表現(xiàn)為濃重的黑色條紋。由于能量分布不均勻，強的部分猶如山峰一般，故而稱之為共振峰。在語音聲學(xué)中，共振峰決定著元音的音質(zhì)，在計算機音樂中，共振峰是決定音色和音質(zhì)的重要參數(shù)。4，短時平穩(wěn)特性：語音信號是一種隨時間而變化的信號，主要分為濁音和清音兩大類。濁音的基音周期、清濁音信號幅度和聲道參數(shù)等都隨時間而緩緩變化。由于發(fā)生器官的慣性運動，可以認(rèn)為在一小段時間里（一般為1030ms）語音信號的頻域特性近似不變，即語音信號具有短時平穩(wěn)性。因而處理語音信號之前要把語音信號分為一些

5、短段（稱為分析幀），然后再來進(jìn)行處理。人聲和樂器聲的產(chǎn)生需要兩個階段，一個是發(fā)聲系統(tǒng)，如人的聲帶或樂器的振動簧片，另一個是共鳴系統(tǒng)。樂器不同的共鳴系統(tǒng)使其在一定頻域中的語音信號的振幅得以突出，這樣，這些區(qū)域就產(chǎn)生了這個樂器所特有的共振峰值，這些共振峰值同共鳴體的大小、形狀的材料密切相關(guān)。由于樂器的結(jié)構(gòu)是穩(wěn)定的，因此在樂器發(fā)出的所有音調(diào)中，不論基頻如何，都會表現(xiàn)出相同的共振峰值，只不過其顯著性有強有弱罷了。這就可以解釋為什么同一樂器所發(fā)出的不同音調(diào)具有相同的音質(zhì)。 在語音聲學(xué)中，人聲也同樣受自身生理如鼻孔、咽腔、口腔大小的影響有自身的共振峰區(qū)。人在說話的過程中，正是通過利用這些共鳴空間的形狀和大

6、小不同的變化（例如改變嘴形），以能改變聲音的共振峰說出不同的元音。我們之所以能夠區(qū)分不同的人聲、元音，主要也是依靠它們的共振峰分布的位置。簡單來講不同的人說同一句話的共振峰不同，同一個人說不通的話共振峰也不同。l 變聲原理 變聲是通過改變?nèi)寺暤幕纛l率和共振分分布以達(dá)到變聲的目的，其具體過程是是模擬人聲的發(fā)聲過程，以脈沖信號代替聲帶振動，以FIR濾波器代替聲道，用脈沖信號通過FIR濾波器進(jìn)行語音合成。首先對原始語音信號進(jìn)行分解，然后得出原始激勵參數(shù)（基音周期和激勵能量）和聲道參數(shù)（共振峰分布），用得出的參數(shù)構(gòu)建激勵和濾波器，再根據(jù)變聲需要更改參數(shù)，就可以達(dá)到變聲的目的。過程如下脈沖序列FIR濾

7、波器原始激勵參數(shù)聲道參數(shù)原始語音合成變聲語音變聲過程l 分幀處理 語音信號具有短時平穩(wěn)特性，所以在處理之前要進(jìn)行分幀處理，將一段長的語音信號分解為1030ms的語音信號逐段進(jìn)行處理。語音信號的分幀是采用可移動的有限長度窗口進(jìn)行加權(quán)的方法來實現(xiàn)的。一般每秒幀數(shù)約為33100幀，視實際情況而定。分幀一般要采用交疊分段的方法。如圖所示，這是為了使幀與幀之間平滑過渡，保持其連續(xù)性。前一幀和后一幀的交疊部分稱為幀移，幀移與幀長的比值一般取為00.5。幀長幀長幀移第k幀第k+1幀在程序中對語音信號加Hamming窗處理，方法是用窗序列沿著語音樣點值序列逐幀從左向右移動。l 計算LPC系數(shù)線性預(yù)測編碼（LP

8、C）是主要用于音頻信號處理與語音處理中根據(jù)線性預(yù)測模型的信息用壓縮形式表示數(shù)字語音信號譜包絡(luò)（en:spectral envelope）的工具。它是最有效的語音分析技術(shù)之一，也是低位速下編碼方法高質(zhì)量語音最有用的方法之一，它能夠提供非常精確的語音參數(shù)預(yù)測。LPC就是根據(jù)之前的P個信號構(gòu)建濾波器，對之后的信號進(jìn)行預(yù)測。MATLAB中就有LPC函數(shù)，其形式為： A,E=lpc(s_w,P);其中A是LPC預(yù)測系數(shù)，用來構(gòu)建濾波器，E是預(yù)測誤差，在后面會用來計算激勵能量，s_w是語音信號，P是預(yù)測階數(shù)。l 計算原始激勵用得到的LPC系數(shù)構(gòu)建濾波器，對語音信號進(jìn)行逆濾波就可以得到語音信號的激勵，另外應(yīng)

9、該注意在系數(shù)變化的情況下連續(xù)濾波，需要維持濾波器的狀態(tài)不變，要利用filter函數(shù)的和參數(shù)。程序如下 exc1,zi_pre = filter(A,1,s_f,zi_pre);exc1就是原始激勵，用于計算基音周期。l 計算基音周期程序中用自相關(guān)法計算基音周期。如果s(n)是一個周期為P的信號，則其自相關(guān)函數(shù)也是周期為P的信號，且在信號周期的整數(shù)倍處，自相關(guān)函數(shù)取最大值。語音的濁音信號具有準(zhǔn)周期性，其自相關(guān)函數(shù)在基音周期的整數(shù)倍處取最大值。計算兩相鄰最大峰值間的距離，就可以估計出基因周期。其實現(xiàn)代碼如下function PT=findpitch(s)B,A=butter(5,700/4000)

10、;s=filter(B,A,s);R=zeros(143,1);for k=1:143 R(k)=s(144:223)'*s(144-k:223-k);endR1,T1=max(R(80:143);T1=T1+79;R1=R1/(norm(s(144-T1:223-T1)+1);R2,T2=max(R(40:79);T2=T2+39;R2=R2/(norm(s(144-T2:223-T2)+1);R3,T3=max(R(20:39);T3=T3+19;R3=R3/(norm(s(144-T3:223-T3)+1);Top=T1;Rop=R1;if R2>=0.85*Rop Rop

11、=R2; Top=T2;endif R3>0.85*Rop Rop=R3; Top=T3;endPT=Top;returnl 計算激勵能量激勵能量G用于構(gòu)建脈沖序列時當(dāng)作脈沖序列的振幅，激勵能量和線性預(yù)測誤差E和基音周期PT有關(guān)，其公式為 G = sqrt(E*PT);l 合成脈沖序列合成的脈沖序列可根據(jù)變聲的需要更改原始的基音周期PT，如 PT1 =floor(PT/2);而后以PT1為周期，G為振幅構(gòu)建脈沖序列，作為合成語音的激勵l 更改聲道參數(shù) 利用LPC求根法以更改共振峰分布。具體過程為，對由線性預(yù)測系數(shù)A構(gòu)成的多項式求根，而共振峰頻率F和頻譜寬帶B和這些根有對應(yīng)關(guān)系。設(shè)為一個根

12、，則其共軛值也是一個根，i對應(yīng)的共振峰頻率F和3dB帶寬B存在以下關(guān)系： 所以 其中T是采樣周期。在程序中，我們只更改共振峰頻率，程序如下poles = roots(A);deltaOMG =100*2*pi/fs;for p=1:10 if imag(poles(p)>0 poles(p) = poles(p)*exp(peak*1j*deltaOMG); %peak是變聲系數(shù) elseif imag(poles(p)<0 poles(p) = poles(p)*exp(-peak*1j*deltaOMG); endendA1=poly(poles);A1是更改過聲道參數(shù)的線性預(yù)

13、測系數(shù)，用以構(gòu)建濾波器合成變聲語音。l 合成變聲語音 用脈沖序列作為激勵，A1作為濾波器參數(shù)，合成變聲語音，s_syn1_t,zi_syn_t = filter(1,A1,exc_syn1_t,zi_syn_t);程序設(shè)計 利用MATLAB的GUI進(jìn)行程序設(shè)計，結(jié)果如下： 從圖中可看出，經(jīng)過變聲器處理以后，語音信號的頻域發(fā)生了很明顯的變化，共振峰發(fā)生明顯的移動。從聽覺角度來說，變聲效果也比較明顯。傳統(tǒng)變聲算法缺陷傳統(tǒng)的變聲算法形成時間較早，是對發(fā)聲系統(tǒng)粗略的模仿實現(xiàn)語音合成，雖然能實現(xiàn)明顯的變聲效果，但還存在一些缺陷，這里只針對研究開發(fā)過程中發(fā)現(xiàn)的不足來說。l 合成激勵與原始激勵差別較大合成激

14、勵是以原始激勵的基音周期為周期的脈沖序列，忽視了原始激勵中的泛音頻率，而語音信號中泛音頻率也是決定聲音音色的重要因素，所以對泛音的忽視直接影響了變聲效果。完成變聲器的編程之后，我嘗試用基音周期不變的合成激勵與原始的聲道參數(shù)進(jìn)行語音合成，對比合成語音和原始語音，結(jié)果如下可以很明顯地看出合成激勵和原始激勵在頻譜上有較大區(qū)別，而從聽覺上而言，雖然能聽出二者音色相似，但用合成激勵合成的語音中有較多雜音。從這個簡單的實驗可以看出，激勵中的泛音對語音信號也有著相當(dāng)重要的作用，當(dāng)激勵中去除泛音時，對語音信號的頻譜分布和聽覺上有著較大影響。所以變聲算法中，只考慮基音來構(gòu)建合成激勵是有很大缺陷的。l 不能實現(xiàn)定

15、向變聲所謂定向變聲，是指把一個人的聲音定向地變成另一個人的聲音。每個人都有自己獨特的音色，也就意味著每個人的聲音信號有獨特且恒定的參數(shù)存在，一開始我猜想是這個參數(shù)便是共振峰分布，后來發(fā)現(xiàn)，雖然不同的人說相同的話的語音共振峰確實有明顯的區(qū)別，但是同一個人說不同的話共振峰的區(qū)別也非常大，下圖分別是同一個人讀“為中華崛起而讀書”和“現(xiàn)在開始錄音”的時域和頻域圖：可見共振峰分布并不相同，其實每個元音的共振峰分布本來就不一樣，這就意味著，共振峰分布不僅決定了音色，也決定了語音內(nèi)容。而實際上，僅僅在很短的時間內(nèi)（1030ms），共振峰的分布才是不變的，這也是語音信號的出來都要在短時內(nèi)進(jìn)行的原因。綜上可見，

16、傳統(tǒng)變聲算法單純從頻域上對語音進(jìn)行分析處理，是不能夠提取出具有個人特征的聲色參數(shù)的，所以不能進(jìn)行定向變聲。實現(xiàn)定向變聲的猜想我們能從語音中分辨出發(fā)聲者，又有古語“未見其人先聞其聲”也證明每個人確確實實有自己獨特的易于辨識的恒定的音色參數(shù)，如果不能從頻域上找到該參數(shù)，或許可以從其他的變換域中找到。l 小波域是否存在恒定音色參數(shù)粗略分析小波變換是一種新型的變換分析方法，它可以通過變換能夠充分突出問題某些方面的特征，能對時間（空間）頻率的局部化分析，通過伸縮平移運算對信號（函數(shù))逐步進(jìn)行多尺度細(xì)化，最終達(dá)到高頻處時間細(xì)分，低頻處頻率細(xì)分，能自動適應(yīng)時頻信號分析的要求，從而可聚焦到信號的任意細(xì)節(jié)，解決了傅立葉變換的困難問題，成為繼傅立葉變換以來在科學(xué)方法上的重大突破。我認(rèn)為小波變換尋找恒定音色參數(shù)的優(yōu)勢有：1，小波變換可以對非平穩(wěn)信號進(jìn)行分析語音信號是非平穩(wěn)信號，只有在短時間內(nèi)（1030ms）才具有平穩(wěn)特性，意味著只有在短時間內(nèi)語音信號在頻域上才具有恒定的參數(shù)，又由觀察可知音色只有在較長的一段時間的語音信號中才能顯現(xiàn)出來的，而小波變化可以對非平穩(wěn)信號進(jìn)行分析，那么語音信號在小波域上具有恒定參數(shù)的可能性就非常大。2，小波變換中考慮了時域特性我們可以觀察發(fā)現(xiàn)，音色是需要較長的語音信號才能顯現(xiàn)出來的，如果讓兩個人只發(fā)10ms的聲音（可能的話），那么辨認(rèn)兩者的音色應(yīng)該是不太可