摘要：語音由發(fā)音器官發(fā)出，通過聲電傳感器，語音可以轉(zhuǎn)化連續(xù)的模擬電信號;隨著電子技術(shù)和計(jì)算機(jī)技術(shù)的進(jìn)一步發(fā)展，語音信號的處理得到了飛速的發(fā)展;語音信號分析處理包括時(shí)域分析和頻域分析兩大類;語音的時(shí)域分析包括短時(shí)能量分析、短時(shí)過零率分析、短時(shí)相關(guān)分析，時(shí)域分析目的是提取語音時(shí)域特征，據(jù)此進(jìn)行語音端點(diǎn)檢測。

關(guān)鍵詞：語音信號;時(shí)域分析;幀能量;幀過零率;端點(diǎn)檢測

中圖分類號：TP391 ? ? ?文獻(xiàn)標(biāo)識(shí)碼：A

文章編號：1009-3044（2022）13-0096-03

語言是人類特有的能力，是人們相互交流的重要工具。語音由發(fā)音器官發(fā)出，通過聲電傳感器，語音可以轉(zhuǎn)化連續(xù)的模擬電信號，例如電話機(jī)就屬于這樣一種轉(zhuǎn)換，這就是最早的語音信號處理。通過聲電和電聲的轉(zhuǎn)換，實(shí)現(xiàn)語音和電信號之間的相互轉(zhuǎn)換，達(dá)到遠(yuǎn)距離傳輸?shù)哪康?。隨著電子技術(shù)和計(jì)算機(jī)技術(shù)的進(jìn)一步發(fā)展，語音信號的處理得到了飛速的發(fā)展。

對語音信號進(jìn)行分析和處理，一直是研究的熱門。通常首先需要對連續(xù)的模擬語音信號進(jìn)行采樣和量化，轉(zhuǎn)換為離散的數(shù)字信號，形成音頻文件，便于計(jì)算機(jī)處理。用計(jì)算機(jī)進(jìn)行語音信號處理，極大地提高了語音信號處理的效率。

語音信號分析處理包括時(shí)域分析和頻域分析兩大類。分析前通常需要先對語音信號進(jìn)行分幀，即把語音信號分解為很多相對短時(shí)間的、固定時(shí)長的一段信號，稱為幀。每一幀語音信號可以視為短時(shí)平穩(wěn)的隨機(jī)信號。時(shí)域分析用于分析和提取語音的時(shí)域特征，是最簡單、直觀的分析手段。語音的時(shí)域特征包括短時(shí)能量分析、短時(shí)過零率分析、短時(shí)相關(guān)分析等。這里短時(shí)指的是一幀語音。頻域分析用于分析和提取語音的頻域特征，這些特征包括語音的頻譜、倒譜、復(fù)倒譜、功率譜等。分析方法有離散傅里葉變換、帶通濾波器組，以及線性預(yù)測等[1]。

本文對語音信號進(jìn)行時(shí)域分析，分析其幀能量，幀過零率等時(shí)域特征，并對語音進(jìn)行端點(diǎn)檢測。

1 語音采樣數(shù)據(jù)的獲取

目前很多用于語音處理的語音庫文件都采用wav格式，這種文件格式是一種重要的數(shù)字音頻文件格式。wav格式的文件沒有對語音數(shù)據(jù)進(jìn)行壓縮，所以其文件比其他格式如MP3、MP4、RAM等格式的音頻文件更大。但也正因?yàn)闆]有采用壓縮技術(shù)，wav文件中聲音的采樣數(shù)據(jù)很容易被讀出來，便于做其他處理。wav格式是微軟公司開發(fā)的一種聲音文件格式，也叫波形文件，是最早的數(shù)字音頻文件格式，它具有RIFF（Resource Interchange File Format）格式。RIFF格式的wav文件由若干個(gè)Chunk（塊）組成，按順序?yàn)镽IFF WAVE Chunk、Format Chunk、Fact Chunk（可選）和Data Chunk。每個(gè)塊都有固定而且類似的格式，第1部分是塊的ID，作為標(biāo)識(shí)，4個(gè)字節(jié)，緊跟其后的是該塊的大小，也是用4個(gè)字節(jié)表示，低字節(jié)表示低位，高字節(jié)表示高位;第3部分略有差異[2]。

筆者用C++編程，首先讀取Web語音文件，為此，定義了四種結(jié)構(gòu)體，分別對應(yīng)上述4種塊。再定義文件指針，并打開文件：

FILE *wav_in;

wav_in=fopen（filename，"rb"）;

wav文件是二進(jìn)制文件，所以用參數(shù)"rb"。再結(jié)合文件位置指針進(jìn)行讀?。?/p>

file_pos=ftell（wav_in）;

由于wav格式存儲(chǔ)的語音數(shù)據(jù)是整數(shù)，因此定義了整型數(shù)組pcm_data來存儲(chǔ)。存儲(chǔ)在wav文件中的每個(gè)音頻數(shù)據(jù)為16位，因此數(shù)組pcm_data是16位。

2 語音信號的端點(diǎn)檢測

端點(diǎn)檢測的目的是檢測和確定語音信號的開始和結(jié)束端點(diǎn)，進(jìn)而把非語音信號部分舍棄，只保留語音信號部分的數(shù)據(jù)，以減少數(shù)據(jù)量，節(jié)約計(jì)算機(jī)處理時(shí)間，從而提高處理速度。如果語音信號沒有噪音，端點(diǎn)檢測比較容易處理?？梢院唵瓮ㄟ^語音信號的短時(shí)（幀）過零率，和短時(shí)（幀）能量檢測到端點(diǎn)，因?yàn)檎Z音信號都有一定的能量和過零率，而靜音狀態(tài)下的語音信號能量很小，幾乎為0，過零率也沒有。計(jì)算出每幀語音的能量和過零率，并比較相鄰幀的能量和過零率，就這樣可以確定語音的端點(diǎn)。

如果語音信號混合了噪音，端點(diǎn)檢測過程比較復(fù)雜。除了幀能量和過零率之外，還需要結(jié)合其他的參數(shù)，才能確定語音的端點(diǎn)[3]。例如，可以結(jié)合頻譜來分析端點(diǎn)，有些噪音的頻率高于正常的語音信號，因此，可以把頻譜中頻率高的部分認(rèn)為是噪音。也可以采取措施先消除噪聲，例如用小波消除噪聲[4]。小波變換是一個(gè)時(shí)間和頻率的局部變換[5]。

先對語音信號進(jìn)行分幀，幀長統(tǒng)一采用20ms，相鄰兩幀沒有交叉重疊。

FrmLength=（unsigned short int）20.0*fmt_block.wavFormat.dwSamplesPerSec/1000;

其中dwSamplesPerSec是每秒采樣點(diǎn)數(shù)，即采樣率。上述語句把幀長由20ms時(shí)間轉(zhuǎn)換為離散點(diǎn)數(shù)。

計(jì)算幀的數(shù)量：

nFrm=nSamples/FrmLength;

其中nSamples是采樣點(diǎn)總數(shù)。

接下來通過一個(gè)循環(huán)計(jì)算每幀能量和過零率，其中，計(jì)算幀能量時(shí)，采用歸一化的幅值的平方和。而過零率計(jì)算，則判斷前后兩個(gè)幅值，如果是異號，則過零率加2;如果是同號，則過零率不變。

（1） 置每幀能量初值為0，每幀過零率初值為0;

（2） 在一幀內(nèi)，循環(huán)計(jì)算每個(gè)點(diǎn)的能量值，累加到本幀的能量中;判斷前后兩個(gè)語音點(diǎn)的幅值，如果是異號，則過零率加2;如果是同號，則過零率不變;

（3） 判斷是否所有幀都計(jì)算機(jī)完畢，如果沒有，則轉(zhuǎn)（1），計(jì)算下一幀;如果所有幀都已經(jīng)計(jì)算完畢，則循環(huán)結(jié)束，進(jìn)入下面的端點(diǎn)檢測。

端點(diǎn)檢測就是確定語音信號的開始和結(jié)束端點(diǎn)，本文假設(shè)語音信號都是沒有噪音的，因此，在沒有語音的部分，信號幅值幾乎等于零。大致步驟是：先確定端點(diǎn)所在幀，為此，設(shè)定一個(gè)閾值，再按順序檢測每一幀的能量。當(dāng)檢測到某一幀的能量大于等于閾值時(shí)，可以確定端點(diǎn)在這一幀。考慮到計(jì)算一幀語音的能量時(shí)，用的是歸一化后的幅值的平方和，幀語音能量的絕對值不大，因此，設(shè)定閾值為1。具體步驟如下：

（1） 置幀號為1;

（2） 讀取該幀語音能量;

（3） 判斷其能量值是否大于等于1，若大于等于1，則該幀號就是起始端點(diǎn)所在幀，結(jié)束循環(huán);否則幀號加1，轉(zhuǎn)（2）。

確定結(jié)束端點(diǎn)所在幀時(shí)，從最后一幀語音開始，逆序向前檢測每一幀語音的能量值，判斷其是否大于等于閾值。具體步驟如下：

（1） 置幀號為幀數(shù)量，即最后一幀;

（2） 讀取該幀語音能量;

（3） 判斷其能量值是否大于等于1，若大于等于1，則該幀號就是結(jié)束端點(diǎn)所在幀，結(jié)束循環(huán);否則幀號減1，轉(zhuǎn)（2）。

確定端點(diǎn)所在幀之后，再在該幀語音內(nèi)進(jìn)一步確定具體哪個(gè)位置，才是語音的開始和結(jié)束端點(diǎn)。為此，也設(shè)定一個(gè)閾值0.05。之所以設(shè)置比較小的一個(gè)數(shù)，是因?yàn)橛玫氖菤w一化后的幅值。在該幀范圍內(nèi)，從第一個(gè)點(diǎn)按順序檢測。當(dāng)某個(gè)點(diǎn)的幅值歸一化值大于等于0.05時(shí)，可以確定該點(diǎn)就是語音的端點(diǎn)。具體步驟如下：

（1） 置循環(huán)初值j=1;

（2） 由起始點(diǎn)所在語音幀號spFrm，以及j，由下式計(jì)算得到實(shí)際的語音采樣點(diǎn)順序號k，

k=（spFrm-1）*FrmLength+j;

（3） 獲取該采樣點(diǎn)的歸一化幅值;

（4） 判斷其幅值是否大于等于0.05，若大于等于0.05，則該采樣點(diǎn)編號k就是起始端點(diǎn)的真實(shí)語音采樣點(diǎn)號sp，結(jié)束循環(huán);否則j+1，檢測下一個(gè)采樣點(diǎn)，轉(zhuǎn)（2）。

確定語音結(jié)束端點(diǎn)的過程如下：

（1） 置循環(huán)初值j為幀長，即從結(jié)束端點(diǎn)所在幀的最后一個(gè)點(diǎn)開始，逆序往前逐個(gè)檢測;

（2） 由結(jié)束點(diǎn)所在語音幀號epFrm，以及j，由下式計(jì)算得到實(shí)際的語音采樣點(diǎn)順序號k，

k=（epFrm-1）*FrmLength+j;

（3） 獲取該采樣點(diǎn)的歸一化幅值;

（4） 判斷其幅值是否大于等于0.05，若大于等于0.05，則該采樣點(diǎn)編號k就是結(jié)束端點(diǎn)的真實(shí)語音采樣點(diǎn)號ep，結(jié)束循環(huán);否則j+1，檢測下一個(gè)采樣點(diǎn)，轉(zhuǎn)（2）。

3 運(yùn)算結(jié)果

本文錄制了幾個(gè)英文單詞，音頻文件全部為wav格式，用全面介紹的方法進(jìn)行了預(yù)處理，包括分幀和端點(diǎn)檢測，并且用圖形把結(jié)果顯示出來，如圖1所示為英文單詞“important”的語音波形及短時(shí)能量和短時(shí)過零率波形。

從圖2可知，英文單詞important的波形文件是雙聲道音頻文件，第5行起是具體的雙聲道的采樣數(shù)據(jù)。

從圖3可以看出，端點(diǎn)檢測結(jié)果是語音起始端點(diǎn)號為1797，該點(diǎn)采樣數(shù)據(jù)位于第3幀。語音結(jié)束端點(diǎn)號為41453，該點(diǎn)采樣數(shù)據(jù)位于第47幀。端點(diǎn)檢測前采樣點(diǎn)數(shù)為圖2的46739，經(jīng)過端點(diǎn)檢測，去掉起始端點(diǎn)前，和結(jié)束端點(diǎn)后無語音部分采樣點(diǎn)數(shù)據(jù)，剩余采樣點(diǎn)數(shù)為圖3的39657，其數(shù)據(jù)量減少為原來的84%，為后續(xù)處理減少了數(shù)據(jù)量。

圖4所示為英文單詞“dictionary”的語音波形及短時(shí)能量和短時(shí)過零率波形。

從圖5可知，英文單詞dictionary的波形文件也是雙聲道音頻文件，第5行起是具體的雙聲道的采樣數(shù)據(jù)。

從圖6可以看出，端點(diǎn)檢測結(jié)果是語音起始端點(diǎn)號為7676，該點(diǎn)采樣數(shù)據(jù)位于第9幀。語音結(jié)束端點(diǎn)號為41222，該點(diǎn)采樣數(shù)據(jù)位于第47幀。端點(diǎn)檢測前采樣點(diǎn)數(shù)為圖5的47184，經(jīng)過端點(diǎn)檢測，去掉起始端點(diǎn)前，和結(jié)束端點(diǎn)后無語音部分采樣點(diǎn)數(shù)據(jù)，剩余采樣點(diǎn)數(shù)為圖6的33547，其數(shù)據(jù)量減少為原來的71%。

其余計(jì)算結(jié)果也說明，端點(diǎn)檢測是減少語音采樣數(shù)據(jù)量的很有效的方法。

4 結(jié)語

隨著計(jì)算機(jī)技術(shù)的發(fā)展，計(jì)算機(jī)語音處理技術(shù)獲得了廣泛的應(yīng)用。其應(yīng)用領(lǐng)域包括人工智能、虛擬現(xiàn)實(shí)、智能服務(wù)、智能家居等。語音信號處理實(shí)際上涉及多個(gè)學(xué)科領(lǐng)域，包括語音學(xué)、語言學(xué)、認(rèn)知科學(xué)，以及心理學(xué)等多個(gè)學(xué)科。語音端點(diǎn)檢測是檢測和確定語音的實(shí)際起始端點(diǎn)和結(jié)束端點(diǎn)。明確了端點(diǎn)，就可以把端點(diǎn)以外的采樣點(diǎn)數(shù)據(jù)舍棄，進(jìn)而減少數(shù)據(jù)量，為后續(xù)處理提高效率。

參考文獻(xiàn)：

[1] 趙力.語音信號處理[M].3版北京：機(jī)械工業(yè)出版社，2016.

[2] 羅海濤.wav格式與數(shù)據(jù)獲取[J].電腦知識(shí)與技術(shù)，2016，12（27）：211-213.

[3] 羅海濤.含噪語音信號端點(diǎn)檢測[J].計(jì)算機(jī)時(shí)代，2017（10）：8-10.

[4] Luo H T.Local thresholding de-noise speech signal[C]//SPIE Proceedings，F(xiàn)ifth International Conference on Digital Image Processing （ICDIP 2013）.Beijing，China.SPIE，2013.

[5] 羅海濤.用小波消除語音噪聲[J].福建電腦，2017，33（8）：119-120.

【通聯(lián)編輯：梁書】