第一章：语音信号的基本理论.ppt

第一章：语音信号的基本理论 语音的产生 语音信号的短时谱、语谱图以及元音、辅音的产生机理及特点 语音信号的产生模型 语音信号的短时分析技术 语音信号的短时自相关函数 语音信号的短时基音周期估计 1、语音信号的时频特性 一段语音信号的演示（MatLab） 语音信号波形是语音声波经过声-电转换器得到的连续时间函数；波形图是语音幅度随时间变化的二维图。 波形以振幅随时间变化为特征，综合的表达了语音的全部信息：包括语音的内容、音调、音质、相对音量变化等； 波形特性 语音信号幅度动态范围一般最大为40分贝，实际由于说话人的差别可以达到60~70分贝。 元音幅度较大，有准周期性；清辅音幅度小，和噪声特性相似。 在长时间的语音信号中有相当多的无信号区间，即所谓的语音寂静区间。 幅度概率密度函数以零幅和近似零幅的概率高，而幅度非常高的情况概率很小。 长时平均幅度的概率密度分布可以用高斯分布、拉普拉斯分布和伽玛(Gamma)分布逼近。 对于短时幅度概率密度用高斯分布逼近就够了。 长时平均幅度的概率密度分布 语音信号相邻样值之间存在很大的相关性 以汉语发音为例来对语音波形图加以说明： 从波形图上可以区分以下几类发音： 无声段和幅度较小的随机噪声段：特点是波形幅度明显小于发音段，波形无规则 爆破音：特点是时长很短，仅有一两个脉冲，幅度大于无声段，一般处于辅音前； 辅音：b,d,g,p,t,k,s,sh,x,h,f,z,zh,j,c,ch,q,m,n,l,r等，特点是波形幅度略大于无声段，波形无规则，一般处于具有周期性波形的元音之前； 元音：特点是波形幅度明显大于无声段，波形具有周期性。 频率特性 带宽有限一般为20~3400Hz ,有限的带宽特性决定了可以用有限的奈奎斯特取样速率，把语音信号离散化 功率谱密度 语音中不同频谱分量的平均概率可以用长时平均谱密度来表示。 语音波形高频分量对语音总能量的贡献很小，但是高频分量带有重要的语音信息，平均功率谱约在250-500Hz处最大，而高于此频率的功率谱约以每倍频程6~10dB下降。 语音信号的短时频谱并不总是低通特性。辅音有较高的频谱分量，显噪声特性；元音从总体上看是低通的，显示明显的局部特性。 语谱图 语谱图在1941年由贝尔实验室研究人员发明，它试图用三维的方式显示语音频谱特性， 纵轴表示频率，横轴表示时间，颜色的深浅表示特定频带的能量大小，语谱图的发明是语音研究的一个里程碑，它将语音的许多特征直观的呈现出来。 语谱图分为宽带语谱图和窄带语谱图两种。 语谱图 宽带语谱图：带宽约为300Hz，具有良好的时间分辨率，但是频率分辨率较差； 窄带语谱图：带宽约为45Hz,具有良好的频率分辨率，但是时间分辨率较差。 在不同的语谱图上所表现的语音特征也不同。 语谱图 宽带与普图的典型谱型： 宽横杠（Bar）：代表元音的共振峰位置，表现为图中与水平时间轴平行的较宽的黑杠，不同元音的共振峰位置不同，根据宽带语谱图上各横杠的位置可以区分不同的元音，不同人发音的第一共振峰位置会不同，但其分布结构是相似的。 冲直条（spike）代表塞音（b,d,g,p,t,k）或塞擦音（z,zh,j,c,ch,q）,表现为图中与垂直频率轴平行的较宽的黑条，在时间上持续时间很短，在频率轴上集中区位置随不同的辅音而不同 摩擦乱纹（fill）:代表摩擦音（s,sh,x,f,h）或者送气音的送气部分，表现为图中无规则的乱纹。 语谱图 窄带语谱图的典型谱型： 窄横条：代表元音的基音频率及各次谐波，表现为图中与水平轴平行的线条，窄横条在频率轴的位置对应了音高频率值，随时间轴的曲折、升降变化代表了音高变化的模式 无声间隙段：对应于语音的停顿间隙，在图中表现为空白区，在两种语谱图中都存在。 毕业语谱图 旷课语谱图 曼谷语谱图 受用语谱图 语音信号的产生 语音信号的频谱分量300-3400Hz 语音信号的短时性 5-50ms 语音信号的最基本组成单位是音素，音素可以分为浊音和清音，在短时分析的基础上可以判断一段语音属于哪一类 清音与浊音 浊音（Voiced Speech ） 声带的振动产生准周期的声门脉冲激励声道产生浊音； 在时域是准周期的（quasi-periodic），在频域具有谐波结构； 周期脉冲的频率就是基频（Fundamental Frequency）或基音（Pitch）； 清音（Unvoiced Speech ） 当气流在声道中受到阻碍时，产生湍流，此时生成清音。 清音在时域类似随机噪声，在频域具有宽带特征； 混合音（Mixed Speech ） 浊音的能谱由精细的谐波结构和共振峰结构刻画。 共振峰结构，即谱包络（Spectral Envelope）共振峰（Formant）就是谱包络的峰值。 共振峰反应了声道的共振特性，一般人