语音处理 - Wikiwand
For faster navigation, this Iframe is preloading the Wikiwand page for 语音处理.

语音处理

维基百科,自由的百科全书

为单片机实验服务的语音模块
为单片机实验服务的语音模块

语音处理(Speech processing),又称语音信号处理人声处理,其目的是希望做出想要的信号,进一步做语音辨识,应用到手机界面甚至一般生活中,使人与电脑能进行沟通

语音信号的来源

人声是由于声带震动,而产生声音。当运动肌肉挤压,使脏中的空气通过声带时,空气流动使得声带做周期性的震动,又再一次震动了空气,接着,带着动能空气离开气管到达口腔或鼻腔,在腔室中震动,最后离开在嘴唇传到人耳变成声音。

若调整口腔中舌头的位置,会产生不同种类的声音,如果舌头没有做太多的动作,空气只有在口腔中共振,接着直接流出嘴唇,会产生母音,若提起舌头,使口鼻腔相通,则会出现鼻音。

语音信号分类

从中文发音的观点来说,声音仍可分为子音与母音,母音和子音可以用两种方式区分:

  • 发声方式:一般而言,母音跟嘴唇形状有关,而且不与鼻腔共振。相对而言,在发出子音时,就会运用到鼻腔配合发声。
  • 频谱分析:从频谱上观察可以发现子音的信号频率较高,持续时间较短,且会在母音之前出现。而母音的频率较低,持续时间较长,在子音后或独立出现,另外,母音的能量也会比子音大。

下面列出中文注音符号中的母音、子音及其拼音。

  • 母音:ㄚ ㄛ ㄜ ㄝ ㄞ ㄟ ㄠ ㄡ ㄢ ㄣ ㄤ ㄥ ㄦ 一 ㄨ ㄩ
母音
汉语拼音 a o e e ai ei ao ou
通用拼音 a o e e ai ei ao ou
母音
汉语拼音 an en ang eng er i,y u,w yu,ju
通用拼音 an en ang eng er i,y u,w yu,ju
  • 子音:ㄅ ㄆ ㄇ ㄈ ㄉ ㄊ ㄋ ㄌ ㄍ ㄎ ㄏ ㄐ ㄑ ㄒ ㄓ ㄔ ㄕ ㄖ ㄗ ㄘ ㄙ
子音
汉语拼音 b p m f d t n
通用拼音 b p m f d t n
子音
汉语拼音 l g k h j q x
通用拼音 l g k h j q x
子音
汉语拼音 zh ch sh r z c s
通用拼音 zh ch sh r z c s

语音的架构

要分析语音信号前,必须先了解其架构,语音的要素从小到大分别是:音素→音节词汇→句子→整段话。

音素是声音的最小单位,例如“呵”这个字的音素,就是“ㄏ”和“ㄜ”,但是音素和注音符号并不相等,例如“鸥”虽然只有“ㄡ”这个母音,但是由于是双母音,所以会把他拆成两个音素。音节在中文而言,就是只一个字,例如:“天天开心”就有四个音节。词汇是文字组成的有意义片段,各种不同的词汇集结成句子,最后变成整段话,这就是语音的架构。

语音处理方法

用麦克风或其他装置收到的类音声音信号,经由模拟数字变换装置,将资料数据化进行处理,最后再经过数字模拟变换装置输出。因此,我们在处理时是针对数字信号,语音信号是一种离散时间信号。其信号处理流程如下:

  1. 收取并采样信号:利用麦克风或各种收音装置,收取模拟语音信号,再用ADC装置(如模拟数字变换卡)把模拟信号变成数字信号,接着根据奈奎斯特理论作采样,若不符合理论则会造成信号失真。
  2. 量化及编码:由于电脑中的记忆都是0和1,因此要将所收到的数据用一段适合的0跟1去储存,这个动作就称为量化,所使用的0与1越多,所需的内存越多。接着利用编码器将数值以波形呈现,因此虽然是数字信号,但是在电脑中所见到的是模拟。
  3. 信号标准化:将语音信号标准化,使其数值都落在同一个范围。
  4. 音框选择:由于语音信号是一段很长的信号,因此会针对想要处理的部分取音框。
  5. 端点侦测:端点侦测的目的是使信号处理的范围更精确,只要设定一个音量阈值,若信号小于阈值,则将其视为没信号,但是若噪声过高,则会产生误差。
  6. 去噪声:由于噪声多集中在高频的部分,因此利用简单的高频滤波器,就可以去掉部分噪声。

基本处理方法

语音信号是属于离散时间系统,因此会用离散时间的傅里叶变换去做处理,除此之外,卷积窗函数都是一定会使用到的处理方法。

  • 离散时间傅里叶变换:
  • 卷积:

两信号做convolution等于,两信号先做傅里叶变换,相乘后再做反傅里叶变换,借此可以更快速的处理信号。

语音处理的应用

语音处理主要有两个目的:

  • 减少信号噪声,做出想要的信号模组。
  • 进行语音辨识,使人可以利用语言与电脑沟通。

参见

参考文献

{{bottomLinkPreText}} {{bottomLinkText}}
语音处理
Listen to this article