[发明专利]一种基于特征值编码的语音信号端点检测方法

说明书

本发明公开了一种基于特征值编码的语音信号端点检测方法。该方法首先分帧提取短时能量和短时过零率特征参数，统计短时能量的平均值、短时过零率的平均值和短时过零率的最大值，由统计结果和经验参数对短时能量设置4个阈值，对短时过零率设置1个阈值，根据这些阈值对语音特征进行编码，然后基于每帧的特征值编码，按照五级判定规则，对语音信号进行端点检测。本发明对有声段的短时能量设置了最低阈值的限制，对于模棱两可的疑似语音，结合相邻帧的特征按规则进行取舍，五级判别规则可有效应对各种复杂情况，避免误检和漏检，能显著提高语音信号端点检测的正确率。

技术领域

本发明属于语音信号处理领域，具体涉及一种基于特征值编码的语音信号端点检测方法。

背景技术

语音信号可以分为有声段和无声段，有声段又可辅音段、元音段以及辅音和元音之间的过渡段。在语音识别和说话人识别系统中，无声段的混入会显著降低系统的识别性能，必须将每一个有声段的起止位置检测出来，这就是语音信号的端点检测技术。

语音信号具有短时平稳的特征，通过分帧处理提取语音信号的短时特征，时间域的短时特征主要有短时能量、短时过零率等，可以根据这些短时特征进行端点检测。短时能量反映了语音信号的振幅或强度，一般元音段的短时能量较强，辅音段的短时能量较弱，无声段的短时能量更弱。短时过零率表示一帧语音信号的波形穿过横轴(零值)的次数，即语音数据的正负号改变的次数，过零率在一定程度上能反映频率信息，一般辅音段的短时过零率较高，元音段的短时过零率较低，无声段的短时过零率也较低。

迄今研究者提出了多种语音信号端点检测方法，如基于短时能量的方法、基于短时能量和短时过零率相结合的双门限法、基于谱熵的方法、基于梅尔倒谱相似度的方法、基于子带信噪比的方法等。上述端点检测方法主要适用于语音压缩与编码、语音增强、语音识别等，其特点是将全部有声段(包括辅音段和元音段)从语音信号中检测出来，目的是保持语音信号的完整度、自然度和可懂度。

端点检测方法中，最常用的是基于短时能量和短时过零率相结合的双门限法，该方法根据短时能量可以较准确地区分元音段和无声段(静音段)，但对于辅音段，由于其能量较弱，仅依据短时能量极易将低于能量门限的辅音段误判为无声段，此时可利用辅音段的短时过零率较高，无声段的短时过零率较低的特点，结合短时过零率综合判断。双门限法以短时能量为主，短时过零率为辅，对短时能量设置两个阈值，高能量阈值EH和低能量阈值EL，对短时过零率设置一个阈值ZH。

双门限法进行端点检测的主要步骤和特点如下：

(1)首先根据短时能量的高阈值EH对语音信号进行一次初判。由EH可求出短时能量曲线与高阈值界线的两个交点A1、A2，其中A1为起始点，A2为终止点，A1A2之间的部分可以肯定为有声段，一般对应于主音段，但精确的起止点还需在A1点之前、A2点之后进一步查找。

(2)再根据短时能量的低阈值EL，从A1点往前，A2点往后搜索短时能量曲线与低阈值界线的两个交点B1、B2，则B1B2之间仍能肯定为有声段，但还不是最终的起止点。在B1点之前、B2点之后可能还存在辅音段，其短时能量很弱，仅依据能量特征很难将辅音段与无声段区分开。由于辅音段的短时过零率明显高于无声段，可利用短时过零率特征进一步检测有声段的精确位置。

(3)根据短时过零率阈值ZH，从B1点往前，B2点往后进行搜索，查找短时过零率高于ZH的两个边界点C1、C2，则C1C2之间即为最后检测出来的有声段。

实践中发现，利用传统的双门限法检测辅音时，只要短时能量低于EL，且短时过零率高于ZH，就判断为辅音，忽略了有声段对短时能量的最低要求，常造成误检或漏检。此外还发现，有些辅音，起始段较明显，能量较强，尾部接近元音时能量反而减弱、过零率也有所降低，容易判定为无声段，造成辅音与元音中断，整个辅音段丢失。