[发明专利]共振峰包络估计、语音处理方法及装置、存储介质、终端

说明书

一种共振峰包络估计、语音处理方法及装置、存储介质、终端，共振峰包络估计方法包括：获取频域语音信号；确定所述频域语音信号在预估频率范围内的多个频谱峰，所述预估频率范围是根据预设声源的声道特性以及所述预设声源的感知频率确定的；对所述多个频谱峰进行插值运算，以得到所述频域语音信号的共振峰包络。本发明技术方案能够在保证共振峰估计的简单易实现的基础上保证估计的准确性。

技术领域

本发明涉及语音处理技术领域，尤其涉及一种共振峰包络估计、语音处理方法及装置、存储介质、终端。

背景技术

人类语音的基本物理特征包括音高、响度、共振峰、音质和声音持续时间。传统上，语音分为两大类：元音和辅音。元音通常与更高的能量和更强的周期性相关。元音和辅音在语音感知中的相对重要性一直是多项研究的主题。在存在背景噪音的情况下使用口语句子的研究中，它表明元音比辅音在单词识别中起着更重要的作用。在存在噪声的情况下，元音会携带更多语音信息，这可能是因为共振峰提示即使在噪声中也很鲁棒。由于声道的共振，共振峰频率对应于浊音的短时能量谱中的峰值。共振峰是元音感知的主要线索之一，还有其他因素，例如频谱形状和共振峰比率。感知元音空间的多维分析已确定，占感知空间差异最大的两个维度对应于前两个共振峰频率。

通常，从语音信号中提取的共振峰频率个体依赖性较小，而上下文依赖性较大。此外，人声的性质在一定范围内是可变的，可以仔细测量并映射到词汇系统。因此，包含共振峰信息的语音特征被广泛用于语音识别任务中。从传统特征处理中提取的共振峰信息，如梅尔频率倒谱系数(Mel Frequency Cepstral Coefficient,MFCC)，感知线性预测(Preceptual Linear Prediction，PLP),很容易被噪声信号破坏。针对共振峰频率，数十年来已经提出了许多精确估计或增强技术。共振峰估计任务有三种主要方法：1.基于LPC。2.基于倒谱。3.高斯混合模型。包络的细节(例如，其峰和谷的清晰度)受到倒频谱/LPC近似的阶数的限制。高斯混合模型应用于谐波结构的正弦模型。但是，它仅在对应于基本频率(F0)整数倍的频率处具有能量。因此，难以识别相邻谐波之间的传递特性。

但是，常规的LPC/倒谱方法在描述频率和幅度上的语音共振峰时并不那么精确。通过LPC分析或倒频谱平滑估计的包络的准确性受到其顺序的限制，正弦模型受谐波限制。所有这些方法的结果都可以通过使用边信息(例如相邻帧的频谱)进行迭代估计来改善，但需要花费更多的计算能力和存储资源。

发明内容

本发明解决的技术问题是如何在保证共振峰估计的简单易实现的基础上保证估计的准确性。

为解决上述技术问题，本发明实施例提供一种共振峰包络估计方法，共振峰包络估计方法包括：获取频域语音信号；确定所述频域语音信号在预估频率范围内的多个频谱峰，所述预估频率范围是根据预设声源的声道特性以及所述预设声源的感知频率确定的；对所述多个频谱峰进行插值运算，以得到所述频域语音信号的共振峰包络。

可选的，所述对所述多个频谱峰进行插值运算包括：对所述多个频谱峰进行线性插值运算，以得到所述频域语音信号的共振峰包络。

可选的，所述对所述多个频谱峰进行插值运算包括：对所述多个频谱峰进行多次元内插插值，以得到所述频域语音信号的共振峰包络。

可选的，所述确定所述频域语音信号在预估频率范围内的多个频谱峰包括：将所述频域语音信号在所述预估频率范围内划分为预设数量个频段；在每一频段内确定频率值最大的位置为该频段内的频谱峰。

可选的，所述获取频域语音信号包括：获取采集到的多帧时域语音信号；将每帧时域语音信号转换为对应的频域语音信号。