第2章 音频处理技术与应用.ppt

第2章音频信息处理2.1音频处理基础

2.1.1音频信号概述 （2）声音信号的心理学特征
人们感知到的声音特征称为心理学特征。
音调：在音乐中又叫音高，是由发声物体的振动频率决定，振动越快（即频率越大），音调越高，振动越慢，音调越低。音调的高低与声音基频的对数（20*log）成线性关系。基频越低，给人的感觉是声音越低沉，基频频率增加一倍，在音乐上就叫升高了一个八度。
音色：这是一个主观评价声音的量，声音的音色取决于声音的频谱结构，一般高次谐波越丰富，音色越明亮并具有穿透力。
响度：人耳对声音强弱的感觉程度，主要取决于振幅和声压。通常振幅越大声音越响，其次人耳距离声源越远，声音越小。 （3）声音质量的评价
声音质量与带宽有关，频率范围越宽，声音质量越高。

1）声音质量分级：按照声音信号的频率范围将声音质量分为5级。
3．音频信号的表示
声音信号通过麦克风等设备转换成电信号以后称之为音频信号。
（1）规则音频信号
规则音频（Audio）是带有语音、音乐和音效的有规律的音频信号，承载了一定的信息。
语音：是语言的载体，有丰富的语言内涵，是人类交流的信息载体。
音乐：是一种规范的符号化的声音。
音效：是指自然界中的其他各种声音效果，如掌声、雷鸣声，爆破声等。
不规则声音：不包含任何信息的声音，比如噪声。
（2）音频信号的表示
1）音频信号的数学表示

其中：ω0表示声音的基音，决定了音调的高低，nω0是ω0的n次谐波分量，代表了声音的泛音，决定了声音的音色，An是声波的振幅，表示声音的强弱。2）音频信号的波形表示声音信号是典型的连续信号，不仅在时间上是连续的，而且在幅度上也是连续的，属于模拟信号。
（1）采样
声音信号在时间轴上的离散化，即每隔相等的一段时间抽取一个信号样本。
采样频率：每秒采样的次数。
奈奎斯特理论（Nyquisttheory）：采样频率不应低于声音信号最高频率的两倍，这样就能把以数字声音还原成原来的声音，称为无损数字化。
fs>=2fmax
电话话音信号的最高频率约为3.4kHz，所以采样频率取为8kHz。（2）量化
将连续的声音信号的幅度离散化。
也就是采样过程中对每一个采样点的幅度值用数字量来表示。如果幅度的划分是等间隔的，称为线性量化，否则为非线性量化。
采样精度：即量化的位数，位数越多量化等级数也越多，所能表示的声波幅度的动态范围也越大，当然需要的存储空间也越大。 （3）编码
就是用一组二进制码组来表示每一个有固定电平的量化值，或者说将量化值转换成二进制码组。
典型的音频编码方法：脉冲编码调制法（PCM）。
（4）数字音频的数据量
数据量=采样频率*采样精度*采样时间*声道数/8（字节数）
单声道：一次只产生一组声波数据，
立体声：一次产生两组声波数据，分别送往左声道和右声道，根据声音到达人耳的时间差产生空间立体效果，因此立体声声波数据所需存储空间是单声道的一倍。
例2.1计算一分钟未压缩的高保真立体声数字声音数据的大小。
60*（44100*16*2）/8=10.09MB
一首未经压缩的4分钟的歌曲文件的大小约为40MB，那么一个容量为512MB的MP3播放器也只能播放12首这样的歌曲。（1）电话质量的语音压缩标准
（2）调幅广播语音压缩标准：G.722
（3）高保真立体声的宽带音频压缩标准1．WAV文件：波形文件，微软开发，需要的存储量大，多用于存储简短的声音片段和旁白。
2．MIDI文件：记录的是生成音乐的指令，MIDI文件短小。由于MIDI记录的并不是真正的声音，所以不同的声卡，不同软波表，不同硬件音源的音色是不相同的，相同的MIDI文件在不同的设备上播放也会有不同的效果。MIDI文件适合作为背景音乐来播放。
3．MP3文件：是MPEG音频第3层的简称，有损压缩，压缩比达12:1。MP3利用人耳的掩蔽特性，削减音频中人耳听不到的成分，同时尽可能地维持原来的声音质量。
4．RA文件：属于RealMedia的音频部分，采用流式传输方式，可以在非常低的带宽下提供足够好的音质让用户能在线聆听。
5．WMA文件：WindowsMedia的音频部分。无损压缩，支持多声道编码。
6．AC3文件：又叫杜比数码环绕立体声，压缩比10:1，提供的环绕声系统由5个全频域声道和1个超低音声道组成，称为5.1声道，一般作为DVD的伴音。2.1.3数字音频处理技术2）语音识别系统分类
对说话人说话方式的要求
孤立字（词）语音识别系统
连接字语音识别系统
连续语音识别系统。
对说话人的依赖程度
特定人语音识别系统
非特定人语音识别系统
词汇量大小
小词汇量语音识别系统
中等词汇量语音识别系统
大词汇量语音识别系统
无限词汇量语音识别系统。语音合成技术：指利用计算机合成语音信号的技术，使计算机能够产生高清晰度和