基于多窗谱估计谱减法和能熵比法的语音端点检测算法.docx

基于多窗谱估计谱减法和能熵比法的语音端点检测算法
一、引言
语音端点检测是语音信号处理中一个重要的任务，目的是将语音信号从非语音部分（如噪声、静音）中分离出来。由于语音信号含有人类语言信息，因此这一任务在语音识别、语音合成等应用中都扮演着非常重要的角色。然而，由于语音端点检测的复杂性，使其成为一个有挑战性的问题。当前，许多信号处理算法被提出来用于语音端点检测。本文将介绍基于多窗谱估计谱减法和能熵比法的语音端点检测算法。
二、相关技术
1.多窗谱估计
多窗谱估计是一种同步信号分析技术，可以很好地用于提取语音信号的特征。它基于窗口函数将信号分成一系列小片段，并在每一个片段上计算功率谱密度。由于语音信号是具有短时平稳性的，因此可以在一定程度上保证谱估计的准确性。多窗谱估计被广泛应用于语音识别、语音编码、语音处理等领域。
2.谱减法
谱减法是一种经典的语音增强算法，用于从噪声中分离出语音信号。它采用的基本思想是，从频谱上将语音信号和噪声信号分离开来。该方法包括三个步骤：求得开口声学（cleanspeech）的谱密度、求得噪声的谱密度和计算频谱平均值。
首先，从开口声学中采集一些数据，然后计算其功率谱密度，得到开口声学谱密度。并利用噪声样本计算噪声谱密度。然后采用谱减的技术，将两个谱密度相减，得到经过谱减处理的谱密度，并用这个谱密度重新构建声音。
3.能熵比法
能熵比法（Energy-basedendpointdetectionalgorithm）是一种基于能量和熵的语音端点检测算法。在此算法中，首先计算输入信号在一个时间窗口内的短时平均功率。然后，计算该时间窗口内能量的平均值。
然后计算时间窗口内的信号的熵值。将平均功率值除以熵值，得到能熵比，以此为判断标准检测端点。该算法在语音端点检测中具有良好的性能。
三、算法介绍
基于多窗谱估计谱减法和能熵比法的语音端点检测算法将两种算法结合起来，可以提高语音端点检测的准确性。该算法包括以下步骤：
1.预处理
首先，对输入语音信号进行预处理。预处理的目的是将原始语音信号转换为时频域信号，以便更好地处理和分析。在预处理阶段，使用汉明窗口对语音信号进行分帧处理，并对语音信号进行离散傅里叶变换（DFT），得到语音信号的频率响应。采用梅尔滤波器组，对语音信号进行压缩性滤波，将其转换为更符合人类听觉感觉的梅尔频率。
2.多窗谱估计
在该算法中，采用多窗谱估计方法来计算语音信号的能量谱。多窗谱估计方法采用短时傅里叶变换，将语音信号划分成很小的时间段，并在每个时间段中计算功率谱密度。在一般情况下，窗口大小应小于信号的周期，因为这可以使频域的图像中更多的谐波线正好落在窗口的中心位置。
3.谱减法
使用谱减法来进行噪声消除,可以采用经典的阈值模型来实现，阈值可以根据不同情况灵活调整。将语音信号和噪声信号在频域内分离开来，通过谱减算法将噪声从语音信号中减去，得到无噪音的语音信号。
4.能熵比法
能熵比法是基于能量和熵的语音端点检测技术。在该算法中，首先计算每个时间段的短时平均功率。然后计算该时间窗口内的信号的功率平均值。然后计算该时间窗口内的信号的熵值。然后将功率平均值除以熵值，得到能熵比，以此为判断标准检测出端点。
5.端点检测
在本算法中，采用双门槛方法进行端点检测。双门槛方法将端点检测分为两个部分：第一个部分使用低门槛，在不同时间段内检测是否存在语音信号；第二个部分使用高门槛，检测语音信号的开始和结束位置。如果高门槛检测到时间段内存在语音信号，则认为该时间段包含一个语音段，否则该时间段被视为非语音部分。
6.后处理
因为信噪比较低，会导致算法触发误检所以需要后处理。后处理的目的是减少误报。这个过程需要利用语音信号的特征分析来区分语音和非语音部分。例如，通过语音信号的能量和短时平均过零率判断是否包含语音信号。如果该时间段内的语音信号太短，则被忽略。
四、实验结果
我们在TIMIT数据集上进行了实验，对不同的端点检测算法进行性能测试。结果显示，基于多窗谱估计谱减法和能熵比法的语音端点检测算法的效果最好。该方法在噪声高的情况下具有较好的稳定性，对于不同语音数据集都可达到很好的效果。
五、结论
综上所述，本文提出了基于多窗谱估计谱减法和能熵比法的语音端点检测算法。该算法结合了多窗谱估计和能熵比两种技术，能够准确地检测语音信号的端点。我们在实验中证明了其在识别不同语音数据集的成功率，显示出它比其他算法具有更好的性能。该算法有可能成为一种有前途的开发语音端点检测技术。