语音信号的基础知识.ppt

苗立刚,东北大学秦皇岛分校电子信息系,第二章 语音信号处理的基础知识,语音信号处理,语音(Speech)=声音(Acoustic)+语言(Language)语音是由一连串的音素组成语言的声音。,语音：人们讲话时发出的话语叫语音。是一种人们进行信息交流的声音，是组成语言的声音/带有语言信息的声音。,语音信号的基本概念,第二章 语音信号处理的基础知识,对语音的研究包括两个方面,1)语音中各个音的排列由一些规则所控制，对这些规则及其含义的研究称为语言学(linguistics)。语言学是语音信号处理的基础。例如：可以利用句法和语义信息减少语音识别中搜索匹配范围，提高正确识别率。,第二章 语音信号处理的基础知识,语音学和语音信号处理联系更加紧密。如：运用现代信号处理技术建立发音的数学模型，确定发音方法；用声学和非平稳信号分析理论来解释各种语音现象；语音信息的存储形式等。,第二章 语音信号处理的基础知识,2)语音中各个音的物理特性和分类的研究称为语音学(phonetics)。它考虑的是语音产生、语音感知等过程，以及各个音的特征和分类。语音学基本内容包括：发音语音学 确定发音机理 声学语音学 信号分析理论解释语音现象 听觉语音学 认识感知的过程,语音信号的产生 语音信号的感知（了解）语音信号的线性产生模型 语音信号的非线性产生模型（了解）,本章主要讨论的问题：,第二章 语音信号处理的基础知识,人类的说话过程分五个阶段,想说,说出,传送,接收,理解,语音交流是通过联结说话人和听话人的一连串心理、生理和物理的转换过程实现的。,一 语音信号的产生,大脑中枢,发音器官,空气,听觉器官,大脑中枢,语音的发音器官,一 语音信号的产生,肺和气管：能量源 咽喉：震动源，包括声带和声门声道：谐振腔，声门到嘴唇的呼吸通道，包括咽腔、口腔、鼻腔等其他发音器官：包括唇、齿、舌、面颊等，使谐振腔改变形状,与箫、唢呐比较,肺和气管,一 语音信号的产生,肺是胸腔内的一团有弹性的海绵状物质，它可以储存空气。通过正常的呼吸系统空气可以进入肺部，说话时腹肌收缩使横膈膜向上，挤出肺部的空气，形成气流。由肺部呼出的气流是语音产生的原动力。气管将肺部呼出的气流送到咽喉，它是肺部气流的通道。气管的上端是喉部。,一 语音信号的产生,喉位于气管的上端，实际上是气管末端一圈软骨构成的一个框架：前方稍高处的软骨称为甲状软骨，前后方环成一圈的称为喉部环形软骨，喉中两片肌肉称为声带，声带之间的空隙为声门。当声带张开时，声门打开，空气可自由呼出，正常呼吸就处于这种情况；当声带闭合，声门关闭。,声门和声带,当说话时，声带在软骨的作用下相互靠近但不完全闭合，声门变成一条窄缝。当气流通过气管经过咽喉时，收紧的声带由于气流的冲击而产生振动，不断地张开和闭合，使声门向上送出一连串喷流。,声带靠拢,Tp,基音周期,声带的开启和闭合称为振动。这一振动过程周而复始，形成了一串周期性脉冲气流送入声道。这个过程发出的音称为浊音。如汉语发音的a、i、u和o等。,一 语音信号的产生,F0=1/Tp，基音频率，由声带的质量来决定。F0的大小决定了声音的高低，称为音高。男性的F0大致分布在：60-200Hz 女性和儿童的F0大致分布在：200-450Hz,基音频率（Fundamental Frequency）F0,一 语音信号的产生,声带的一个重要参数：,声道,人在说话时，空气由肺部压入，由嘴唇呼出，声门由此开启和闭合，构成声带振动，然后通过声道（喉腔、咽腔和口腔）响应（引起共振特性）变成语音，气流从喉向上经过口腔或鼻腔后从嘴或鼻孔向外辐射，期间的传输通道称为声道。气流流过声道时犹如通过了一个具有某种谐振特性的腔体，放大某些频率，在频谱上形成相应位置的峰起，称为共振峰。,讲话时，由于舌和唇的连续运动，使声道形状改变，随即改变谐振频率，使得发不同的音。声道的不同的形状，对应不同的谐振频率。,声带振动频率,输出气流的频率,声道的谐振特性,一 语音信号的产生,鼻端,嘴唇,谐振频率的计算,谐振频率发生在：Fn=（声道的横截面是均匀的，发元音e时，声道近似是均匀的。）,L=17cm，声道的长度n=1,2,3 称为第一共振峰F1=500Hz、第二共振峰F2=1500Hz、第三共振峰F3=2500Hz，c=340m/s 声速,2n-1,4L,c,一 语音信号的产生,n表示谐振频率的序号,一种声道形状对应一套共振峰不同人的声道大小不同，共振峰不同同一人，发不同音，共振峰也不同声道的作用相当于一个滤波器，它放大（或增强）某些频率而衰减其他频率分量,前三个共振峰的大致范围（Hz）,一 语音信号的产生,鼻腔的作用,在软腭的帮助下，可使空气经过鼻腔排除人体外，由此产生的语音称为鼻音。如n、ng为鼻音韵母，m、n、l为鼻音声母。鼻腔是一个谐振腔，由于形状固定，故其共振峰频率是确定的。,口腔和鼻腔,口腔的作用,一 语音信号的产生,使空气经过口腔排除人体外，由此产生的语音称为口音。口腔的形状不固定，故其共振峰频率也是不确定的。,等效为激励源声道喇叭口,一 语音信号的产生,激励源：声带声带振动频率基频(基音频率)清音 声带不振动浊音 声带振动声道：可变谐振腔不同形状、不同声音共振(谐振)频率,发音的分类,浊音（voiced sounds）：声道打开，声带在先打开后关闭，气流经过使声带要发生张驰振动，变为准周期振动气流。浊音的激励源被等效为准周期的脉冲信号。清音（unvoiced sounds）：声带不振动，而在在声道某处保持收缩，气流在声道里收缩后高速通过产生湍流，再经过主声道（咽、口腔）的调整最终形成清音。清音的激励源被等效为一种白噪声信号。爆破音（plosive sounds）：声道关闭之后产生压缩空气然后突然打开声道所发出的声音。,一 语音信号的产生,一 语音信号的产生,语音是发声器官发出的一种声波，具有一定的音色、音调和音强和音长。音色:又称为音质，是一种声音区别于另一种声音的基本特性。与声带的振动频率、发音器官的送气方式和声道的形状、尺寸密切相关。音调：声音的高低，取决于声波的频率。音强：声音的强弱，它由声波的振动幅度所决定 音长：声音的长短，取决于发音持续时间的长短，,语音的基本声学特性,一 语音信号的产生,语音信号的时域和频域表示,一 语音信号的产生,语音信号的时域波形,结论1：时间的连续函数、频率幅度随时间变化是随机的,结论2：短时间内近似认为不变,结论3：元音是准周期函数(基频),结论4：清音为随机起伏,一 语音信号的产生,语音信号的频域波形,F1=500Hz，F2=1000Hz，F3=1500Hz,Tp=250Hz,一 语音信号的产生,基音周期,语音信号的语谱图,一 语音信号的产生,女声：“他去无锡市，我去黑龙江”的语谱图,1）语谱图：表示语音信号随时间而变化的频谱特性，在每个时刻用其附近的短时段语音信号分析得到的一种频谱。2）语谱图的纵轴对应于频率，横轴对应于时间，图像的灰度对应于信号的能量。3）声道的谐振频率表示为黑带，浊音部分则以出现条纹图形为特征，这是因为此时的时域波形具有周期性，而在清音的时间间隔内比较致密4）“声纹”，用于说话人识别,load mtlbspecgram(mtlb,512,Fs,kaiser(500,5),475)title(Spectrogram),一 语音信号的产生,load specgram.matwavplay(a,Fs)specgram(a,512,Fs,kaiser(500,5),475),一 语音信号的产生,汉语中语音的分类,一 语音信号的产生,音素：是发音的最小单位，分为元音和辅音。元音是构成音节的主干，从长度和能量来看，在音节中占主要位置；辅音只是出现在音节的前端或后端或前后两端，它们的时长和能量较小。音节：发音时，被明显感觉到的语音片段为音节。一个音节由一个音素或几个音素构成。单词的最小单位为音节，句子的最小单位为单词。,1）音素与音节,一 语音信号的产生,音系简单，在汉语中一个字就是一个音节，由一般为23个音素组成，而且具有音素少、音节少。英语中一个单词由若干个音节组成，一般为23个，一个音节由若干个音素组成，一般为14个。清辅音多，在听感上有清亮、高扬和舒服、柔和的感觉。有鲜明的轻重音和儿化韵，所以字词分隔清楚，语言表达准确而丰富。,2）汉语语音的特点,在汉语中，由音素构成声母和韵母。,一 语音信号的产生,声母：一个音节开始的辅音，声母完全由辅音充当，但辅音不等于声母，因为辅音还可以作为韵尾放在音节的末尾。(21个)b、p、m、f、d、t、n、l、g、k、h、j、q、x、zh、ch、sh、z、c、s、r,3）语音的拼音方法,韵母：在音节中占主要部分，音节中除了头上的声母以外的部分，由单、双元音、元音带上辅音等几种不同的形式组成。所有元音都是浊音。a、o、e、i、u、单韵母（元音）ai、ei、ao、ou、ia、ie、iao、iou、ua、uo、uai、uei、e 复韵母 an、en、ang、eng、ong、ian、in、iang、ing、iong、uan、uen、uang、ueng、an、n 鼻韵母,一 语音信号的产生,韵母是由单、双元音、元音带上辅音等几种不同的形式组成。不同的元音有不同的基音频率和共振峰模式，它们是区别不同韵母的重要参数。,区别不同韵母的重要参数,一 语音信号的产生,注意区别下述不同的概念,一 语音信号的产生,浊音和清音：按声带振动的方式来划分。元音和辅音：按音素的发音特征来划分，与声道中活动部分和固定部分的接触点的位置密切相关。声母和韵母：按音节的结构进行划分。,(元音一定是浊音。辅音包括浊音和清音。英语中：由元音和辅音（这些都是音素）构成音节，由几个音节构成一个词。汉语中：汉语中由元音和辅音构成声母和韵母，结合声调构成一个音节，一个音节就是一个字。,声母、韵母和声调是汉语语音的三要素。汉语语音的1个不同于其他语言的是它具有声调（音调）。声调是1个音节在念法上的高低升降的变化，汉语中有4个声调，即阴平（）、阳平（）、上声（）、和去声（）。,4）汉语音节的一般结构,一 语音信号的产生,声调的变化就是浊音基音周期的变化，为了将调值描写地具体一些，一般采用“五度标记法”，用一条竖线表示声音的高低，从下而上用1、2、3、4、5依次表示低、半低、中、半高、高。,5 高,4 半高,3 中,2 半低,1 低,阴平,阳平,上声,去声,一 语音信号的产生,单独发声的一个音节或是语音流中的任何一个音节都可能由7部分组成。,无声段,一 语音信号的产生,二 语音信号的感知（自学）,听觉系统耳的结构听觉的形成耳蜗的作用 听觉特性人耳的听阈及响度音调 俺蔽效应同时掩蔽和异时掩蔽各种不同的掩蔽效果,本节主要讨论的问题,研究人对声音的感知，对语音编码识别很重要，如MP3。,三 语音信号的线性产生模型,激励模型（肺部，气管，声带）声道模型（咽腔，口腔，喉腔，鼻腔）辐射模型（口唇，鼻孔）完整的语音信号的数学模型,本节主要讨论的问题：,三 语音信号的线性产生模型,传输函数,数学模型的特点：是一个终端模拟的近似模型，其内部结构与语音产生的物理过程并不一致，只是在输出端等效。,激励模型,激励模型,三 语音信号的线性产生模型,用数学方法描述肺部的气流与声带共同作用产生的激励。,发浊音时，声激励是一个准周期的单位脉冲串，Av为增益参数；为了使浊音的激励信号逼近声门振动气流的实际波形，需将冲激序列通过一个声门脉冲模型滤波器（实际上是一个斜三角波形）G(z)。最后形成一个以基音周期为周期的斜三角型脉冲波。,1）浊音激励,三 语音信号的线性产生模型,Tp为冲激脉冲的周期，声门波模型产生单个声门脉冲,单位脉冲串,单位脉冲串及幅值的Z变换形式,三 语音信号的线性产生模型,将其表示为Z变换，有：冲激序列：E(z)浊音激励模型：U(z)=AVG(z)E(z),斜三角型脉冲波,N1为斜三角波上升部分的时间，N2为其下降部分的时间,2）清音激励,清音激励模拟为随机噪声，实际中一般使用均值为0、方差为1的白噪声。,三 语音信号的线性产生模型,将声激励分为两种情况，与实际不完全相符。例如爆破音是气流在声门完全闭合处的下方建立起压力，然后除去这种障碍，使压力迅速释放，产生一种瞬时的激励。在上面的声学模型中未考虑。应将两种激励按一定比例进行叠加，更符合实际情况。,三 语音信号的线性产生模型,声道模型(共振峰模型),线性系统声道V(z),uG(n),ul(n),三 语音信号的线性产生模型,1)声音在声道的传播涉及到许多物理定律(能量守恒、流体力学)，需简化。有不同的模型。2)语音信号是一个非平稳信号，激励和声道的谐振特性随时间变化。但在2030ms内语音信号是平稳的，即激励和声道的特性几乎不变，因此认为在此时间段内系统是线性的。,用数学方法描述声道的调音特性。包括声管模型和共振峰模型,三 语音信号的线性产生模型,1）声管模型“短时”间声道是一个形状稳定的级联管道，声音在不同截面积间传输会有反射。反射系数：km(Am+1-Am)/(Am+1+Am)Am,Am+1是第m、m+1段的截面积Km是声道的特性，确定Km，就确定了声道！,A1 A2 A3.,(a)立体图(b)断面图,2）共振峰模型,三 语音信号的线性产生模型,声道近似为谐振腔，共振峰就是这个腔体的谐振频率，从共振峰的角度出发描述声道的模型称为共振峰模型。一般共振峰的个数为3-5个。,p、ak 决定了声道地特性(人的特征)，p越大越吻合。一般p=812,(1)级（串）联型(元音)：声道是一组串连的二阶谐振器（一个谐振腔对应1个共振峰频率）。,传输函数,p为极点个数，G是增益参数，ak为模型系数。,传输函数是一个全极点的IIR滤波器，这些极点确定了声管的共振峰。若N取偶数，V(z)一般有N/2对共轭极点，rkexp(j2FkT)，k=1N/2。各个wk值分别与语音的共振峰相互对应。N的取值一般为812。,三 语音信号的线性产生模型,利用Z变换的知识，把V(z)分解为多个二阶极点网络的级联：,二阶谐振器的幅频特性,（2)并联型(大部分辅音),传输函数，零极点IIR滤波器,三 语音信号的线性产生模型,用并联网络模拟声道。对于非一般的元音和大部分辅音，必须采用零极点模型,级联简单，可用于一般元音，一般35级并联复杂，可用于许多音，但ai难以求解,（3）混合型（根据需要进行模型的切换）,三 语音信号的线性产生模型,将级联型和并联型结合起来的混合型也是比较完备的一种共振峰模型，该模型能够根据不同性质的语音进行切换。,辐射模型,三 语音信号的线性产生模型,声道的终端为口和唇。从声道输出的是速度波UL(n)，而语音信号是声压波，二者之倒比称为辐射阻抗ZL。它表征口和唇的辐射效应。,研究表明，口唇端辐射在高频端较为显著，在低频端时影响较小，所以辐射模型R(z)主要与嘴型有关，应是一阶类高通滤波器的形式。,用数学方法描述口唇和鼻孔的辐射特性。,完整的语音信号的数学模型,Av,冲激序列发生器,声门脉冲模型G(z),随机噪声发生器,基音周期TP,AN,线性系统声道V(z),辐射模型R(z),清/浊音开关,传输函数,三 语音信号的线性产生模型,在语音信号模型中，如果不考虑冲激脉冲串模型E(z)，则斜三角波模型是二阶低通，而辐射模型是一阶高通，所以实际信号分析中常采用“预加重技术”。即在对信号取样之后,插入一个一阶的高通滤波器，这样，只剩下声道部分，就便于对声道参数进行分析了。在语音合成时再进行“去加重”处理，就可以恢复原来的语音。,R(z)=(1-rz-1),三 语音信号的线性产生模型,数学模型的特点,在这个模型中，TP、Av、AN、清/浊音开关的位置以及声道滤波器的参数都是随时间而变化，在10-30ms的时间间隔内是保持不变的。这种特性称为短时性。对于激励信号而言，大部分情况下，这一结论也是正确的，但有些音变化速度特别快，爆破音，取5ms比较更为恰当。,三 语音信号的线性产生模型,三 语音信号的线性产生模型,语音特性分析实例,声门脉冲序列,声道对声门脉冲相应的输出,输出语音频谱,三 语音信号的线性产生模型,虚线称为谱包络，其形状是由H(f)和G(f)的包络乘积得到的。恢复这个谱包络是许多语音处理应用中的主要问题，因为正是谱包络携带了主要的发音信息。线性预测技术之所以非常重要，正是由于它所提供的谱包络分析方法是快速、准确，并且在理论上完全得到证明的方法。,理想的声门脉冲序列频谱,声道频率响应，最大值与共振峰相对应,调频-调幅模型的基本原理 Teager能量算子 能量分离法调频-调幅模型的应用,本节主要讨论的问题：,四 语音信号的非线性产生模型（了解）,语音信号的产生（生理结构）语音信号的感知（了解）语音信号的线性产生模型（数学语音）语音信号的非线性产生模型（了解）,总结,第二章 语音信号处理的基础知识,