傳統(tǒng)語音端點檢測方法利用語音和噪聲在某單一參數(shù)特征上的差異進行信號中語音起止點的切分,但不同參數(shù)在低信噪比不同噪聲環(huán)境下表現(xiàn)不穩(wěn)定,魯棒性差。因此,本文提出了基于均勻子帶譜方差,能熵比,梅爾倒譜距離,似然比四種參數(shù)相融合的語音端點檢測方法。該方法能自適應地改變各參數(shù)閾值,并通過實時監(jiān)測噪聲段能熵比的值確定所采用的投票判決機制,從而進行語音端點判定。實驗結(jié)果表明,該方法在低信噪比下較常用的端點檢測方法有更高的檢測正確率及魯棒性,對語音信號后續(xù)處理工作有一定的借鑒意義。 

【文章來源】：信號處理. 2020,36(08)北大核心

【文章頁數(shù)】：7 頁

【部分圖文】：

MFCC特征提取框圖

由于環(huán)境信噪比的不同以及噪聲平穩(wěn)性的不同,各參數(shù)用于端點檢測的性能也有所不同。而本文算法提取四種常用的端點檢測特征參數(shù),然后結(jié)合根據(jù)噪聲段能熵比值所確定的投票機制進行端點檢測。其可以有效彌補傳統(tǒng)端點檢測算法在低信噪比不同類型噪聲下表現(xiàn)的不穩(wěn)定性,由此增加了語音端點檢測的正確率且適應的噪聲環(huán)境多樣性。圖2為提出的多特征融合端點檢測算法原理圖。3.1 投票機制

為更好的體現(xiàn)本文方法在低信噪比下的魯棒性,利用信噪比為-8 dB～5 dB下各類噪聲的評價平均值進行比較。結(jié)果如圖3、圖4、圖5所示。圖4 不同噪聲下平均檢出率對比

【參考文獻】：
期刊論文
[1]農(nóng)產(chǎn)品市場環(huán)境下語音端點檢測的研究[J]. 劉慧,楊玉清,魯夢瑤,李軍會,趙龍蓮.  自動化技術(shù)與應用. 2019(05)
[2]一種基于近鄰傳播聚類的語音端點檢測方法[J]. 林琴,涂錚錚,王慶偉,郭玉堂.  安徽大學學報(自然科學版). 2019(03)
[3]心音信號MFCC特征向量提取方法的優(yōu)化[J]. 許春冬,周靜,應冬文,龍清華.  信號處理. 2019(03)
[4]基于多特征融合與動態(tài)閾值的語音端點檢測方法[J]. 朱春利,李昕.  計算機工程. 2019(02)
[5]基于模糊熵與改進相關(guān)向量機的語音端點檢測[J]. 張毅,倪雷.  華中科技大學學報(自然科學版). 2017(08)
[6]復雜噪聲場景下的活動語音檢測方法[J]. 郭武,馬嘯空.  清華大學學報(自然科學版). 2016(11)
[7]基于對數(shù)能量倒譜特征的端點檢測算法[J]. 王民,孫廣,沈利榮,劉利.  計算機工程與應用. 2014(16)
[8]強背景噪聲下語音端點檢測的算法研究[J]. 吳邊,王忠,劉興濤.  計算機工程與應用. 2011(33)
[9]語音端點檢測技術(shù)研究進展[J]. 韓立華,王博,段淑鳳.  計算機應用研究. 2010(04)
[10]基于熵函數(shù)的語音端點檢測算法研究[J]. 王博,郭英,韓立峰.  信號處理. 2009(03)



本文編號：3005697