發(fā)布時間：2021-01-28 21:09

　　傳統(tǒng)語音端點(diǎn)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(jìn)行信號中語音起止點(diǎn)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(diǎn)檢測方法。該方法能自適應(yīng)地改變各參數(shù)閾值,并通過實(shí)時監(jiān)測噪聲段能熵比的值確定所采用的投票判決機(jī)制,從而進(jìn)行語音端點(diǎn)判定。實(shí)驗結(jié)果表明,該方法在低信噪比下較常用的端點(diǎn)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(diǎn)檢測的性能也有所不同。而本文算法提取四種常用的端點(diǎn)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(jī)制進(jìn)行端點(diǎn)檢測。其可以有效彌補(bǔ)傳統(tǒng)端點(diǎn)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(diǎn)檢測的正確率且適應(yīng)的噪聲環(huán)境多樣性。圖2為提出的多特征融合端點(diǎn)檢測算法原理圖。3.1 投票機(jī)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(jìn)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(xiàn)】：
期刊論文
[1]農(nóng)產(chǎn)品市場環(huán)境下語音端點(diǎn)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(yīng)用. 2019(05)
[2]一種基于近鄰傳播聚類的語音端點(diǎn)檢測方法[J]. 林琴,涂錚錚,王慶偉,郭玉堂.  安徽大學(xué)學(xué)報(自然科學(xué)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(yīng)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(diǎn)檢測方法[J]. 朱春利,李昕.  計算機(jī)工程. 2019(02)
[5]基于模糊熵與改進(jìn)相關(guān)向量機(jī)的語音端點(diǎn)檢測[J]. 張毅,倪雷.  華中科技大學(xué)學(xué)報(自然科學(xué)版). 2017(08)
[6]復(fù)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(xué)學(xué)報(自然科學(xué)版). 2016(11)
[7]基于對數(shù)能量倒譜特征的端點(diǎn)檢測算法[J]. 王民,孫廣,沈利榮,劉利.  計算機(jī)工程與應(yīng)用. 2014(16)
[8]強(qiáng)背景噪聲下語音端點(diǎn)檢測的算法研究[J]. 吳邊,王忠,劉興濤.  計算機(jī)工程與應(yīng)用. 2011(33)
[9]語音端點(diǎn)檢測技術(shù)研究進(jìn)展[J]. 韓立華,王博,段淑鳳.  計算機(jī)應(yīng)用研究. 2010(04)
[10]基于熵函數(shù)的語音端點(diǎn)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