一个重要的语音产生模型—声道模型-征途私服
在征途加点器分析中经常要用到一个重要的语音产生模型—声道模型，声道模型是
将人从喉到嘴唇这一段发音腔体用一系列截面积不同的均匀声管来模拟。根据声管的声
学模型，利用物理学知识，可以计算出这段声管模型与信号处理中的全极点模型相类似。
因此，若能准确地估计出声道的形状或模型参数，就有望用此模型参数作为征途加点器的
特征参数。在数字信号处理中，可以用LPC(线性预测编码)的方法来估计出此全极点
模型的参数[91。线性预测分析的基本思想是:由于语音样点之间存在相关性，所以可以
用过去的样点来预测现在或未来的样点值，即一个语音的抽样能够用过去若干个语音抽
样或它们的线性组合来逼近。通过使实际语音抽样和线性预测抽样之间的误差在某个准
则下达到最小值来决定唯一的一组预测系数。而这组预测系数就反映了征途加点器的特
性，可以作为征途加点器特征参数用于语音识别。根据线性预测的基本原理:征途加点器的
现在估计值可以用先前的若干个采样值的线性组合的加权来逼近「’。，川。
LPC倒谱其实是复倒谱，线性预测分析方法是一种谱估计的方法，而且其声道模型
系统函数H(z)反映了声道的频率响应和原始信号的谱包络，因此用inH(z)做z逆变换
即可求出其复倒谱系数。该复倒谱系数根据线性预测模型直接得到，因此又称为LPC
倒谱系数 (LinearPredictionc即stn卫 ncoefficient，LPcC)，它的主要优点是比较彻底的去
掉了语音产生过程中的激励信息，主要反映了声道响应，往往只需要十几个倒谱系数就
较好地描述出征途加点器的共振峰特性。
通过线性预测分析得到的声道模型为全极点模型，假设其系统函数为:
H(z)一共一
，一工气z一‘
(2.11)
其中p为LPC线性预测器的阶数。设其冲激响应为h(n)，则:
H(z)=工h(n)z一” (2.12)
求h(n)的复倒谱h(n)，根据复倒谱定义，有:
H(z)二hiH(z)一艺h(n)z一” (2.13)
将公式 (2.13)代入并将其两边对z一，求偏导数，可以得到h(n)和气之间的递推关系，
从而由a，求出h(n):几、，
h(0)=0
h(l)=al
h(n)=气+艺(‘一k/n)气h(n一k)
刀三0
1三n三P (2.14)
h(n)=气+艺(‘一k/n)气h(n一k)n全尸
其中a*为LPC系数，而p为阶数，倒谱阶数取得大些，可以保存更多的信息，但
是随着阶数的增大，h(n)将变得很小，所以实际上没有更多的作用，反而使得运算量增
大。一般取8一32阶时就可以较好的表征声道特征。LPCC由于利用了线性预测中声道
传输函数H(劝的最小相位特性，这就避免了一般同态处理中求复对数而带来的相位卷
绕的问题[‘2，:3]。_一_._一_._一堕迫巫丛塑燮燮鱼丝鲤丝燮鲤叁一
3端点检测算法研究与实现
3.1端点检测算法的分类
3.1.1基于能量过零率的端点检测算法
端点检测最早的应用是在贝尔实验室开发的电话传输和转换系统中，用于通信信道
的时间分配，通过语音检测实现在空闲的信道中插入其他人的话音信息。从那以后，各
种各样的语音端点检测算法在许多语音指令识别、自动语音识别、说话人认证、远程通
讯和语音编码等方面被提出来。通常，不同的系统需要不同的算法以满足在精度、复杂
度、鲁棒性、敏感性和响应时间等方面的需求。这些方法包括基于能量、过零率、频谱
分析、倒谱分析和基音检测等算法[’4]。图像处理中的边缘检测，理论统计中的变点检测
等也都存在类似的问题。
本文来源:征途私服：http://www.ztsf.cn，如需转载[一个重要的语音产生模型—声道模型]，请保留版权
将人从喉到嘴唇这一段发音腔体用一系列截面积不同的均匀声管来模拟。根据声管的声
学模型，利用物理学知识，可以计算出这段声管模型与信号处理中的全极点模型相类似。
因此，若能准确地估计出声道的形状或模型参数，就有望用此模型参数作为征途加点器的
特征参数。在数字信号处理中，可以用LPC(线性预测编码)的方法来估计出此全极点
模型的参数[91。线性预测分析的基本思想是:由于语音样点之间存在相关性，所以可以
用过去的样点来预测现在或未来的样点值，即一个语音的抽样能够用过去若干个语音抽
样或它们的线性组合来逼近。通过使实际语音抽样和线性预测抽样之间的误差在某个准
则下达到最小值来决定唯一的一组预测系数。而这组预测系数就反映了征途加点器的特
性，可以作为征途加点器特征参数用于语音识别。根据线性预测的基本原理:征途加点器的
现在估计值可以用先前的若干个采样值的线性组合的加权来逼近「’。，川。
LPC倒谱其实是复倒谱，线性预测分析方法是一种谱估计的方法，而且其声道模型
系统函数H(z)反映了声道的频率响应和原始信号的谱包络，因此用inH(z)做z逆变换
即可求出其复倒谱系数。该复倒谱系数根据线性预测模型直接得到，因此又称为LPC
倒谱系数 (LinearPredictionc即stn卫 ncoefficient，LPcC)，它的主要优点是比较彻底的去
掉了语音产生过程中的激励信息，主要反映了声道响应，往往只需要十几个倒谱系数就
较好地描述出征途加点器的共振峰特性。
通过线性预测分析得到的声道模型为全极点模型，假设其系统函数为:
H(z)一共一
，一工气z一‘
(2.11)
其中p为LPC线性预测器的阶数。设其冲激响应为h(n)，则:
H(z)=工h(n)z一” (2.12)
求h(n)的复倒谱h(n)，根据复倒谱定义，有:
H(z)二hiH(z)一艺h(n)z一” (2.13)
将公式 (2.13)代入并将其两边对z一，求偏导数，可以得到h(n)和气之间的递推关系，
从而由a，求出h(n):几、，
h(0)=0
h(l)=al
h(n)=气+艺(‘一k/n)气h(n一k)
刀三0
1三n三P (2.14)
h(n)=气+艺(‘一k/n)气h(n一k)n全尸
其中a*为LPC系数，而p为阶数，倒谱阶数取得大些，可以保存更多的信息，但
是随着阶数的增大，h(n)将变得很小，所以实际上没有更多的作用，反而使得运算量增
大。一般取8一32阶时就可以较好的表征声道特征。LPCC由于利用了线性预测中声道
传输函数H(劝的最小相位特性，这就避免了一般同态处理中求复对数而带来的相位卷
绕的问题[‘2，:3]。_一_._一_._一堕迫巫丛塑燮燮鱼丝鲤丝燮鲤叁一
3端点检测算法研究与实现
3.1端点检测算法的分类
3.1.1基于能量过零率的端点检测算法
端点检测最早的应用是在贝尔实验室开发的电话传输和转换系统中，用于通信信道
的时间分配，通过语音检测实现在空闲的信道中插入其他人的话音信息。从那以后，各
种各样的语音端点检测算法在许多语音指令识别、自动语音识别、说话人认证、远程通
讯和语音编码等方面被提出来。通常，不同的系统需要不同的算法以满足在精度、复杂
度、鲁棒性、敏感性和响应时间等方面的需求。这些方法包括基于能量、过零率、频谱
分析、倒谱分析和基音检测等算法[’4]。图像处理中的边缘检测，理论统计中的变点检测
等也都存在类似的问题。
本文来源:征途私服：http://www.ztsf.cn，如需转载[一个重要的语音产生模型—声道模型]，请保留版权