1、1.存储方式 ：已量化好的语音信号序列按先入先出的顺序存入数据区。以便一个有限容量的数据区来应付数量极大的语音数据。二、 pretreatment2.预加重 ： 在求语音信号频谱时，频率越高，相应的成分越小。预加重的目的是提升高频部分，使信号的频谱变得平坦。以便于频谱分析和声道参数分析。 一般在语音信号数字化后，通过一个一阶数字滤波器： H(z)=1-z-1, 接近 1。x(n) x(n)H(z)=1-z-1加矩形窗加矩形窗分帧技术分帧技术 加窗加窗加汉宁窗加汉宁窗 hanning第 n帧第 n+1帧第 n+2帧各帧之间有各帧之间有 0 1/2的重叠的重叠，由窗函数的定义决定的。，由窗函数的定
2、义决定的。w(n)=0.5*1-cos(2n/(N-1) 第 n+3帧t第 n帧 第 n+1帧 第 n+2帧 第 n+3帧 第 n+4帧为什么取 10 30ms，因为根据人的发声生理结构变化的连续性，在此时间段内，声带、声道、口腔的特性几乎不变，语音信号近似平稳。加窗的作用 得到连续的语音特征 抑制吉尔伯特效应 抑制频谱泄漏汉宁窗 hanning海明窗 hamming矩形窗 (rectangular)Window shapesT为帧移长度N为帧长x0(m)0 N-1x1(m)T T+N-1第 1帧 第 2帧0 N-1 N 2N-1第 1帧第 2帧0 N-1N/2 N+(N/2)-1加矩形窗加矩
3、形窗 (帧移长度为帧移长度为 N)加汉宁窗加汉宁窗 (帧移长度为帧移长度为 N/2)x0(m) x1(m)x0(m)x1(m)帧移 T=0帧移 T= N/2512点的 汉宁窗汉宁窗 当采用汉宁窗当采用汉宁窗 ，原有数据的幅度发生变化，原有数据的幅度发生变化，为了保持数据的原始幅度，必须采取各帧数据，为了保持数据的原始幅度，必须采取各帧数据之间有之间有 1/2的重叠。的重叠。由于在由于在 10 30ms，语音信号近似平稳。，语音信号近似平稳。 每秒的帧每秒的帧数约为：数约为： 33 100帧帧 。窗口的长度窗口的长度 N：频率分辨率：频率分辨率 f=fs/N。 f随随 N的增加的增加而减少，频率
4、分辨率得到提高，但时间分辨率降低而减少，频率分辨率得到提高，但时间分辨率降低 (与与窗长成反比窗长成反比 )。应根据不同的应用场合来选择窗口的长。应根据不同的应用场合来选择窗口的长度度 N，应包含，应包含 7个基音周期，因此可选择个基音周期，因此可选择 100 300点为点为宜。宜。Long window: frequency resolution time resolutionShort window: frequency resolutiontime resolution基音频率为 200Hz，采样频率为 8kHz, 窗长：8000(1/200)7=256Windowing (frame)
5、l In short-term, non-stationary-stationaryl Non-linear-linear (10ms-25ms)经过处理，语音信号就已经被分割成一帧一帧的加过窗函数的短时信号，然后再把每一个短时语音帧看成平稳的随机信号，利用数字信号处理技术来提取语音特征参数。在进行处理时，按帧从数据区中取出数据，处理完后再取下一帧。最后得到由每一帧参数组成的语音特征参数的时间序列。x0(m)0 N-1x1(m)T T+N-1y0(m)0 N-1y1(m)T T+N-1语音信号的特性分析一、语音信号的时域波形和频谱特性二、语音信号的语谱图三、语音信号的统计特性一、语音信号的时域
6、波形和频谱特性时域波形：幅度时间图。大致得出音节的起始点、清音和浊音以及浊音的基音频率。女声汉语拼音 a的时域波形频谱特性：幅度谱图。得出基音周期、共振峰频率及其位置。女声英文 a的频谱3 语音信号的时域分析一、短时能量及短时平均幅度分析二、短时过零率分析三、短时相关分析四、短时平均幅度差函数1.幅度分析的依据 ：是基于语音信号幅度随时间变化。清音段幅度小，其能量集中于高频段；浊音段幅度较大，其能量集中于低频段。2.短时能量函数和短时平均幅度函数一、短时能量及短时平均幅度分析T为帧移长度N为帧长男声 “ 深圳 广州 珠海 ” 的短时幅度统计。在采样频率为 22050Hz的情况下，取 20ms作为一帧，帧长为 441点，一共统计了 180帧。短时平均幅度原始语音3.短时平均幅度函数和能量函数的作用(1)区分清 /浊音：En、 Mn大，对应浊音； En、 Mn小，对应清音。(2)在信噪比高的情况下，能进行有声 /无声判决无声时，背景噪声的 En、 Mn小；有声时， En、 Mn显著增大。判决时可设置一个门限。(3)大致能定出浊音变为清音的时刻，或反之。女声汉语拼音 a的一帧信号（在采样频率为 22050Hz的情况下，取 20ms作为一帧），浊音的短时能量 78.61男声汉语拼音 s的一帧信号（在采样频率为22050Hz的情况下，取 20ms作为一帧），清音的短时能量 3.88。
