第二章 语音信号产生的数字模型

发音的三种方式－excitation

浊音（voiced sounds）声带开启和闭合，在声门
处产生一个准周期性脉冲序列。（quasi-periodic sequence）

清音（unvoiced sounds）声带完全舒展开来，
声道的某个部位发生收缩形成了一个狭窄的通道，当 空气流到达此处时被迫以高速冲过收缩区，并在附近 产生空气的湍流，类似于白噪声。（white noise）
ai Vi ( z ) 1 2 1 bi z ci z
ai bi ci z-1 z-1
传输函数
V ( z ) Vi ( z )
k 1
M
G 1 ak z
k 1 N k
N为极点个数，G是增益参数，ak为常系数。
zk e
Bk T
e
j 2Fk T
T为采样周期
二、声道模型( 共振峰模型) 短时线性系统 声道V(z) 1.级联型(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）。
V1
V2
V3
V4
V5
每个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=1～N/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8～12。
男声汉语拼音声母s的频谱
总结
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 共振峰
f1
成年男子
200~800
成年女子
250~1000
带宽
40~70
f2 f3
600~2800 1300~3400
700~3300 1500~4000
50~90 60~180
§2.4
语音信号的特性
一、语音的声学特性
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。
●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：发音时间的长短
汉语语音的特点
（1）音系简单，在汉语中一个字就是一个音节，由 一般为2～3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 2～3个， 一个音节由若干个音素组成，一般为1～4个。 （2）清辅音多，在听感上有清亮、高扬和舒服、柔 和的感觉。 （3）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。
种不同的形式组成。所有元音都是浊音。 a、 o、 e、 i、 u、 ü 、ê 单韵母（元音）
ai、ei、ao、ou、ia、ie、iao、iou、ua、uo、
uai、uei 、ü e
复韵母
an、en、ang、eng、ong、ian、in、iang、ing、
iong、uan、uen、uang、ueng、 ü an、ü n
喉的生理结构
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 流通过窄缝时压力减小，外界压力大，从而 两片声带完全闭合使得气流不能通过，当气 声带靠拢 流阻断时压力恢复正常，推开两片声带，声 门再次打开，气流再次流过。
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。
☆ 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： 50~250Hz
☆ 女性和儿童的F0大致分布在：100~500Hz
声道的谐振频率format frequency
13cm 8.5cm
鼻端 谐振频率发生在：Fn= 2n-1 c 4L
生理运动产生的。发音器官包括：肺，喉，声道等。 空气由肺部排入喉部，经过声带进入声道，最后由 嘴或鼻辐射出声波，形成了语音。 鼻腔 口腔
声门 声带
Nasal cavity Velum Nose output
Mouth output Vocal cords Mouth cavity
The complete physiological mechanism of speech production
Tp 基音周期
T
Glottal Closure instant
女声汉语拼音a的时域波形
Voiced excitation
Tp 基音周期 fundamental period
Unvoiced excitation（声带不振动，声门开启）
男声汉语拼音声母s的时域波形
声道
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臵的峰起，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。

爆破音（plosive/stop sounds）声带完全舒展
开来，声道的某个部位完全闭合在一起，当空气流到 达时便在此处建立起空气压力，一旦闭合点突然开启 便会让气压快速释放，实际上也是一种空气的湍流。 （white noise）
基音频率(Fundamental Frequency－pitch)F0
四、语音信号的统计特性
语音信号振幅分布的概率密度有两种逼近方法： 修正伽玛（Gamma）分布概率密度函数：
pG ( x )
ke 2
kx
x
|x|
拉谱拉斯（Laplace）分布概率密度函数:

pL ( x) 0.5e
§2.5 人类的听觉功能
人类接收语音由人耳来完成，空气振动由耳廓
G 1 dk z
k 1 q k
模型的特点
在这个模型中，TP、 Av、AN、清/浊音开关的位臵 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。
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。
Nasal cavity Velum Nose output
Mouth output Vocal cords Mouth cavity
The complete physiological mechanism of speech production
耳蜗对声信号的时频分析特性
如果信号是一个多频率的信号，则产生 的行波将沿着基底膜在不同的位臵产生最大 幅度，从这个意义上讲，耳蜗就像一个频谱 分析仪，将复杂信号分解成各种频率分量， 这种作用称为人耳的时频分析特性。耳蜗在 语音接收过程起着重要的作用。
人工耳蜗
人工耳蜗是一种电子装置，能帮助重度及极重
鼻韵母
i表示3个韵母，即韵母、舌尖前韵母和舌尖后韵母。
区别不同韵母的重要参数
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。
三、汉语音节的一般结构
声母、韵母和声调是汉语语音的三要素。 汉语语音的一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
（声道的横截面是均匀的， 嘴唇 发元音e时，声道近似是均 匀的。）
17cm
声道的无损模型
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
输出气流的频率
基音频率
共振峰频率
女声英文a的频谱
收集，经外耳道而抵达鼓膜，鼓膜随之振动，使鼓
室中的空气和听骨链也发生振动，听骨链的振动经
前庭窗（卵圆窗）激励前庭淋巴，变为液波，液波
使位于基底膜上的螺旋器受到刺激，将神经冲动经 听神经传到中枢而产生听觉。
正常人的听觉系统是极为灵敏的，可听声的范围 为20Hz-20kHz。 可听声的最小声压级(dB)称为听阈。-5～130dB， 对低频和高频是不敏感的，听阈为60dB，在1kHz附近 最敏感。
度耳聋患者获得或重新恢复听觉。它代替病变受损 的听觉器官，把声音转换成编码的电信号传入内耳 耳蜗，刺激分布在那里的听神经，再由大脑产生听 觉。
第二章 语音信号产生的数字模型
Speech Production Model
§2.1 人类的语言器官和语音产生过程
§2.3 语音信号产生的数字模型
§2.4 语音信号的特性
§2.5 人类的听觉功能(speech perception)
§2.1 人类的语言器官和语音产生过程
人类的语音是由人体发音器官在大脑控制下的
2.并联型(大部分辅音)
传输函数，零极点IIR滤波器
M r b z r R
V1 V2 V3
V ( z)
Vi ( z )
i 1
1 a k z k
k 1
r 0 N
Ai Vi ( z ) 1 Bi z 1 Ci z 2
V4 V5
零极点IIR滤波器总是可以用全极 点IIR 滤波器来代替。因此可以用全 极点模型来表示任何语音。
前三个共振峰的大致范围（Hz）
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、
共振峰频率及其位臵。