语音信号处理

音频的数字化
将音频信号数字化，实际上就是对其进行采样、量化和编码。

每秒钟需要采集多少个声音样本，即采样频率是多少？
每个声音样本的位数应该是多少，也就是量化精度。

经过量化，模拟信号转换为一组离散的数值，这一组数值到底代表的是何内容，需要按照一定的规则组织起来，这就是编码。

为了做到无损数字化，采样频率必须满足采样定律，同时为了保证声音的质量，必须提高量化精度。

1采样
连续时间的离散化通过采样来实现。

如果是每隔相等的一小段时间采样一次，则这种采样称为均匀采样，相邻两个采样点的时间间隔称为采样周期。

2量化
连续幅度的离散化通过量化来实现，就是把信号的强度划分成一小段一小段，在每一个小段中只取一个强度的等级值（一般用二进制整数表示），如果幅度的划分是等间隔的，就称为先行量化，否则就称为非线性量化。

3编码
经过采样和量化处理后的声音信号已经是数字形式了，但为了便于计算机的存储、处理和传输，还必须按照一定的要求进行数据压缩和编码，即选择某一种或几种方法对它进行数据压缩，以减少数据量，再按照某种规定的格式，将数据组织成为文件。

4采样频率
采样频率的高低是根据采样定律和声音信号本身的最高频率决定的。

采样定理指出，采样频率要大于等于声音最高频率的两倍，这样就能把数字表达的声音没有失真地还原成原来的模拟声音，这也叫无损数字化。

max
2s f f 其中s f 为采样频率，max f 为被采样信号的最高频率。

语音录音中常采用的采样频率为：8Khz 、11.025khz 、22.050khz 和41.1khz 等。

而且人们发现高于41.1khz ，人的耳朵已经很难分辨。

一般为了达到精确，我们还会用48khz 甚至96khz 的采样精度，实际上，96khz 采样精度和48khz 采样精度的区别绝对不会像44.1khz 和22khz 那样大，我们所使用的CD 的采样标准就是44.1khz ，目前44.1khz 还是一个最通行的标准，5量化精度
样本大小是使用每个影音样本的位数表示的，它反映了度量声音波形幅度的精度。

例如，每个声音的样本用16位表示，测得的声音的样本值在0~65536，它的精度就是输入信号的1/65536.最常用的采样精度为8b/s 、16b/s 、20b/s 、24b/s 等。

位数的大小影响声音的质量，位数越多，声音的质量越高，但需要的存储空间也越多；位数越少，声音的质量越低，所需的存储空间也越少。

样本精度的另一种表示方法是信号噪声比，简称为信噪比SNR ，并用下式计算：
20lg(/)
s N SNR V V =其中，s V 表示信号电压；N V 表示噪声电压；SNR 的单位是dB(分贝)。

例如，如果1N V =,采样精度为1位表示为1
2S V =,它的信噪比SNR=6dB ；如果1N V =，采样精度为2位表示22S V =，它的信噪比SNR=12dB ；所以可以看出，采样位数每增加一位，信噪比会提高6dB 。

6声道数
声音通道的个数称为声道数，是指一次采样所记录产生的声音波形个数。

声道有单声道和立体声之分。

记录声音时，如果每次生成一个声波数据，则称为单声道；如果每次生成两个声波数据，则称为双声道，也称为立体声。

立体声听起来比单声道丰满优美，但需要两倍于单声道的存储空间。

声音数据化的数据量=采样频率×量化位数×声道数×时间
例如，用44.1khz 的采样频率进行采样，量化位数选用16b,则录制1s 立体声节目，其波形文件所需的存储量为：44100×16×2×1/8=176400（B ）
7调制
PCM 脉冲编码调制，ADPCM 自适应脉冲编码调制
声卡工作流程图
8声卡的组成
1、线路板
2、主芯片（DSP ）
3、集成块
声卡上还有很多集成电路块，主要有稳压电路块及主芯片外围控制芯片等。

另外常见的芯片
还有运算放大器（运放），运放的作用是将低电平做适当放大让相关设备使用，常见的运放芯片主要有PHILIPS 的TDA 系列和国家半导体的LM 系列。

4、电容
5、输入/输出接口
基于GUI 的音频采集处理系统
音频数据采集系统结构
音频数据采集系统结构图
音频数据采集方法
1、对声卡设备对象进行采集
2、MATLAB 函数命令采集
短时平均过零率
过零率可以反应信号的频谱特性。

当离散信号相邻两个样点的正负号异号时，我们称之为“过零”，即此时信号的时间波形穿过了零电平的横轴。

统计单位时间内样点值改变符号的次数就可以得到平均过零率。

对窄带信号来说，用平均过零率来度量是十分精确的。

定义语音信号()n x m 的短时过零率n Z 为
11sgn[()]sgn[(1)]
2n n m n N Z x n x m N
=-+=--∑定义短时平均过门限率{sgn[()]sgn[(1)]sgn[()]sgn[(1)]}()n m Z x n T x n T x n T x n T w n m ∞
=-∞=
----++--+-∑短时自相关分析
自相关函数用于衡量信号自身时间波形的相似性，浊音的时间波形具有一定的周期性，波形之间有较好的相似性；清音的时间波形呈现出随机噪声的特性，杂乱无章，样点间的相似性较差。

这样，我们可以用短时自相关函数来测定语音的相似特性。

短时自相关函数
定义语音信号的短时自相关函数()n R k 的计算式为
()()()10,0N k
n n n m R k x m x m k k K
--==+<≤∑这里K 是最大的延迟点数。

短时自相关函数的性质
1、周期性：周期为N 的信号的自相关函数是一个同周期的周期函数，即有
()()R k R k N =+；
3、对称性
4、存在最大值：对所有的k 有()
R R k ≥基于短时自相关的说话人性别判决系统
说话人性别识别是语音识别研究中的一个重要分支，即通过说话人的语音识别说话人的性别。

性别识别别作为说话人识别的预分类可以降低研究问题的复杂度，提高系统的准确率。

在语音通信中，可以基于性别识别建立性别有关的语音特征提取方案，减少特征参数的维数，减少传输带宽。

在人机交互系统，可以根据说话人性别选择不同性别的语音应答，使系统服务更加友好和人性化。

本节提供一个简单的带有人机交互功能的说话人性别识别系统，该算法简单，识别率高，具有较好的实用性。

说话人性别算法概述
说话人性别特征参数主要有基音、声道长度、截面积以及频谱分布等，其中基音是最重要的识别依据。

基音周期是语音信号的一个重要参数，它反映了说话人发浊音时声带振动频率，一般而言，男声的基音频率分布范围在60~200HZ，女声的基音频率分布范围为200-500HZ，因此，准确而可靠地估计基音周期对语音信号分析和说话人性别识别非常重要。

基音周期提取算法有平均幅度差法、小波分析法及倒谱分析法。

最简单的是短时自相关算法。

短时自相关函数在基音周期的整数倍位置上存在较大的峰值。

如果找出第一最大峰值的位置就可以估计出基音周期。

但由于谐波分量的存在估计基音周期往往会出现偏差。

因此需要经过适当的处理。

一种简单的处理方法是对语音信号低通滤波，然后计算短时自相关函数。

其依据是语音信号的基音频率一般都不小于500hz，即使女高音升C 调最高也不会超过1khz。

因此，为保留基音频率分量，用带宽为1khz 的低通滤波器对语音信号滤波，然后以21khz 取样频率取样，最后一2-20ms 的滞后时间逐帧计算短时自相关函数，每帧长度为10-20ms，这样便可得到基音频率随时间变化的轨迹。

另一种处理方式是采用中心削波技术。

对于估计基音周期真正有用的只是出现在基音周期处的自相关峰，其余较低的峰是多余的，有用的自相关峰是由准周期激励脉冲产生的，无关的峰是声道对激励脉冲产生的响应。

基于这样的认识，完全有理由采用中心削波器去掉语音信号中所有低频振幅部分而仅保留高振幅的峰值，这是一种非线性处理技术。

性别判别系统流程图。