基于多特征融合与动态阈值的语音端点检测方法

在低信噪比及非平稳的噪声环境下,传统基于特征的语音端点检测方法检测正确率低、稳定性差。为此,提出一种新的语音端点检测方法。通过对含噪语音进行谱减法降噪,提取谱减后的语音信号与前导无话帧的M FCC倒谱距离特征,计算均匀子带频带方差特征,并对阈值进行动态更新,利用双参数双门限法对带噪语音进行端点判定。实验结果表明,与基于DWT-MFCC倒谱距离、基于谱减法和均匀子带频带方差的端点检测方法相比,该方法具有较高的检测正确率及较低的漏检率与误检率。     

低信噪比环境下子带能熵比端点检测算法

语音端点检测是将采集到的语音信号从复杂的噪声背景中提取出来，确定每段语音的开始和结束，是后续处理的基础。对于语音端点检测在低信噪比的复杂噪声环境下准确率低的问题，提出了一种多窗谱估计减噪和子带能熵比法结合的语音端点检测算法。该算法通过改进多窗谱谱减法对语音信号进行减噪，在分析了常规谱熵端点检测算法的基础上结合对数能量，以改进的子带能熵比作为阈值进行端点检测。实验表明，该算法在不同环境的低信噪环境下，准确率高，具有较高的鲁棒性。     

改进的语音端点检测技术

为了提高低信噪比下语音端点检测的性能,提出了一种改进的基于谱减法和自适应子带谱熵的语音端点检测方法。该方法先利用谱减法对带噪语音消除加性噪声,及时更新背景噪声估计,再对增强后的语音信号利用改进的自适应子带谱熵进行端点检测。实验结果表明,该方法具有良好的检测性能,相对传统方法提高了端点检测的准确率,在低信噪比环境下仍能比较准确地检测到语音的端点。     

带噪语音端点检测方法研究

影响语音识别性能的一个关键因素是端点检测的准确性。实际应用中信噪比较低，使得某些高信噪比下性能好的检测算法不能有效工作，影响系统的识别率。提出了一种基于时频方差和的语音端点检测算法。实验证明该算法能够在低信噪比的情况下，准确地检测出语音信号。通过对三种不同的端点检测算法的比较，发现基于时频方差和的端点检测算法的端点检测的准确率较高。     

一种改进的基于谱熵的语音端点检测技术

论文提出了基于时频谱减增强和谱熵的语音端点检测算法。算法对带噪语音在频域利用谱减法去除宽带加性噪声,在时域去除由谱减带来的残差噪声从而对语音进行了增强。对增强后的语音利用谱熵特征进行端点检测。实验结果表明,此算法快速有效,具有较强的抗噪能力,特别适合低信噪比的语音端点检测。     

一种改进的语音端点检测方法

为了提高低信噪比下语音端点检测的性能,提出了一种改进形式的谱减法与改进的功率谱熵法相结合的语音端点检测算法。该算法首先利用改进的谱减法有效地降低背景噪声,然后再用短时平均幅度加权的方法改进功率谱熵,从而判定去噪后语音的端点位置。仿真结果表明,该方法具有良好的检测能力,在低信噪比环境下能比较准确地检测到语音的端点。     

基于Hilbert-Huang变换的含噪语音特征分析

应用Hilbert-Huang变换方法对语音特征进行分析,提高低信噪比语音端点检测的正确率.对语音信号进行Hilbert-Huang变换,得到语音信号在时域和频域上的能量分布,建立语音信号的时间–频率–振幅的三维Hilbert谱分布以及边际谱分布进行特征分析,最后通过语音端点检测验证Hilbert-Huang变换分析含噪语音特征及降噪的有效性.通过语音端点检测的结果表明,经过 Hilbert-Huang变换对含噪语音分析降噪后,检测准确率有显著提高.Hilbert-Huang变换方法能够真实描述语音信号的非线性以及非平稳特性,具有广泛的应用前景.     

基于加权门限谱熵的改进端点检测方法

为了进行有效的语音信号处理,降低语音信号的冗余度,通常采用端点检测技术来提取语音信号中的有效部分。而传统谱熵端点检测算法由于判定门限为固定值,其在低信噪比条件下检测性能急剧下降,提出了一种基于动态加权门限的检测方法,对每个判定的噪音帧的谱熵与无声段噪音谱熵进行加权平均,得到新的噪音谱熵作为更新后的门限值;在判定过程中引入谱减法提高信噪比,进一步降低噪声干扰。仿真实验结果证明,相对于传统谱熵端点检测方法,该方法在低信噪比的条件下仍然能够更为准确地检测到语音的端点。     

基于语音存在概率和听觉掩蔽特性的语音增强算法

低信噪比下,谱减语音增强法中一直存在的去噪度、残留的音乐噪声和语音畸变度三者间均衡这一关键问题显得尤为突出。为降低噪声对语音通信的干扰,提出了一种适于低信噪比下的语音增强算法。在传统的谱减法基础上,根据噪声的听觉掩蔽阈值自适应调整减参数,利用语音存在概率,对语音、噪声信号估计,避免低信噪比下端点检测(VAD)的不准确,有更强的鲁棒性。对算法进行了客观和主观测试,结果表明：相对于传统的谱减法,在几乎不损伤语音清晰度的前提下该算法能更好地抑制残留噪声和背景噪声,特别是对低信噪比和非平稳噪声干扰的语音信号,效果更加明显。     

一种基于自适应谱熵的端点检测改进方法

在低信噪比的环境下,为增强与噪声的区分度,提出了一种适应于低信噪比环境的语音端点检测方法.通过改进语音端点检测的特征参数,更好地区分语音信号与噪声信号,提高在低信噪比环境下的端点检测正确率.基于子带谱熵,引入正值常量对基本谱熵参数进行算法改进,得到改良的负谱熵特征,并结合自适应子带选择方法,得到一种新颖的特征参数--自适应子带常量负谱熵.特征在低信噪比的情况下有较强的抗噪能力,并能够准确地检测出语音端点.实验结果表明,不仅快速有效,具有较强的鲁棒性,而且适合低信噪比的语音端点检测.     

An adaptive speech endpoint detection method in low SNR environments

Endpoint detection of speech has been shown prosperous for speech recognition and speech enhancement. But the traditional endpoint detection methods lose efficiency in either low signal-to-noise ratio (SNR) environments or nonstationary noise environments. To improve the accuracy of speech endpoint detection in low SNR environments, an endpoint detection method based on an adaptive algorithm for thresholds adjustment is put forward in this paper. The spectral subtraction of multitaper spectrum estimation is performed to enhance the speech. During the process of detection, the cepstral distance of Mel frequency cepstrum coefficient (MFCC) is utilized and the thresholds are adaptively adjusted to different environments. Simulation experiments indicate that in different noise environments with different SNRs, our algorithm has a better endpoint detection accuracy compared with other detection algorithms. Besides that, the algorithm also exhibits strong robustness in low SNR environments.     

嵌入式平台的复杂环境下端点检测

在嵌入式平台下的语音识别系统中,端点检测是非常重要的,语音起始点的位置直接影响识别率。然而在复杂环境下,语音的输入波形千差万别,端点检测的精确性很难保证。本文研究了一种基于零能积的区域概率统计法,通过训练得到语音零能积的概念分布,并结合一阶线性差分及谱减法进行端点检测。进一步提高了信噪比,解决了复杂环境下端点检测精确度低的问题。     

一个基于谱熵的语音端点检测改进方法

本文提出了基于谱熵和谱减法相结合的带噪语音端点检测改进算法以及端点检测的判决准则.仿真实验表明,在语音信号受到强噪声的干扰后(5db≤SNR≤15db)所提方法可检测到准确的语音端点.     

基于谐波分析的频带方差端点检测方法

语音端点检测的准确性直接影响着语音识别系统性能.在低信噪比环境下,一些在高信噪比环境下具有良好性能的检测方法无法有效工作.提出了基于谐波分析的频带方差和能量门限结合的端点检测方法.方法基于语谱图的分析,突出了语音信号和噪声信号的区别,在低信噪比环境下能准确检测出语音端点.并保障了实时性.试验证明,方法在较低信噪比环境下比频带方差检测方法的性能有较大提高,具有较好的实用性.     

小波包分解下的多窗谱估计语音增强算法

传统谱减法是基于短时傅里叶变换的单一分辨率算法,具有较大方差。为此,提出一种基于小波包分解下的多窗谱估计语音增强算法。将含噪语音在小波包下分解成不同频段,在不同频段下进行多窗谱谱减运算,并逐一进行小波包重构,以得到去噪后的语音信号。仿真结果表明,该算法能提高含噪语音的信噪比,降低语言失真度。     

拉普拉斯分布下的MMSE谱减语音增强算法

针对基于高斯分布的谱减语音增强算法,增强语音出现噪声残留和语音失真的问题,提出了基于拉普拉斯分布的最小均方误差（MMSE）谱减算法。首先,对原始带噪语音信号进行分帧、加窗处理,并对处理后每帧的信号进行傅里叶变换,得到短时语音的离散傅里叶变换（DFT）系数;然后,通过计算每一帧的对数谱能量及谱平坦度,进行噪声帧检测,更新噪声估计;其次,基于语音DFT系数服从拉普拉斯分布的假设,在最小均方误差准则下,求解最佳谱减系数,使用该系数进行谱减,得到增强信号谱;最后,对增强信号谱进行傅里叶逆变换、组帧,得到增强语音。实验结果表明,使用所提算法增强的语音信噪比（SNR）平均提高了4.3 dB,与过减法相比,有2 dB的提升;在语音质量感知评估（PESQ）得分方面,与过减法相比,所提算法平均得分有10%的提高。该算法有更好的噪声抑制能力和较小的语音失真,在SNR和PESQ评价标准上有较大提升。