一种语音信号基音检测的功率谱二次处理方法

对基音检测的倒谱法进行了细致的分析,指出其在基音检测计算及其数字实现时存在不足。为了克服倒谱法的不足之处,提出了二种;新的功率谱二次处理基音检测方法,该方法在克服了倒谱法在基音检测中不足之处的同时还提高了计算速度,对基音轨迹曲线的估计准确性也得到了较大改善。     

小波变换与二次谱相结合的基音检测法

噪声环境下的基音检测在语音信号分析和识别中占有重要地位。二次谱法是基于倒谱法的一种改进的基音检测方法。本文结合二次谱法和小波变换的去噪特性,提出了一种有效的噪声环境下的基音检测方法。实验表明,在信噪比较低的情况下,该法也能较精确的检测基音周期。     

改进的功率谱二次处理基音检测法

作为语音信号处理中的一项关键技术,基音检测一直是研究热点。本文分析了功率谱二次处理基音检测方法的不足:对于过渡语音,易产生半频或倍频误判;噪声干扰下,检测结果易失真;清、浊音的判断方法复杂。针对这些不足,本文提出一系列改进方法:时域非线性处理,频域加窗滤波,简化清、浊音判断。MATLAB仿真实验结果表明,无论是高信噪比还是低信噪比语音,改进的二次谱法较AMDF法和二次谱法更能清晰、准确地检测出基音轨迹。     

基于线性预测残差倒谱的基音检测

传统的基音检测算法对含噪语音的检测结果较差,本文在线性预测倒谱方法的基础上采用基于线性预测残差倒谱的方法对含噪语音进行基音检测。实验结果表明,该方法使基音峰点更加清晰,提高了基音检测的精度。     

基于谱减法的基音检测算法

基音周期是语音信号的一个重要参数,它在多个领域有着广泛的应用。提出了一种基于谱减法的基音检测算法：先用谱减法对带噪语音去噪,然后再求语音LPC预测残差的自相关函数及自相关函数的倒谱。仿真结果表明,利用这种改进算法做基音周期检测,检测效果会比传统倒谱检测方法有明显改善。     

基于自相关和倒谱法的基音检测改进算法

语音信号基音周期检测一直以来都是语音信号处理的关键技术和热点领域。对传统的基音检测方法进行研究分析,提出基于自相关和倒谱法的基音检测改进算法。先将语音信号进行最小均方误差(LMS)自适应滤波和非线性处理进行语音增强,后进行自相关法和倒谱法加权平方运算来检测基音周期。经Matlab实验仿真,该算法在低信噪比环境中能精确检测基音周期,较传统基音检测方法鲁棒性更好、更精确。     

基于MATLAB的基音检测分析

基音检测作为语音信号处理的重要手段,被广泛地应用于语音的合成、编码及识别等一系列语音信号处理技术问题。基音检测的准确性对于要求极高的语音识别、合成、分析、压缩编码等等都有重要的意义。该文用自相关函数法、平均幅度差函数法和倒谱法这三种常用的基音检测方法,运用MATLAB编程实现,对语音信号的基音周期轨迹图进行了比较分析,并由此得出和倒谱法进行语音信号基音的检测更为精确。     

语音信号基音检测的现状及展望

基音检测是语音处理中的一个非常重要的问题,但由于影响基音检测的因素众多,使得基音周期的准确估计非常困难.文中阐述了短时自相关函数法、短时平均幅度差函数法、倒谱法、小波变换法等几种经典的基音检测方法,分析它们各自的优点及存在的不足,并在预处理、后处理、语音信号的产生模型、语音信号的个性特征、发音时的情感及力度等基音检测的各个环节上提出了一些看法,并就一些可能出现的突破口做了一些展望.     

基于线性预测残差倒谱的基音周期检测

提出一种基于线性预测残差倒谱的基音周期检测算法.该算法对语音信号的线性预测残差信号做倒谱变换,将其作为基音检测特征.并综合残差倒谱峰、短时能量和短时过零率三种特征,构造一个清浊音判决函数,简化清浊音判决过程,提高判决精度.在基音周期检测过程中,根据基音连续原则,提出峰值重定位方法,有效降低基音倍频和半频的错误率.对比实验表明,本文算法的性能不仅较之传统的倒谱方法有明显改善,同时也优于目前效果较好的YIN算法和多尺度小波算法.     

基于递归分析的基音检测新方法

提出了一种语音信号非线性动力学特性递归分析的基音检测新方法;提出了递归数计算基音,研究了用递归度与所算基音之积精确区分清浊音法,给出了波动基音修正方法。实验结果表明,该方法可以得到比传统自相关法和倒谱法更好的结果,尤其是清浊音特征不明显的音段,基音检测的性能更好,在带噪语音音环境下也具有很好的适应性。     

基于MATLAB语音信号基频估计方法研究

不同的语音分析和综合方法就有不同的基音估计的方法,本文就简单的自相关基音估计入手分析讨论,并讨论了倒谱法,小波分析的基音估计。借助MATLAB语音工具箱VOICEBOX对种不同分析综合方法的基音估计的频域图做了分析比较。     

一种基于线性预测残差倒谱的基音检测算法

基音检测算法一直是音频处理领域的研究热点,但是语音信号声道特征对基音及其谐振结构的影响很大,增加了检测的难度。利用LP残差仅仅保留声门激励信号的特点,通过倒谱分析避免了声道特征和噪声的影响。同时针对倒谱分析中经常出现的半频倍频问题和低频截断问题,引入了谐波积谱（HPS）的解决方案,提高了识别的精度。实验表明,该方法能够较好地避免半频倍频错误,对于截去了低频和高频的电话信道语音也能够得到令人满意的检测结果,同时作为帧检测技术能够满足实时应用的需要。     

声门激励信号的获取及其应用

声门激励信号是语音信号的源信号,可用于语音特征参数的有效提取。研究了从观测语音获取声门激励的两种方法——线性预测法和倒谱法;用实际录制的语音做计算机仿真实验,比较了两种方法的性能和特点。结果表明倒谱法获取声门激励、由它提取基因周期等激励特征参数的精度高,但计算量相对较大;线性预测法由于采用高效算法,不仅获取声门激励的速度快,而且可同时获取声道模型参数、语音功率谱等重要参数,是获取声门激励的常用方法。     

语音信号基音检测的现状及展望

基音检测是语音处理中的一个非常重要的问题，但由于影响基音检测的因素众多．使得基音周期的准确估计非常困难。文中阐述了短时自相关函数法、短时平均幅度差函数法、倒谱法、小波变换法等几种经典的基音检测方法．分析它们各自的优点及存在的不足，并在预处理．后处理、语音信号的产生模型、语音信号的个性特征、发音时的情感及力度等基音检测的各个环节上提出了一些看法，并就一些可能出现的突破口做了一些展望。     

加权短时自相关函数的基音周期估计算法

语音基音频率的准确检测是语音信号处理的难点之一。提出一种加权短时自相关函数(Autocorrelation Function,ACF)算法提取基音频率。在传统的ACF方法基础上,利用短时平均幅度差函数(Average Magnitude Difference Function,AMDF)的平方对ACF函数进行加权,由此加强短时自相关函数在基音周期倍数处的峰值特性。对提取出的基频曲线做平滑处理。实验结果表明,该方法提高了基音周期检测的准确率。     

Interpolation of pitch contour using temporal decomposition

A new method for predicting pitch contour of a speech signal using a small number of pitch values is addressed, for the application of very low rate speech coding, relying on the correlation between phonetic evolution and pitch variations during voiced speech segments. To track the phonetic evolution and specify perceptually significant time points, Temporal Decomposition (TD) is used. TD provides information required for both determination of critical pitch values and estimation of pitch contour by detecting event functions, as interpolation paths, and their centroids, as the most steady points, in the spectral parameters space. It is shown that the proposed method reduces the amount of pitch information to about one-tenth of that in conventional frame-by-frame based techniques with less than 5% error in pitch approximation.