基于Gaussian-Gamma 模型的语音激活检测

语音端点检测是语音信号预处理过程中的一个重要环节,而在实际的噪声环境下,一些传统的端点检测方法已经不适用,为了提高在强背景噪声条件下语音端点检测的性能,提出了一种在DCT变换域下,基于Gaussian-Gamma模型的语音端点检测算法,设定其纯净语音信号的统计分布函数为Gamma分布,其相应参数使用了最大似然估计以及预测估计的方法.该算法具有较高的准确性和稳健性.仿真实验表明,该方法鲁棒性较好,在较低的信噪比下仍能比较准确的检测到语音信号的端点.     

一种应用于语音识别的端点检测改进方法

语音端点检测是语音识别过程中的重要的一个环节,为了提高在强背景噪声条件下语音端点检测的性能,提出了一种将维纳滤波和改进的多子带熵相结合的方法.不仅有效地减少了背景噪声,而且大大提高了语音端点检测的准确性和稳健性.仿真实验表明,该方法计算简单,可靠信高,在较低的信噪比下仍能比较准确的检测到语音信号的端点.     

基于Teager能量算子的语音端点检测算法研究

语音识别中端点检测是很重要的环节,检测的好坏直接影响到后面的语音识别的效果。传统使用的短时能量与短时过零率方法在信噪比较低时,不能有效地检测语音端点,检测准确率较低。利用Teager能量算子的非线性特性,能在抑制背景噪声的同时对平稳和不平稳信号有不同程度的衰减。因此,文中提出一种基于Teager能量算子的端点检测方法,并进行改进检测算法。经过实验证明,改进的算法与短时能量检测的结果相比,该算法在信噪比较低的情况下,能够比较准确地检测出语音的起始端点,同时语音端点检测准确率比较高,验证了该算法的有效性。     

融合Mel系数和kNN的语音端点检测

语音端点检测是语音处理过程中的重要环节。为了提高在不同噪声环境下语音端点检测的准确率和鲁棒性,提出了融合语音Mel频率倒普系数和kNN分类算法相的语音端点检测方法。该方法提取语音信号的Mel频率倒普系数作为语音特征参数,然后将特征向量作为kNN分类的输入进行训练学习,建立语音端点检测模型,并进行仿真实验,结果表明该方法是一种准确率高、鲁棒性强的语音端点检测方法。     

低信噪比环境下改进的倒谱距离语音端点检测算法

在强背景噪声的情况下,针对传统倒谱距离法端点检测难以判断语音段起止点的问题,提出了一种基于多窗谱估计的谱减法与改进的倒谱距离语音端点检测新方法.首先对每一帧带噪信号进行多窗谱估计得到平滑功率谱,提取前导无话段平均功率谱,再利用谱减法对带噪语音信号进行减噪处理,对语音的减噪是为了更好地进行下一步的端点检测,然后对传统的倒谱距离门限阈值进行改进,得到一种改进的自适应阈值,并结合倒谱距离法进行端点检测.通过仿真实验结果表明,与传统倒谱距离端点检测算法相比,本文方法提高了低信噪比语音端点检测的精度,具有良好的鲁棒性能.     

基于C1C2复杂性非线性特征的语音端点检测

研究基于C1C2复杂度非线性特征的语音端点检测技术.应用中心削波法对含噪语音信号进行预处理,分析状态空间分割方法和窗长对检测性能的影响;通过允许字和禁止字来度量语音序列,采用C1C2复杂度对含不同噪声类型及不同信噪比的中英文语音样本进行了端点检测实验.在低信噪比情形下.检测方法要优于CO复杂度特征检测方法,方法具有较优的稳健性和实时性等特点,为强背景噪声下的语音端点检测提供了新的研究途径.     

噪声环境下语音多子带端点检测方法

为了克服传统端点检测算法在有噪环境下的不足,提出了一种新的语音多子带端点检测算法,它能根据子带背景噪声大小动态设置门限.实验结果表明,所提出的算法较传统的检测方法有更好的检测性能.     

基于变帧长自适应门限的端点检测方法

传统的双门限端点检测算法的门限一般通过经验值来确定。在实际应用中,这种凭经验得到的判决门限往往不能很好地适应环境变化,尤其是在噪声环境下,经验判决门限不能适应背景噪声的变化。将1种自适应门限、窗长动态变化相结合的双门限端点检测算法用于语音端点检测,实验结果表明该方法在常见的弱噪声环境下效果较好,具有一定的鲁棒性。     

基于HHT和OSF的复杂环境语音端点检测

希尔伯特-黄变换是一种全数据驱动的自适应非平稳信号时频分析方法,但是在强噪声环境下语音信号的希尔伯特能量谱曲线波动较大,对语音端点检测造成很大的影响,该文提出了一种基于希尔伯特-黄变换和顺序统计滤波的检测方法。该方法将含噪语音信号进行经验模态分解,通过对固有模态函数进行自适应权重选取获得信号的希尔伯特能量谱,利用顺序统计滤波器对每帧的能量谱进行平滑处理作为语音/非语音的鉴别特征。实验结果表明,该方法适用于复杂噪声环境的端点检测,在低信噪比情况下仍然能够有效地检测出语音信号,降低信号误检率。     

变噪声环境下的语音端点检测算法

目前的语音端点检测算法大多不能适应背景噪声实时变化情况.针对这一问题,首先给出1个代表噪声变化的参数--最小Mel频带参数(MiMSB);然后给出改进的时频参数(TF)--增强时频参数(ETF),用于区分语音信号与噪声;最后基于这2个参数提出一种变噪声环境下的端点检测算法.实验证明,该算法在各种噪声环境下均能取得很好的性能.     

基于谱减法和均匀子带频带方差法的端点检测研究

传统的端点检测算法是基于短时能量和短时过零率的双门限检测法,该算法对于含噪语音信号检测效果不佳.因此,将谱减法与均匀子带频带方差算法相结合,结合算法分两个过程,首先用谱减法对带噪语音信号进行降噪,然后用均匀子带频带方差法进行端点检测.实验结果表明,结合算法对于含噪较多的语音信号检测效果良好.     

基于语音学知识的鲁棒性两级语音起点检测方法

语音识别系统的实用化,需要对噪声有很强的鲁棒性,而噪声环境下的端点检测对整个识别系统性能起着关键的作用。提出一种基于语音学知识的两级起点检测方法,其中第一级选取短时能零比和短时谱幅作为初检特征,并采取自适应门限,第二级根据语音起点能量变化和语音性持续时间进行起点的确定。实验结果表明该方法在常见噪声环境下鲁棒性较好,且适于实时应用。     

一种提高语音干扰效果评估准确度的方法

语音信号的干扰效果是检验通信对抗装备的重要指标之一,基于客观的评估方法是当前研究的重点。客观评估方法的基础是对语音信号的预处理,介绍语音信号端点识别和语音信号分段处理方法的基础上,提出了一种基于时间统一设备的端点识别与分段方法,解决了加噪语音信号在仿真试验中的分段问题,该方法不受信噪比影响,具有较强的适应性。     

一种基于噪声快速跟踪的语音增强算法

对解决传统减谱算法残留音乐噪声的问题,现有许多方法都无法达到理想效果。提出一种能在非平稳噪声环境下快速追踪噪声的语音增强方法,采用端点检测优化信噪比,达到较好的语音增强效果。实验表明,相比其他类似方法,在提高实时性、增加信噪比和抑制背景噪声和音乐噪声方面都有更好效果。     

基于短时能量的语音端点检测算法研究

研究了噪声环境下，利用短时能量为特征进行语音端点检测的问题。在采用短时全带能量为特征的基础上，提出的算法将短时高频能量作为辅助特征，同时使用了最优边沿检测滤波以及双门限-三态转换判决机制，从而保证了算法在噪声环境下的端点检测准确性和对信号绝对幅度变化的稳健性。实验结果表明，与传统的能量闻值法以及G．729中使用的VAD算法相比，提出的算法在噪声环境下具有更好的性能，是一个简单、高效和稳健的语音端点检测算法。     

语音端点检测中能零比方法的改进

传统的基于语音信号短时能量与短时过零率之比的单参数双门限端点检测方法对高信噪比的语音信号能实现较好的检测,而在低信噪比的情况下检测正确率却很低。本文在研究了语音信号的非线性分析方法后,提出了一种改进的端点检测方法。首先,对分帧加窗后的每一帧带噪语音信号进行经验模态分解求其短时Teager能量;然后,求每一帧的短时过零率,平滑处理之后进行归一化;最后,求出短时Teager能量与归一化短时过零率之比用于端点检测。经过仿真实验证明,本文提出的改进方法能够在低信噪比的带噪环境下实现比传统能零比方法更好的端点检测效果。     

基于EMD拟合特征的耳语音端点检测

耳语音作为人类发音的一种特殊形式,与正常语音相比具有信噪比低、元音的周期特征不明显等特性,因而耳语音处理比正常语音更为困难。耳语音处理研究的第1个关键步骤就是语音的端点检测,该文利用希尔伯特-黄变换(Hilbert-Huang Transform, HHT)中的经验模态分解(Empirical Mode Decomposition, EMD),首次提出了一种基于EMD拟合特征的耳语音端点检测新方法。利用EMD得到的内禀模态函数(Intrinsic Mode Function, IMF)能量,以其归一化拟合参数为耳语音端点检测的特征,可以准确地划分出耳语音端点。实验表明,该方法在耳语音端点检测中取得了很好的效果,在1200个信噪比为2～10dB的测试样本中,检测准确率为98.25%。     

基于自相关最大值和过门限率的语音端点检测

语音处理中,在噪声环境尤其是在非平稳噪音环境下进行端点检测是很困难的。在低信噪比的情况下,传统用于端点检测的特征参数不能充分描述语音信号的特征,导致端点检测的效果严重退化。为此,笔者从语音信号的时域或频域出发,提出了一种把短时自相关函数最大值和短时过门限率相结合的方法。实验表明,该方法弥补了自相关函数最大值方法和过零率的不足,提高了语音端点检测的性能。     

一种基于检测元音的孤立词端点检测算法

提出了基于检测元音的端点检测算法。首先检测到语音中的元音的端点。然后利用元音的端点作为参考端点检测出语音真实的端点。将新方法应用在T146数据包在NoiseX-92的5种噪声下的端点检测和识别实验。并和基于能量的端点检测算法比较。2种不同的实验表明，提出的基于检测元音的孤立词端点检测算法可以在不同信噪比下提高端点检测的准确率，并在低信噪比的环境下能明显提高语音识别系统的识别率。     

语音信号端点检测方法与展望

对语音信号端点检测的主要方法，如基于短时能量的方法、基于HMM的方法、基于自相关相似距离的方法等进行了深入研究。分析了这些方法的原理、优点与不足，并进行了比较。针对各种检测方法在应用中，尤其是应用于噪声环境中的局限性，指出了语音信号端点检测领域进一步研究的方向。