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。     

基于LPC美尔倒谱特征的带噪语音端点检测

复杂的噪声环境是语音识别系统在实际应用中性能下降的原因之一,识别预处理中的带噪端点检测作为关键技术,其性能的优劣某种程度上决定了识别率的高低。笔者提出了基于LPC美尔倒谱特征的带噪端点检测方法,对语音信号分高低频段分别提取IPC美尔倒谱特征分析,根据Mel倒谱距离判决,采用自适应噪声估计,实验结果表明,该方法计算效率较高,低信噪比下有较好的检测性能。     

基于Mel-TEO的带噪语音端点检测算法

针对短时TEO能量算法抗噪性差的缺点,提出了一种强噪声下的端点检测新算法.该算法在短时TEO能量端点检测的基础上,增加Mel倒谱距离判断环节,采用先粗判后精判的互补性两级判决机制.首先利用强抗噪性Mel倒谱距离进行端点粗判,然后再利用体现语音信号时域特征与语音共振峰特性的短时TEO能量进行端点精判.实验表明,在信噪比相对较低的环境下,该改进算法与传统的双门限法和短时TEO能量相比,在没有增加运算复杂度的同时提高了检测系统的准确度.     

基于多特征的语音端点检测技术研究

针对传统的端点检测技术,如基于能量、过零率等方法,在低信噪比噪声环境下检测性能急剧下降的问题,根据汉语语音发音的特点,提出了一种新的检测方法,该方法结合了Mel频率倒谱系数（MFCC）和能量、过零率、频带方差等多个语音特征。基于多特征融合的模糊判决二次搜索端点检测方法,能有效减少清音、拖尾音的截断,提高端点检测的精度,并对噪声环境具有一定的自适应性。实验结果表明,即使在低信噪比条件下,该方法仍具有较高的准确性。     

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.     

低信噪比下多参数融合的自适应语音端点检测

传统语音端点检测方法利用语音和噪声在某单一参数特征上的差异进行信号中语音起止点的切分,但不同参数在低信噪比不同噪声环境下表现不稳定,鲁棒性差。因此,本文提出了基于均匀子带谱方差,能熵比,梅尔倒谱距离,似然比四种参数相融合的语音端点检测方法。该方法能自适应地改变各参数阈值,并通过实时监测噪声段能熵比的值确定所采用的投票判决机制,从而进行语音端点判定。实验结果表明,该方法在低信噪比下较常用的端点检测方法有更高的检测正确率及鲁棒性,对语音信号后续处理工作有一定的借鉴意义。      

实时语音采集系统中语音端点检测和增强方法

针对实时语音采集系统应用到工业行业中所面对的增加有效记录时间和提高噪声环境下的录音回放效果问题,研究了端点检测方法和语音增强方法。端点检测方法基于有限状态机模型,引入通信中AMR-WB标准的激活检测算法作为语音帧或噪声帧判据,端点检测可达到良好的实时性和准确性,并对于低幅度信号增加了过零率判据可进一步降低检测算法对语音的漏报率。语音增强方法以参数可配置的低频带阻滤波结合维纳滤波来增强语音采集系统对多种环境噪声的消除能力。实际使用表明该端点检测方法和语音增强方法对于提高工业领域应用中实时语音采集系统的记录长度和回放效果具有很强的实用性。     

基于MFCC倒谱距离的语音端点检测方法

在一个语音信号处理系统中,端点检测是对语音预处理阶段最重要的环节,好的检测效果可提高后续语音处理的效率。文章结合语音信号特性,采用根据人耳听觉机理Mel频率倒谱系数(Mel Frequency Coefficient,MFCC)对带噪语音进行端点检测,通过仿真实验的方式证明其可行性。     

非平稳强噪声环境中的音频信号端点检测系统

为提高音频信号端点识别能力,设计一种非平稳强噪声环境中的音频信号端点检测系统。构建音频信号端点检测硬件单元,利用预处理单元对音频信号进行预加重、分帧以及加窗处理后,端点检测单元在提取处理音频信号的MFCC倒谱距离特征、频带方差特征的基础上,依据动态阈值估计策略确定恰当阈值;通过双特征参数双门限法来实现对音频信号起止点的确定以及语音帧和非语音帧的分离;利用包络确定延时单元,防止噪声段被错误识别为语音段,避免出现拖尾太长问题。实验结果表明,所设计系统可实现非平稳强噪声环境音频信号端点检测,检测误差满足设定要求。     

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。