基于时域特征的语音信号端点检测
作者： 罗海涛
摘要：语音由发音器官发出，通过声电传感器，语音可以转化连续的模拟电信号;随着电子技术和计算机技术的进一步发展，语音信号的处理得到了飞速的发展;语音信号分析处理包括时域分析和频域分析两大类;语音的时域分析包括短时能量分析、短时过零率分析、短时相关分析，时域分析目的是提取语音时域特征，据此进行语音端点检测。
关键词：语音信号;时域分析;帧能量;帧过零率;端点检测
中图分类号：TP391 文献标识码：A
文章编号：1009-3044（2022）13-0096-03
语言是人类特有的能力，是人们相互交流的重要工具。语音由发音器官发出，通过声电传感器，语音可以转化连续的模拟电信号，例如电话机就属于这样一种转换，这就是最早的语音信号处理。通过声电和电声的转换，实现语音和电信号之间的相互转换，达到远距离传输的目的。随着电子技术和计算机技术的进一步发展，语音信号的处理得到了飞速的发展。
对语音信号进行分析和处理，一直是研究的热门。通常首先需要对连续的模拟语音信号进行采样和量化，转换为离散的数字信号，形成音频文件，便于计算机处理。用计算机进行语音信号处理，极大地提高了语音信号处理的效率。
语音信号分析处理包括时域分析和频域分析两大类。分析前通常需要先对语音信号进行分帧，即把语音信号分解为很多相对短时间的、固定时长的一段信号，称为帧。每一帧语音信号可以视为短时平稳的随机信号。时域分析用于分析和提取语音的时域特征，是最简单、直观的分析手段。语音的时域特征包括短时能量分析、短时过零率分析、短时相关分析等。这里短时指的是一帧语音。频域分析用于分析和提取语音的频域特征，这些特征包括语音的频谱、倒谱、复倒谱、功率谱等。分析方法有离散傅里叶变换、带通滤波器组，以及线性预测等[1]。
本文对语音信号进行时域分析，分析其帧能量，帧过零率等时域特征，并对语音进行端点检测。
1 语音采样数据的获取
目前很多用于语音处理的语音库文件都采用wav格式，这种文件格式是一种重要的数字音频文件格式。wav格式的文件没有对语音数据进行压缩，所以其文件比其他格式如MP3、MP4、RAM等格式的音频文件更大。但也正因为没有采用压缩技术，wav文件中声音的采样数据很容易被读出来，便于做其他处理。wav格式是微软公司开发的一种声音文件格式，也叫波形文件，是最早的数字音频文件格式，它具有RIFF（Resource Interchange File Format）格式。RIFF格式的wav文件由若干个Chunk（块）组成，按顺序为RIFF WAVE Chunk、Format Chunk、Fact Chunk（可选）和Data Chunk。每个块都有固定而且类似的格式，第1部分是块的ID，作为标识，4个字节，紧跟其后的是该块的大小，也是用4个字节表示，低字节表示低位，高字节表示高位;第3部分略有差异[2]。
笔者用C++编程，首先读取Web语音文件，为此，定义了四种结构体，分别对应上述4种块。再定义文件指针，并打开文件：
FILE *wav_in;
wav_in=fopen（filename，"rb"）;
wav文件是二进制文件，所以用参数"rb"。再结合文件位置指针进行读取：
file_pos=ftell（wav_in）;
由于wav格式存储的语音数据是整数，因此定义了整型数组pcm_data来存储。存储在wav文件中的每个音频数据为16位，因此数组pcm_data是16位。
2 语音信号的端点检测
端点检测的目的是检测和确定语音信号的开始和结束端点，进而把非语音信号部分舍弃，只保留语音信号部分的数据，以减少数据量，节约计算机处理时间，从而提高处理速度。如果语音信号没有噪音，端点检测比较容易处理。可以简单通过语音信号的短时（帧）过零率，和短时（帧）能量检测到端点，因为语音信号都有一定的能量和过零率，而静音状态下的语音信号能量很小，几乎为0，过零率也没有。计算出每帧语音的能量和过零率，并比较相邻帧的能量和过零率，就这样可以确定语音的端点。
如果语音信号混合了噪音，端点检测过程比较复杂。除了帧能量和过零率之外，还需要结合其他的参数，才能确定语音的端点[3]。例如，可以结合频谱来分析端点，有些噪音的频率高于正常的语音信号，因此，可以把频谱中频率高的部分认为是噪音。也可以采取措施先消除噪声，例如用小波消除噪声[4]。小波变换是一个时间和频率的局部变换[5]。
先对语音信号进行分帧，帧长统一采用20ms，相邻两帧没有交叉重叠。
FrmLength=（unsigned short int）20.0*fmt_block.wavFormat.dwSamplesPerSec/1000;
其中dwSamplesPerSec是每秒采样点数，即采样率。上述语句把帧长由20ms时间转换为离散点数。
计算帧的数量：
nFrm=nSamples/FrmLength;
其中nSamples是采样点总数。
接下来通过一个循环计算每帧能量和过零率，其中，计算帧能量时，采用归一化的幅值的平方和。而过零率计算，则判断前后两个幅值，如果是异号，则过零率加2;如果是同号，则过零率不变。
（1） 置每帧能量初值为0，每帧过零率初值为0;
（2） 在一帧内，循环计算每个点的能量值，累加到本帧的能量中;判断前后两个语音点的幅值，如果是异号，则过零率加2;如果是同号，则过零率不变;
（3） 判断是否所有帧都计算机完毕，如果没有，则转（1），计算下一帧;如果所有帧都已经计算完毕，则循环结束，进入下面的端点检测。
端点检测就是确定语音信号的开始和结束端点，本文假设语音信号都是没有噪音的，因此，在没有语音的部分，信号幅值几乎等于零。大致步骤是：先确定端点所在帧，为此，设定一个阈值，再按顺序检测每一帧的能量。当检测到某一帧的能量大于等于阈值时，可以确定端点在这一帧。考虑到计算一帧语音的能量时，用的是归一化后的幅值的平方和，帧语音能量的绝对值不大，因此，设定阈值为1。具体步骤如下：
（1） 置帧号为1;
（2） 读取该帧语音能量;
（3） 判断其能量值是否大于等于1，若大于等于1，则该帧号就是起始端点所在帧，结束循环;否则帧号加1，转（2）。
确定结束端点所在帧时，从最后一帧语音开始，逆序向前检测每一帧语音的能量值，判断其是否大于等于阈值。具体步骤如下：
（1） 置帧号为帧数量，即最后一帧;
（2） 读取该帧语音能量;
（3） 判断其能量值是否大于等于1，若大于等于1，则该帧号就是结束端点所在帧，结束循环;否则帧号减1，转（2）。
确定端点所在帧之后，再在该帧语音内进一步确定具体哪个位置，才是语音的开始和结束端点。为此，也设定一个阈值0.05。之所以设置比较小的一个数，是因为用的是归一化后的幅值。在该帧范围内，从第一个点按顺序检测。当某个点的幅值归一化值大于等于0.05时，可以确定该点就是语音的端点。具体步骤如下：
（1） 置循环初值j=1;
（2） 由起始点所在语音帧号spFrm，以及j，由下式计算得到实际的语音采样点顺序号k，
k=（spFrm-1）*FrmLength+j;
（3） 获取该采样点的归一化幅值;
（4） 判断其幅值是否大于等于0.05，若大于等于0.05，则该采样点编号k就是起始端点的真实语音采样点号sp，结束循环;否则j+1，检测下一个采样点，转（2）。
确定语音结束端点的过程如下：
（1） 置循环初值j为帧长，即从结束端点所在帧的最后一个点开始，逆序往前逐个检测;
（2） 由结束点所在语音帧号epFrm，以及j，由下式计算得到实际的语音采样点顺序号k，
k=（epFrm-1）*FrmLength+j;
（3） 获取该采样点的归一化幅值;
（4） 判断其幅值是否大于等于0.05，若大于等于0.05，则该采样点编号k就是结束端点的真实语音采样点号ep，结束循环;否则j+1，检测下一个采样点，转（2）。
3 运算结果
本文录制了几个英文单词，音频文件全部为wav格式，用全面介绍的方法进行了预处理，包括分帧和端点检测，并且用图形把结果显示出来，如图1所示为英文单词“important”的语音波形及短时能量和短时过零率波形。
从图2可知，英文单词important的波形文件是双声道音频文件，第5行起是具体的双声道的采样数据。
从图3可以看出，端点检测结果是语音起始端点号为1797，该点采样数据位于第3帧。语音结束端点号为41453，该点采样数据位于第47帧。端点检测前采样点数为图2的46739，经过端点检测，去掉起始端点前，和结束端点后无语音部分采样点数据，剩余采样点数为图3的39657，其数据量减少为原来的84%，为后续处理减少了数据量。
图4所示为英文单词“dictionary”的语音波形及短时能量和短时过零率波形。
从图5可知，英文单词dictionary的波形文件也是双声道音频文件，第5行起是具体的双声道的采样数据。
从图6可以看出，端点检测结果是语音起始端点号为7676，该点采样数据位于第9帧。语音结束端点号为41222，该点采样数据位于第47帧。端点检测前采样点数为图5的47184，经过端点检测，去掉起始端点前，和结束端点后无语音部分采样点数据，剩余采样点数为图6的33547，其数据量减少为原来的71%。
其余计算结果也说明，端点检测是减少语音采样数据量的很有效的方法。
4 结语
随着计算机技术的发展，计算机语音处理技术获得了广泛的应用。其应用领域包括人工智能、虚拟现实、智能服务、智能家居等。语音信号处理实际上涉及多个学科领域，包括语音学、语言学、认知科学，以及心理学等多个学科。语音端点检测是检测和确定语音的实际起始端点和结束端点。明确了端点，就可以把端点以外的采样点数据舍弃，进而减少数据量，为后续处理提高效率。
参考文献：
[1] 赵力.语音信号处理[M].3版北京：机械工业出版社，2016.
[2] 罗海涛.wav格式与数据获取[J].电脑知识与技术，2016，12（27）：211-213.
[3] 罗海涛.含噪语音信号端点检测[J].计算机时代，2017（10）：8-10.
[4] Luo H T.Local thresholding de-noise speech signal[C]//SPIE Proceedings，Fifth International Conference on Digital Image Processing （ICDIP 2013）.Beijing，China.SPIE，2013.
[5] 罗海涛.用小波消除语音噪声[J].福建电脑，2017，33（8）：119-120.
【通联编辑：梁书】