《语音信号产生的数字模型.ppt》由会员分享，可在线阅读，更多相关《语音信号产生的数字模型.ppt（59页珍藏版）》请在三一办公上搜索。
1、第二章 语音信号产生的数字模型 Speech Production Model,2.1 人类的语言器官和语音产生过程2.3 语音信号产生的数字模型2.4 语音信号的特性2.5 人类的听觉功能(speech perception),2.1 人类的语言器官和语音产生过程,人类的语音是由人体发音器官在大脑控制下的生理运动产生的。发音器官包括：肺，喉，声道等。空气由肺部排入喉部，经过声带进入声道，最后由嘴或鼻辐射出声波，形成了语音。,鼻腔,口腔,声带,声门,Muscle force,lung,Vocal cords,Nose output,Mouth output,Velum,Nasal cavity
2、,Mouth cavity,The complete physiological mechanism of speech production,声道,excitation,speech,喉的生理结构,喉位于气管的上端，实际上是气管末端一圈软骨构成的一个框架，前方稍高处的软骨称为甲状软骨，前后方环成一圈的称为喉部环形软骨，喉中两片肌肉称为声带，声带之间的空隙为声门。当声带张开时，声门打开，空气可自由呼出，正常呼吸就处于这种情况；当声带闭合，声门关闭。,甲状软骨,声门,声带,环形软骨,人的前方,喉,当说话时，声带在软骨的作用下相互靠近但不完全闭合，声门变成一条窄缝，当气流通过窄缝时压力减小，外界压
3、力大，从而两片声带完全闭合使得气流不能通过，当气流阻断时压力恢复正常，推开两片声带，声门再次打开，气流再次流过。,声带靠拢,Tp,基音周期,声带的开启和闭合称为振动。这一振动过程周而复始，形成了一串周期性脉冲气流送入声道。这个过程发出的音称为浊音。如汉语发音的a、i、u和o等。,Glottal Closure instant,T,女声汉语拼音a的时域波形,Tp,基音周期 fundamental period,Voiced excitation,Unvoiced excitation（声带不振动，声门开启）,男声汉语拼音声母s的时域波形,气流从喉向上经过口腔或鼻腔后从嘴或鼻孔向外辐射，期间的传输
4、通道称为声道。气流流过声道时犹如通过了一个具有某种谐振特性的腔体，放大某些频率，在频谱上形成相应位置的峰起，称为共振峰。,讲话时，由于舌和唇的连续运动，使声道形状改变，随即改变谐振频率，使得发不同的音。声道的不同的形状，对应不同的谐振频率。,声道,发音的三种方式excitation,浊音（voiced sounds）声带开启和闭合，在声门处产生一个准周期性脉冲序列。（quasi-periodic sequence）清音（unvoiced sounds）声带完全舒展开来，声道的某个部位发生收缩形成了一个狭窄的通道，当空气流到达此处时被迫以高速冲过收缩区，并在附近产生空气的湍流，类似于白噪声。（w
5、hite noise）爆破音（plosive/stop sounds）声带完全舒展开来，声道的某个部位完全闭合在一起，当空气流到达时便在此处建立起空气压力，一旦闭合点突然开启便会让气压快速释放，实际上也是一种空气的湍流。（white noise）,F0=1/Tp，基音频率，由声带的质量来决定。F0的大小决定了声音的高低，称为音高。男性的F0大致分布在：50250Hz 女性和儿童的F0大致分布在：100500Hz,基音频率(Fundamental Frequencypitch)F0,鼻端,嘴唇,声道的谐振频率format frequency,谐振频率发生在：Fn=（声道的横截面是均匀的，发元音e
6、时，声道近似是均匀的。）,L=17cm，声道的长度n=1,2,3 称为第一共振峰F1=500Hz、第二共振峰F2=1500Hz、第三共振峰F3=2500Hz，c=340m/s,2n-1,4L,c,女声英文a的频谱,男声汉语拼音声母s的频谱,一种声道形状对应一套共振峰 不同人的声道大小不同，共振峰不同 同一人，发不同音，共振峰也不同,总结,前三个共振峰的大致范围（Hz）,时域波形：幅度时间图。大致得出音节的起始点、清音和浊音以及浊音的基音频率。,女声汉语拼音a的时域波形,频谱特性：幅度谱图。得出基音周期、共振峰频率及其位置。,女声英文a的频谱,鼻腔的作用,在软腭的帮助下，可使空气经过鼻腔排除人体
7、外，由此产生的语音称为鼻音。如n、ng为鼻音韵母，m、n、l为鼻音声母。鼻腔是一个谐振腔，由于形状固定，故其共振峰频率是确定的。,Muscle force,lung,Vocal cords,Nose output,Mouth output,Velum,Nasal cavity,Mouth cavity,The complete physiological mechanism of speech production,声道,excitation,speech,uG(n),Av,冲激序列发生器,声门脉冲模型G(z),随机噪声发生器,基音周期TP,Au,清/浊音开关,浊音激励,清音激励,2.3 语音
8、信号产生的数字模型,一、激励模型,声门脉冲滤波器,N1,N2,二、声道模型(共振峰模型),短时线性系统声道V(z),1.级联型(元音),V1,V2,V3,V4,V5,声道是一组串连的二阶谐振器（一个谐振腔对应1个共振峰频率）。,每个传输函数是一个全极点的IIR滤波器，这些极点确定了声管的共振峰。若N取偶数，V(z)一般有N/2对共轭极点，rkexp(j2FkT)，k=1N/2。各个wk值分别与语音的共振峰相互对应。N的取值一般为812。,传输函数,N为极点个数，G是增益参数，ak为常系数。,T为采样周期,2.并联型(大部分辅音),传输函数，零极点IIR滤波器,零极点IIR滤波器总是可以用全极点
9、IIR 滤波器来代替。因此可以用全极点模型来表示任何语音。,三、辐射模型,R(z)=R0(1-z-1),唇端辐射损耗在高频端较为显著，而在低频端影响较小，R(z)应具有高通特性。对高频提升大约为每倍频程6dB。,四、完整的语音信号的数字模型,Av,冲激序列发生器,声门脉冲模型G(z),随机噪声发生器,基音周期TP,AN,线性系统声道V(z),辐射模型R(z),清/浊音开关,传输函数,传输函数的具体表达式：,模型的特点,在这个模型中，TP、Av、AN、清/浊音开关的位置以及声道滤波器的参数都是随时间而变化，在10-30ms的时间间隔内是保持不变的。这种特性称为短时性。对于激励信号而言，大部分情况
10、下，这一结论也是正确的，但有些音变化速度特别快，爆破音，取5ms比较更为恰当。,2.4 语音信号的特性,一、语音的声学特性,语音是发声器官发出的一种声波，具有一定的音色、音调和音强和音长。音色:又称为音质，是一种声音区别于另一种声音的基本特性。音调：声音的高低，取决于声波的频率 音强：声音的强弱，它由声波的振动幅度所决定 音长：发音时间的长短,（1）音系简单，在汉语中一个字就是一个音节，由一般为23个音素组成，而且具有音素少、音节少。英语中一个单词由若干个音节组成，一般为23个，一个音节由若干个音素组成，一般为14个。（2）清辅音多，在听感上有清亮、高扬和舒服、柔和的感觉。（3）有鲜明的轻重音
11、和儿化韵，所以字词分隔清楚，语言表达准确而丰富。,汉语语音的特点,在汉语中，由元音和辅音构成声母和韵母。,二、汉语的拼音方法,声母：一个音节开始的辅音，声母完全由辅音充当，但辅音不等于声母，因为辅音还可以作为韵尾放在音节的末尾。b、p、m、f、d、t、n、l、g、k、h、j、q、x、zh、ch、sh、z、c、s、r,韵母：在音节中占主要部分，音节中除了头上的声母以外的部分，由单、双元音、元音带上辅音等几种不同的形式组成。所有元音都是浊音。a、o、e、i、u、单韵母（元音）ai、ei、ao、ou、ia、ie、iao、iou、ua、uo、uai、uei、e 复韵母 an、en、ang、eng、on
12、g、ian、in、iang、ing、iong、uan、uen、uang、ueng、an、n 鼻韵母i表示3个韵母，即韵母、舌尖前韵母和舌尖后韵母。,韵母是由单、双元音、元音带上辅音等几种不同的形式组成。不同的元音有不同的基音频率和共振峰模式，它们是区别不同韵母的重要参数。,区别不同韵母的重要参数,声母、韵母和声调是汉语语音的三要素。汉语语音的一个不同于其他语言的是它具有声调（音调）。声调是1个音节在念法上的高低升降的变化，汉语中有4个声调，即阴平（）、阳平（）、上声（）、和去声（）。,三、汉语音节的一般结构,声调的变化就是浊音基音周期的变化，为了将调值描写地具体一些，一般采用“五度标记法”，用
13、一条竖线表示声音的高低，从上而下用1、2、3、4、5依次表示低、半低、中、半高、高。,5 高,4 半高,3 中,2 半低,1 低,阴平,阳平,上声,去声,四、语音信号的统计特性,语音信号振幅分布的概率密度有两种逼近方法：,人类接收语音由人耳来完成，空气振动由耳廓收集，经外耳道而抵达鼓膜，鼓膜随之振动，使鼓室中的空气和听骨链也发生振动，听骨链的振动经前庭窗（卵圆窗）激励前庭淋巴，变为液波，液波使位于基底膜上的螺旋器受到刺激，将神经冲动经听神经传到中枢而产生听觉。,2.5 人类的听觉功能,正常人的听觉系统是极为灵敏的，可听声的范围为20Hz-20kHz。可听声的最小声压级(dB)称为听阈。-513
14、0dB，对低频和高频是不敏感的，听阈为60dB，在1kHz附近最敏感。,如果信号是一个多频率的信号，则产生的行波将沿着基底膜在不同的位置产生最大幅度，从这个意义上讲，耳蜗就像一个频谱分析仪，将复杂信号分解成各种频率分量，这种作用称为人耳的时频分析特性。耳蜗在语音接收过程起着重要的作用。,耳蜗对声信号的时频分析特性,人工耳蜗是一种电子装置，能帮助重度及极重度耳聋患者获得或重新恢复听觉。它代替病变受损的听觉器官，把声音转换成编码的电信号传入内耳耳蜗，刺激分布在那里的听神经，再由大脑产生听觉。,人工耳蜗,麦克风接收声音，并通过导线将其传至言语处理器；言语处理器对声音进行数字化、滤波编码等处理，并将编
15、码信号经导线传至传输线圈；传输线圈将编码信号通过耦合传至皮下的接收器；接收器对编码信号进行解码；按信号选择一定位置的电极，刺激耳蜗内的听神经纤维，使其产生兴奋，将信号传入大脑，产生听觉。,人工耳蜗的工作原理,人耳的掩蔽效应,人耳的掩蔽（masking phenomenon）效应:在一个强信号附近弱信号将变得不可闻，被掩蔽掉了。,掩蔽阈值,被掩蔽掉的不可闻信号的最大声压级称为掩蔽门限和掩蔽阈值（masking threshold）,在这个掩蔽阈值以下的声音将被掩蔽掉。,掩蔽效应分为同时掩蔽(频域掩蔽)和短时掩蔽（时域掩蔽）。同时掩蔽是指存在一个弱信号和一个强信号，当其频率接近时，强信号会提高弱信
16、号的阈值，就会导致弱信号变得不可闻。,1kHz的听阈,1dB,20dB,4dB,可闻声,3dB,不可闻声,图形描述,同时出现的A声和B声，若原来A声的阈值为50dB,由于另一个频率不同的B声的存在使得A声的阈值提高了68dB,则B声称为掩蔽声，A声称为被掩蔽声。掩蔽量为68dB50dB18dB。,数学描述,掩蔽效应的作用,当只有A声时，必须将声压级在50dB以上的声音信号传送出去，50dB以下的声音是听不到的。当同时出现了B声，由于掩蔽效应，使得A声中的68dB以下的声音是听不到了，可以不予传送，只是传送50dB以上的信号。,同时掩蔽时，掩蔽声越强，掩蔽作用越大；掩蔽声和被掩蔽声的频率越接近，
17、掩蔽效果越明显，当频率相同时，掩蔽效果最大。,前向掩蔽：若被掩蔽声A出现后，相隔(0.05s,2s)之内出现了掩蔽声B，对A起掩蔽作用，因为A声尚未被人所反应接收而强大的B声已来临。,短时掩蔽 前向掩蔽和后向掩蔽,后向掩蔽：掩蔽声B即使消失后，其掩蔽作用仍将持续一段时间，约(0.5s,2s)，这时由于人耳的存储效应所致。,语谱图(Spectrogram),语音的时域分析和频域分析是语音分析的两种重要的方法，但是这两种方法均有局限性：时域分析对语音信号的频率特性没有直观的了解；而频域特性中又没有语音信号随时间的变化关系。因此人们致力于研究将时域分析和频域相结合，将时间依赖于傅立叶分析的显示图形称
18、作为语谱图，横坐标为时间，纵坐标为频率，谱的色调的浓淡表示声音的强弱。它综合了频谱图和时域波形的优点，明显得展示了语音频谱随时间的变化情况。,Band-pass filter1,Band-pass filter2,Band-pass filterN,Speech,time,frequency,Every salt breeze comes form the sea,Wide band,narrowband,Matlab 命令：specgram,Wideband spectrogram：给出共振峰频率Narrow spectrogram：基音周期及其谐波,specgram computes the windowed discrete-time Fourier transform of a signal using a sliding window.The spectrogram is the magnitude of this function.,欢迎使用微软中国研究院中文语音合成系统的时域波形和语谱图,THANKS,
