?

　　1引 言

　　語音編碼算法利用語音信號的冗余信息及某些人耳不敏感的信息，可以在低比特率上獲得較高質量的重建語音，壓縮編碼一直是通信中的關鍵技術。語音信號研究者們一直在尋求一種在保持語音質量不顯著下降的情況下使語音信號的編碼比特率最小的方法，特別地，低比特率語音編碼體制(比特率在4.8 kb/s以下)因其廣泛的需求而得到研究者的重視。

　　語音編碼器的性能常常用比特率、延時、復雜度和質量4個屬性來進行衡量，因此，在分析語音編碼器的性能時，主要應該考慮這些屬性。值得注意的是，這些屬性之間不是孤立的，而是相互緊密聯系的，例如，低比特率的編碼器一般比高比特率的編碼器有更大的延時、更高的算法復雜度和較低的語音質量。因此在對各種編碼算法進行取舍時，應根據實際應用環(huán)境，在這些屬性之間進行權衡。

　　共振峰參數編碼算法在低碼率的音頻編碼中應用越來越廣泛。與基于時域波形的壓縮算法相比，他在傳輸的過程中只需要傳輸構造信號所用的基頻和共振峰參數，因此可以大大地降低傳輸的碼率，實現低碼率下的多媒體通信。而且，基于共振峰參數的算法無須嚴格限制信號的結構，他可以靈活地描述音頻信號的特征。這一靈活性決定了基于共振峰參數的算法，可以滿足對音頻信號進行方便訪問和控制的需要。

　　2 基頻及共振峰提取

　　基頻與共振峰參數的準確提取對于共振峰編碼算法質量起著至關重要的作用。在本課題中采用改進的雙重傅里葉變換算法進行語音參數提取。本課題分析算法所需要的語音頻譜是由機語公司的SA-0505語譜儀分析得到。機語公司的SA-0505頻譜分析儀最高分辨精度為頻率分辨精度為5 Hz，時間分辨精度為5 ms。分析結果是各頻率分量的幅值函數，不包含相位信息。由于語音信號中相位信息不影響語音分辨，所以在此基礎上的進一步工作有很大意義。

　　在實際的語音參數提取過程中，首先應用機語語譜儀分析語音信號，得到語音的時頻分析圖譜。如圖l所示。

?

　　對各時刻的頻譜序列進行傅里葉變換，圖2所示時刻的頻譜序列的傅里葉變換如圖3所示。

?

　　從圖2中可以看出，由于實際的語音是準周期信號和實際上是短時間信號的頻率分析，其頻譜序列不是周期性沖激函數序列的采樣，而是近似三角脈沖的采樣，所以其傅里葉變換的幅度譜呈現高頻衰減性質。從圖3中可以觀察到頻譜序列的幅度譜是周期信號和高頻衰減信號的乘積。實際語音分析過程中各時刻頻譜序列的傅里葉變換后衰減幅度差異很大，低頻部分有時會出現分支脈沖的幅值大于下一個周期主脈沖的幅值，這對信號周期地分辨產生一定的干擾，而無法準確估計基頻值。所以本文在確定基頻時利用高頻部分衰減幅度差異較小的特點，分析其周期特性并用來計算語音基頻。

　　共振峰參數包括共振峰頻率、頻帶寬度和幅值，共振峰信息包含在語音頻譜的包絡中。因此共振峰參數提取的關鍵是估計語音頻譜包絡，并認為譜包絡中的最大值就是共振峰。利用語音頻譜傅里葉變換相應的低頻部分進行逆變換，就可以得到語音頻譜的包絡曲線。依據頻譜包絡線各峰值能量的大小確定出第1～第4共振峰，如圖4所示。

?

　　對于提取參數準確性的測試，可以在時域和頻域上與人工分析的結果進行比較，這種方法可以定量計算出提取算法的準確度，但工作量大不易實現。由于基頻和共振峰兩個基本信息是語音信號辨別的主要特征點，所以判斷兩個參數重建語音信號的語音質量就可了解參數提取算法的性能。語音信號重建采用諧波合成方法，即首先根據共振峰信息建立語音頻譜的包絡，然后根據頻譜包絡確定基頻及其各次諧波的幅值并合成語音信號。本文應用所得到的參數重新生成語音，主觀分辨合成語音的質量，據此判斷參數提取算法準確度。在短時間內語音信號可以被看作是平穩(wěn)信號，所以每一幀的語音頻譜也可以簡化為一組離散信號，離散的量化值就是基頻。根據離散頻譜利用式(1)，式(2)合成語音信號：

　　比較3種方式確定的離散頻譜所合成的語音信號：

　　(1)直接對原語譜圖離散;

　　(2)對所得的語譜包絡離散;

　　(3)對根據共振峰值確定的頻譜包絡離散。

　　此方式的具體方案是：由于人耳對共振峰的參數中的中心頻率敏感，而對幅值和帶寬不敏感，所以本文只用共振峰的中心頻率和最大幅值兩個參數信息來合成語音。

　　根據成年人語音信號的共振峰帶寬大約300 Hz，將各共振峰的帶寬統(tǒng)一定為300 Hz。重新作語音頻譜包絡線時，以各共振峰中心頻率值為中點、最大能量為幅度作寬度為300 Hz的門信號，然后根據新生成的包絡線確定基頻的各次諧波的幅值。用第一種語譜圖合成語音聽起來只是音質略有變化，可以清晰分辨每個音節(jié)，完整保留原語音的語調、語氣和說話人音質特征等信息。這說明算法能夠準確提取基頻信息，而且這種合成方法可以合成出高質量的語音信號。用第二種語譜圖合成的語音中說話人音質特征有些不清楚，其他方面與第一種相同。第三種語譜圖和成的語音中說話人音質特征完全被過濾掉，個別音節(jié)有些含糊，但語氣、語調信息完整保留。