语音信号端点检测方法研究

介绍了语音信号的3种端点检测方法.即能量过零率检测方法、基于频带方差的检测方法和语音短时信息熵检测方法,并对3种方法的优缺点进行分析.     

多模式语音端点检测

在语音信号处理系统中,基于帧能量的语音端点检测(voiceactivitydetection,VAD)往往受到语音段能量不平稳及噪声的影响,为了提高语音端点检测的性能和鲁棒性,引入视觉信息。该文提出采用基于数据驱动的线性变换生成视觉特征,在提出一个基于统计的VAD一般模型的基础上构建两个单模式的VAD系统,通过两步式的融合方法,得到了多模式的VAD系统。实验表明:同时利用音频和视觉信息的多模式VAD比基于帧能量的听觉VAD在帧错误率上有55.0%的相对下降,在断句错误率上有98.5%的相对下降。这一结果说明多模式VAD方法基本可以避免断句错误,也能够显著改善帧检测性能,是一种相当有效的方法。     

一种新的对数能量谱熵语音端点检测方法

将一种新的对数能量(LE)特征和谱熵(SE)特征相结合,提出一种新的对数能量谱熵(LESE)特征,采用模糊C均值聚类算法和贝叶斯信息准则算法进行LESE特征门限估计,并使用双门限法进行语音端点检测.在TIMIT连续语音库上的实验结果表明,相比于能量谱熵(EE)法和对数能量(LE)法,在噪声环境下LESE法具有更好的检测性能,表现出更好的稳健性.当信噪比为-5 dB时,LESE法的检测错误率仅为18.02%,在信噪比为0～10 dB时,其检测错误率要明显低于EE法和LE法.     

应用倒谱特征的带噪语音端点检测方法

传统的语音端点检测方法以信号的短时能量、过零率等简单特征为判决特征参数。这些方法在实际应用中,尤其当信号噪比比较低时,无法满足系统的需要。文中利用语音信号的倒谱特征作为判决抽样信号帧是否为语音信号的依据,并提出了倒谱距离测量法和循环神经网络法,通过对宽带噪声－白噪声干扰情况和一种特殊噪声－汽车噪声情况的实验,发现倒谱特征参数的语音信号端点检测方法在噪声环境下具有传统的能量方法无法比拟的优越性,更适     

一种新的语音端点检测方法及在智能轮椅人机交互中的应用

针对语音端点检测在一般噪音环境下易受影响,且能降低智能轮椅的语音识别率,提出了短时能量与倒谱距离相结合的语音端点检测方法.实验表明,该方法能提高整个语音识别系统的鲁棒性,通过语音识别控制轮椅的5个基本动作(前进、后退、左转、右转、停止)实现了智能轮椅运动的语音控制.     

噪声环境中基于HMM模型的语音信号端点检测方法

在噪声环境下如何提高语音信号端点检测的准确性是自动语音识别（ＡＳＲ）研究中的一个重要课题．常用的基于短时能量的端点检测方法对于能量较低的音节或在信噪比较低的环境下,检测性能不够理想．讨论了一种基于ＨＭＭ模型的语音信号端点检测方法．先用训练的方法生成背景噪声和废料的模型,再用Ｖｉｔｅｒｂｉ解码算法对待测信号进行处理,并给出了具体的实现方法．实验测试结果表明,基于ＨＭＭ的端点检测方法的检测性能接近于人工检测,方法是有效的．     

基于DSP实现语音端点检测

介绍了一种以DSP芯片为核心的语音端点检测模块，用于有线／无线自动转接设备。该模块的语音端点检测算法应用短时能量、短时过零率和短时自相关语音特征参量进行联合检测，达到了比较满意的端点检测效果。该模块应用于系统中能够实现通话方语音对通话过程的自动控制。     

基于维特比算法的深度神经网络语音端点检测

语音端点检测(voice activity detection,VAD)是在连续语音信号中,将语音和非语言片段分离的技术。VAD在语音识别、说话人识别、语音编码等领域起着重要作用。传统VAD算法在类型已知的噪声环境下可以达到较好的性能,但在实际情况中,未知噪声的影响通常会使系统性能下降显著,在差异化噪声下的VAD是端点检测的研究难点。在总结现有语音端点检测算法基础上,提出了一种基于深度神经网络的语音端点检测方法,同时结合维特比算法,与基于贝叶斯信息准则(bayesian information criterion, BIC)的混合高斯模型(gaussian mixture model,GMM) 语音端点检测系统进行对比,在大词汇连续语音识别系统中的实验结果表明,将深度神经网络结合维特比算法,应用于语音端点检测,在复杂噪声环境下取得了更好的效果,适应性更强。     

基于语音压缩感知观测序列语音能量估计及端点检测方法

根据压缩感知理论,文中分析了基于压缩感知观测序列语音能量估计的理论基础,并对不同压缩比下语音能量估计的准确度仿真结果做对比,然后将得到的语音能量估计做为语音端点检测的基础,分别对粉红噪声、高斯噪声和汽车噪声情况下不同信噪比的语音进行端点检测,并与基于压缩感知观测序列倒谱距离、传统的奈奎斯特采样中能量的语音端点检测方法做对比,减少了计算量.     

语音端点检测的常用方法及改进

语言是人类最重要的、最有效的、最常用的和最方便的通信形式。人们在与机器的信息交流中利用语音识别技术更加的方便、自然。语音识别中最基本的一些技术仍在不断发展。本文首先介绍了语音信号处理中端点检测的若干方法,着重分析了两种传统方法。而后简要介绍了它们的优劣和几种对它们的改进方法。最后提出了利用图像处理技术中的边缘检测技术进行语音端点检测的思路。     

一种基于小波系数方差的语音端点检测方法

首先分析讨论了小波变换的原理,在此基础上提出了一种利用小波系数方差识别含噪语音信号中静音与语音的新算法。算法首先对含噪语音进行小波分解,观察各层小波系数的统计特性,提取它们的方差作为检测特征,从而进行语音端点检测。对该算法进行了仿真实验,并与传统的基于能量与过零率的端点检测算法进行了比较。实验结果表明:该算法在低信噪比条件下也能够有效分割语音。     

基于小波分析的语音端点检测方法研究

为了提高语音信号端点检测的准确率,提出了基于小波分析的端点检测方法。该方法在传统基于能量和过零率的端点检测方法基础上,通过小波分析计算语音信号各子带能量,进而求得其方差作为第三道门限,对信号进行三级门限检测。仿真实验表明,该方法比传统方法更有效、更优越,能够比较准确的检测语音信号。     

一种强噪声环境下的语音端点检测算法

语音识别中语音信号端点检测的准确度起着至关重要的作用,传统的频带方差算法在强背景噪声环境下性能下降。提出一种改进算法,在保证算法复杂度较低的条件下,大大提高了检测的准确度。仿真证明,该算法在低信噪比条件下也具有较强的鲁棒性。     

基于藏语拉萨语语音识别中端点监测算法的研究

藏语语音识别技术研究已成为当今一大热点,而端点检测则是语音识别预处理阶段的关键环节之一。文章以标准拉萨藏语为对象,通过将加窗、短时能量和过零率相结合的方法对藏语语音识别技术中端点检测的算法进行了研究。实验表明,采用上述三种算法相结合的研究方法对浊音较重的藏语语音识别较为合适,可显著提高识别率。     

低信噪比下语音断点检测算法的改进研究

传统的端点检测在信噪比较高的环境下可以有效的对语音进行端点检测,但是在低信噪比环境下端点检测的正确率急剧下降。针对在低信噪比环境下语音端点检测正确率不高的问题,提出一种将调制域谱减法和对数能量子带谱熵相结合的的端点检测算法。该算法首先利用调制域谱减法去除带噪语音的噪声以提高语音信号的信噪比,然后结合对数能量和子带谱熵算法对消噪后的语音信号进行端点检测。实验仿真结果表明,该算法在低信噪比环境下能有效提高语音端点检测的正确率且具有一定的稳健性。     

语音端点检测中判决机制的研究

以短时能量和平均过零率为端点检测的参量,分别讨论了基于单门限判决、双门限-两级判决和双门限-三态转换判决机制进行端点检测的方法。实验结果表明,后两种判决机制都能比较准确地检测出语音端点。     

基于短时能零积和鉴别信息的语音端点检测

为了提高低信噪比下语音端点检测的准确率,提出了一种新型的语音端点检测算法.该算法利用短时能零积法和鉴别信息的互补优势,一边降噪一边端点检测,而且对于被判为噪声的帧利用基于子带能量鉴别信息方法来进行二次复检,根据鉴别信息来更新噪声能量门限,从而能更准确地跟踪噪声的能量变化.实验结果表明,该方法在信噪比变化比较剧烈的情况下仍然能够准确地进行端点检测,对语音信号的后续处理起到了很好的作用.     

关于噪声环境中语音信号盲分离的研究

研究了在噪声环境中进行语音信号盲分离的问题。为了解决由于噪声导致解混合系统性能发生严重恶化的问题，在不增加传感器数目的前提下，利用语音源信号的短时平稳特性和噪声信号的长时间平稳特性，给出差分方法可以抵消噪声信号的影响，使得解混合系统的权仍能够收敛。输入真实语音，通过计算机仿真验证了该算法的有效性。     

基于短时相关性和极值点的语音边界检测

针对基于短时能量和过零率相结合的语音边界检测法在实际应用中的不足,提出了一种改进方法——基于短时相关性和极值点的语音边界检测法,并在MATLAB环境下进行实验测试,在语音客观评价及语音识别算法中取得了良好的效果．