端点检测两种方法的讨论

方臻成

【摘要】 在语音信号处理中，端点检测是十分重要的一项内容。端点检测，可以在有噪声的背景中确定语音信号的起始点和终止点，为后续处理做必要的准备。而由于背景噪声的存在，光从波形上判断始终点会有一定困难。本文针对端点检测，介绍短时能量法与过零率法两种方法，并对这两种方法进行讨论。

【关键词】 语音信号处理 端点检测

一、背景

在录制语音时，除了将说话人的语音录进计算机外，还不可避免地将外界噪声也录入计算机。因此，在说话者没有说话的时候，也会有信号出现在录制好的文件中。在这种情况下，就给判断语音信号从哪开始，在哪结束带来困难。在这种情况下，对信号进行端点检测，来判断语音的始点与终点是有必要的。下面介绍的是两种常用方法：短时能量法与过零率法。

二、语音的分类

从发音特点来分，语音可以分成很多种。最基本的两种是元音与辅音。当我们发元音时，声带发出的声音气流从喉腔、咽腔进入口腔从唇腔出去时，这些声腔完全开放，气流顺利通过，如汉语拼音的a、o、e。当我们发辅音时，呼出的声流，由于通路的某一部分封闭起来或受到阻碍，气流被阻，与发声器官发生摩擦从而发出声音，如汉语拼音的s、t。

三、短时能量法

将语音信号数字化后，信号x（n）短时能量定义如下：

其中w（n）是窗函数。由于语音信号的短时能量一般会比噪声的要大，因此可以通过短时能量对语音信号的起点与终点进行判断。

四、短时过零率法

如果将时间作为横轴，声音的振幅作为纵轴，那么就可以在坐标上记录声音的波形图。过零率就是单位时间内波形穿越时间轴的次数。一般来说，噪声都是频率高，振幅小的信号，因此噪声的过零率极高。为了屏蔽噪声的过零率，我们设置一个阈值。比如说，假设噪声的幅度一般不超过a（a是一个比较小的数），那么我们就把正负a作为一个阈值，只有波形穿越了正负a这一区间，才算一次穿越横轴。这样，噪声就在正负a区间震动，并不会提高过零率。这样，就可以通过过零率判断语音的始终点。信号{x（n）}的短时平均过零率定义为：

其中sgn是符号函数：

五、两种方法的比较

录取“一、二、三”三个字节的音频，将音频数字化后进行分帧，帧长为160点。以160点为帧长，80为帧移，分别计算其短时能量与过零率。图1由上至下三个图分别是语音数字化后的波形图、短时能量与过零率。

在三个图中，用竖线划分出来的部分就是元音部分。从这三个图中可以看到，对于元音，不管用短时能量还是过零率，都能较好地看出元音地起点与终点。但对于辅音，情况就有点复杂。以音节“三”为例，“三”包含一个辅音“s”和一个元音“an”，从图中可看出，发“s”时，语音的短时能量非常低，而过零率却非常高，这证明，辅音的幅度很小（但比噪音大），而辅音的频率比元音大得多。因此，如果光用短时能量，很难判断出辅音的出现。而对元音方面，虽然用两种方法都能判断元音的始终点，但从音节“三”看出，元音的过零率比辅音要低，因此光靠过零率来识别元音，会有误差。

因此，从图1可知，辅音过零率高而短时能量小，元音过零率低而短时能量大。光靠一种方法来判断语音的始终会有误差的，应该将两者结合起来看。总的来说，在噪声比较小的时候，用短时能量判断会比较准确，而在噪声比较大时，用过零率来判断会比较准确。

参 考 文 献

[1] 赵力. 语音信号处理[M].机械工业出版社