大学本科语音信号处理实验讲义8学时(DOC)

axis([0,620,0,30])

图1-1 三角波及其频谱

2、给出语音段“数字信号处理”（speech.wav），画出它的语谱图。 clear all;

[x,sr]=wavread('speech_dsp.wav'); s=length(x);

w=round(44*sr/1000); n=w;

shift=w/2; h=w-shift;

%win=hanning(n)'; win=hamming(n)'; c=1;

ncols=1+fix((s-n)/h); d=zeros((1+n/2),ncols); for b=0:h:(s-n)

u=win'.*x((b+1):(b+n)); t=fft(u);

d(:,c)=t(1:(1+n/2)); c=c+1; end

tt=[0:h:(s-n)]/sr; ff=[0:(n-2)]*sr/n;

imagesc(tt,ff/1000,20*log10(abs(d))); colormap(gray); axis xy

xlabel('时间/s') ylabel('频率/kHz')

5

图1-2 语谱图

四、思考题

1、声门激励脉冲信号是高频衰减的还是高频增强的？

2、画语谱图时为什么要给语音信号加汉明窗？若加矩形窗会有什么区别？ 3、在语谱图上观察，浊音信号的和清音信号的频谱有什么区别？

6

实验二 语音信号时域特征分析

一、实验目的

1、了解自相关函数及自相关函数在语音信号处理中的应用。

2、编写程序分析语音信号的短时自相关特征，计算语音信号的基音周期。 3、编写修正短时自相关函数的程序，并与未修正的函数进行比较。

二、实验原理

自相关函数用于衡量信号自身时间波形的相似性。由前面的讨论可知，清音和浊音的发声机理不同，因而在波形上也存在着较大的差异。浊音的时间波形呈现出一定的周期性，波形之间相似性较好；清音的时间波形呈现出随机噪声的特性，杂乱无章，样点间的相似性较差，这样，可以用短时自相关函数来测定语音的相似特性。

时域离散确定信号的自相关函数定义为：

R(k)?m????x(m)x(m?k)

??对于语音信号来说，采用短时分析方法，可以定义短时自相关函数为

Rn(k)?m????x(m)w(n?m)x(m?k)w(n?k?m)

??因为Rn(?k)?Rn(k)，所以

Rn(k)?Rn(?k)?m????[x(m)x(m?k)][w(n?m)w(n?m?k)]

??定义hk(n)?w(n)w(n?k)，则上式可以写成

Rn(k)?m????[x(m)x(m?k)]h(n?m)

k?? 如果长基音周期用窄的窗，将得不到预期的基音周期；但是如果短的基音周期用长的

窗，自相关函数将对多个基因周期做平均计算，从而模糊语音的短时特性，这是不希望的。为了解决这个问题，可以采用修正的短时自相关函数，选择的窗长不一定要等于自相关函数的最大自变量取值。这种方法可以采用较窄的窗，同时避免了短时自相关函数随k增加而衰减的不足。

三、实验内容

1、根据给出的浊音信号，分别画出浊音信号的时域波形、加矩形窗和加汉明窗后计算短时自相关归一化后的结果。语音的抽样频率为8kHz，窗长为320。 参考程序：

[x,fs,nbits]=wavread('speech_dsp.wav');

s1=x(2500:2819); N=320;

7

A=[];

for k=1:320 sum=0;

for m=1:N-k+1

sum=sum+s1(m)*s1(m+k-1); end

A(k)=sum end

for k=1:320

A1(k)=A(k)/A(1); end

f=zeros(1,320); n=1,j=1; while j<=320

f(1,j)=s1(n)*[0.54-0.46*cos(2*pi*n/319)]; j=j+1; n=n+1; end

B=[];

for k=1:320 sum=0;

for m=1:N-k+1

sum=sum+s1(m)*s1(m+k-1); end

B(k)=sum end

for k=1:320

B1(k)=B(k)/B(1); end

%画图

s2=s1/max(s1); figure(1)

subplot(3,1,1) plot(s2)

title('一帧语音信号'); xlabel('样点数'); ylabel('幅度'); axis([0,320,-1,1]);

subplot(3,1,2) plot(A1)

8