曾 光，薛豪杰，毛英磊，毛凱赟

(上海船舶設(shè)備研究所，上海 201108)

0 引言

VOX(Voice-Operated Transmit)也叫VAS(Voice-Activated Switch)或 VOS(Voice-Operated Switch)，廣泛運(yùn)用于對講機(jī)、潛水系統(tǒng)、戰(zhàn)斗機(jī)飛行員通信、坦克指揮通信等方面，以方便那些需要雙手完成任務(wù)的情況。傳統(tǒng)的對講機(jī)通信方式是PTT(Push to Talk)，每次通信時(shí)都要進(jìn)行手動按鍵。這樣通信時(shí)勢必影響雙手的工作。而應(yīng)用VOX技術(shù)就可無需手動按鍵，釋放雙手進(jìn)行工作，帶來諸多方便。例如，潛水員水下作業(yè)時(shí)，就不太方便在工作的同時(shí)操作PTT開關(guān)。在很多情況下他們的雙手已經(jīng)被其他任務(wù)占用。因此，發(fā)展性能可靠的“Hand-free”通信系統(tǒng)在很多情況下是極其需要的［1］。

在移動通信中，VOX和噪聲消除技術(shù)的組合能大大延長電池壽命，這提供了低功耗設(shè)計(jì)的一種可能途徑。

VOX的關(guān)鍵技術(shù)即為如何在包含噪聲的信號中對有聲/無聲(語音/噪聲)進(jìn)行判別。本文應(yīng)用語音信號數(shù)字處理技術(shù)上的語音信號端點(diǎn)識別技術(shù)，提出一種穩(wěn)定簡單的方法實(shí)現(xiàn)VOX功能，并將其應(yīng)用于研發(fā)的水下通信系統(tǒng)中。

1 原理及實(shí)現(xiàn)

語音和噪聲的主要區(qū)別在它們的能量上。如果把一段語音通信過程，分為無話音的噪聲段和包含話音的語音段，則語音段的能量比噪聲段的大。語音段的能量是噪聲段能量疊加語音聲波能量的和。如果環(huán)境噪聲和系統(tǒng)輸入噪聲比較小，那么只要計(jì)算輸入信號的短時(shí)能量或短時(shí)平均幅度就能把語音段和噪聲背景區(qū)分開。而當(dāng)環(huán)境噪聲和系統(tǒng)輸入噪聲較大時(shí)，則需對信號過零率進(jìn)行判斷處理。應(yīng)用語音信號的短時(shí)能量和短時(shí)過零率相結(jié)合的方法，使系統(tǒng)簡單、易于實(shí)現(xiàn)并保證有較高的精確度，穩(wěn)定性。

應(yīng)用短時(shí)分析技術(shù)，將語音流分段進(jìn)行處理。每一段稱為1幀，其中幀長為10～30 ms，常見20 ms。幀移為0～1/2幀，幀與幀之間平滑過渡。如圖1所示。設(shè)定語音波形的時(shí)域信號為S(n)，為了減小語音幀的截?cái)嘈?yīng)，通常需加窗處理。經(jīng)過加窗分幀處理后得到第n幀語音信號如式(1)所示，其中N為1幀幀長，M為幀間重疊長度，即幀移。

圖1 語音流的幀圖形Fig.1 The frame map of voice stream

式中:n=0，T，2T…;N為幀長;T為幀移長度;W(n)為漢明窗表達(dá)式，即

因?yàn)闈h明窗的主瓣最寬，旁瓣高度最低，可以有效克服泄露現(xiàn)象，具有更平滑的低通特性。第n幀語音信號Sn(m)的短時(shí)能量用En表示，由下式計(jì)算:

En是1個(gè)度量語音信號幅度值變化的函數(shù)，但有個(gè)缺陷，因其在計(jì)算時(shí)用的是信號的平方，所以對高電平非常敏感。因此本設(shè)計(jì)采用1個(gè)度量語音信號幅度值變化的函數(shù)，即短時(shí)平均幅度Mn來代替。它與短時(shí)能量的區(qū)別在于信號的小取樣值和大取樣值不會因取平方而造成較大差異［4］。第n幀的語音信號的短時(shí)平均幅度為:

短時(shí)過零率表示1幀語音信號波形穿過橫軸(零電平)的次數(shù)。過零分析是語音時(shí)域分析中最常用的一種。對于連續(xù)語音信號，過零意味著時(shí)域波形通過時(shí)間軸;而對于離散信號，如果相鄰的取樣值的符號改變稱為過零。過零率就是樣本改變符號次數(shù)。

語音信號Sn(m)的短時(shí)過零率

一般情況下，采集語音信號的最初短時(shí)段為無語音段，僅有均勻分布的噪聲信號。因此可以用最初的幾幀信號(一般為10～20幀)來計(jì)算過零率閾值ZT及能量閾值ET。并以此為基礎(chǔ)判斷信號是否為有聲/無聲。本次設(shè)計(jì)使用最初10幀樣值計(jì)算短時(shí)幅度平均值作為閾值［2］。

因?yàn)檎Z音信號中的濁音短時(shí)平均能量的值要比清音短時(shí)平均能量值大很多，且能量集中于低頻段內(nèi)且過零率較低。而清音信號的頻段較高，能量較低類似于噪聲。若采集信號的計(jì)算值相比于初始噪聲采樣計(jì)算的閾值較大且過零率比閾值的低［5］，可認(rèn)為該信號含有濁音，判斷其為語音信號。

圖2 系統(tǒng)原理圖Fig.2 System principle map

2 仿真結(jié)果分析

根據(jù)上述原理，錄取一段語音信號進(jìn)行仿真。語音信號為“船舶研究所”，采樣頻率為Fs=8 000 Hz。如圖3～圖5所示，對語音信號加入高斯白噪聲。在不同信噪仿真下，以20 ms為1幀數(shù)據(jù)，1/2幀進(jìn)行平滑過渡處理［6］。

從圖3到圖5的仿真結(jié)果可以看出，在信噪比較大的情況(20 dB)下，短時(shí)過門限率和平均幅度能明顯檢測出語音信號的起始點(diǎn)。但隨著環(huán)境噪聲增大，傳輸距離加長，信噪比降低。短時(shí)平均幅度的檢測性能不如短時(shí)過門限率有效。仿真測試中的漏判概率和信噪比如圖6所示。在實(shí)際應(yīng)用中，結(jié)合不同的過門限系數(shù)，使用短時(shí)過門限率結(jié)合短時(shí)平均幅度進(jìn)行語音識別檢測。

圖6 信噪比與漏判概率關(guān)系Fig.6 The relation between SNR and misdetection rate

3 結(jié)語

本文介紹了傳統(tǒng)的語音信號檢測方法。結(jié)合實(shí)際應(yīng)用，提出一種檢測方法。在不同噪聲的情況下對檢測效果進(jìn)行分析比較。仿真表明短時(shí)過門限率有很好的語音識別效果。以此為基礎(chǔ)，應(yīng)用短時(shí)過門限率配合短時(shí)平均幅度改進(jìn)語音檢測方法。

［1］張?zhí)扃鳎顐?，林孝康，劉?基于數(shù)字信號處理的嗓音控制開關(guān)(VOX)算法研究［J］.應(yīng)用聲學(xué)，2005，24(3):157-163.ZHANG Tian-qi，LI Wei，LIN Xiao-kang，LIU Lin.Study on a voice-operated transmit(VOX)algorithm based on digital signal processing［J］.Applied Acoustics，2005，24(3):157-163.

［2］張志霞，韓慧蓮，薛宏偉.語音信號端點(diǎn)檢測方法研究［J］.太原科技，2008，(10):58-59.ZHANG Zhi-xia，HAN Hui-lian，XUE Hong-wei.Research on the endpoint detection methods of speech signals［J］.TAIYUAN SCI-TECH，2008，(10):58-59.

［3］沈宏余，李英.語音端點(diǎn)檢測方法的研究［J］.科學(xué)技術(shù)與工程，2008，8(15):4396-4397.SHEN Hong-yu，LIYing.Studyon speech endpoint detection method［J］.Science Technology and Engineering，2008，8(15):4396-4397.

［4］王炳錫，屈丹.實(shí)用語音識別［M］.北京:國防工業(yè)出版社，2005.

［5］劉慶升，徐宵鵬，黃文浩.一種語音端點(diǎn)檢測的研究［J］.計(jì)算機(jī)工程，2003，29(3):120-121.LIU Qing-sheng，XU Xiao-peng，HUANG Wen-hao.Research on a speech endpoint detection method［J］.Computer Engineering，2003，29(3):120-121.

［6］趙紅怡，張常年.數(shù)字信號處理及其 MATLAB實(shí)現(xiàn)［M］.北京:化學(xué)工業(yè)出版社，2002.