数字语音处理数字模型

2.2语音的发音机理1.组成⑴肺和气管组成声源；⑵喉和声带称为声门；⑶由咽腔、口腔、鼻腔组成声道；

2.2.1人的发音器官当前1页，总共44页。2.功能肺：产生压缩气体，通过气管传送到声音生成系统。喉：控制声带运动的复杂系统。主要包括：环状软骨、甲状软骨、杓状软骨、声带。当前2页，总共44页。当前3页，总共44页。（a）闭合状态

（b）张开状态

图2.2喉的生理结构当前4页，总共44页。声门：声带之间的间隙称为声门。主要功能：产生激励。声道：指声门至嘴唇的所有发音器官。

包括：咽喉、口腔和鼻腔。主要功能：传输调制声波。声道的形状变化由舌、软腭、唇、牙决定。

当前5页，总共44页。口腔包括：上下唇、上下齿、上下齿龈、上下腭、舌和小舌等部分。上腭又分为：硬腭和软腭两部分；舌又分为：舌尖、舌面和舌根三部分。鼻腔在口腔上面，靠软腭和小舌将其与口腔隔开。当小舌下垂时，鼻腔和口腔便耦合起来，当小舌上抬时，口腔与鼻腔是不相通的。口腔和鼻腔都是发音时的共鸣器。当前6页，总共44页。图2.3声道纵剖面图当前7页，总共44页。

图2.4发音器官机理模型

空气由肺部排入喉部，经过声带进入声道，最后由嘴辐射出声波，这就形成了语音。声门子系统声道系统辐射系统2.2.2语音生成当前8页，总共44页。语音生成动作可分为两种功能：（1）激励（2）调制当前9页，总共44页。2.2.2语音生成-浊音空气流经过声带时，如果声带是崩紧的，则声带将产生张弛振动，即声带将周期性地启开和闭合。声带启开时，空气流从声门喷射出来，形成一个脉冲，声带闭合时相应于脉冲序列的间隙期。

这种情况下在声门处产生出一个准周期脉冲状的空气流。该空气流经过声道后最终从嘴唇辐射出声波，这便是浊音语音。这个准周期脉冲的周期即为基音周期。当前10页，总共44页。基音周期：声带每开启和闭合一次的时间。其倒数称为基音频率。基音频率是由声带张开闭合的周期所决定的：男性的基音频率一般为50～250Hz；女性基音频率为100～500Hz。当前11页，总共44页。2.2.2语音生成-清音

空气流经过声带时，如果声带是完全舒展开来的，则肺部发出的空气流将不受影响地通过声门。空气流通过声门后，会遇到两种不同情况。一种情况是，如果声道的某个部位发生收缩形成了一个狭窄的通道，当空气流到达此处时被迫以高速冲过收缩区，并在附近产生出空气湍流，这种湍流空气通过声道后便形成所谓摩擦音或清音。当前12页，总共44页。2.2.2语音生成-爆破音

另一种情况是，如果声道的某个部位完全闭合在一起，当空气流到达时便在此处建立起空气压力，闭合点突然开启便会让气压快速释放，经过声道后便形成所谓爆破音。当前13页，总共44页。

共振峰频率或共振峰

声音产生后，便沿着声道进行传播。声道可以看成是一根具有非均匀截面的声管，在发音时起着共鸣器的作用。声音进入声道后，其频谱必定会受到声道的共振特性的影响。

声道是一个谐振腔，具有一组共振频率，称为共振峰频率或共振峰。共振峰及其带宽取决于声道的形状和尺寸，因而不同的语音对应于一组不同的共振峰参数。当前14页，总共44页。共振峰的计算假设声道截面是均匀的（此时可把声道看作一个粗细均匀圆筒），从喉到唇的距离L=17cm，音速c=340m/s，则共振峰频率将发生在：当前15页，总共44页。当前16页，总共44页。2.3语音的听觉机理2.3.1听觉器官人的听觉器官包括：外耳、中耳和内耳图2.9人耳结构示意图当前17页，总共44页。2.3.2语音信号听觉模型

图2.10语音信号听觉模型一般原理框图当前18页，总共44页。2.4语音的感知音质也称音色，是一种声音区别于其他声音的基本特征。音调声音的高低。取决于声波的频率—频率快则音调高，频率慢则音调低音强即音量，又称响度。由声波震动幅度决定的。音长即声音的长短，取决于发音持续时间的长短。2.4.1语音的基本特性声音的物理属性当前19页，总共44页。音素

是语音的最小、最基本的组成单位。音节

是最小的语言片段，一个音节由一个或几个音素组成。单词

是由音节结合而成的更大单位，是有意义的语言的最小单位。句子

是单词的进一步组合。语音的组成单位当前20页，总共44页。一个音节由元音和辅音构成元音：由声带振动发出的声音。其特点由声道的形状和尺寸决定。所有的元音都是浊音。辅音：由呼出的气流克服发音器官的阻碍而产生的。发辅音时声带不振动，则形成清音；声带振动则形成浊辅音。汉语的特点：音素少、音节少。汉语中的音节即字音是由声母、韵母和声调按一定方式构成的，即由声、韵、调三个音素构成的当前21页，总共44页。2.4.2语音的时间波形当前22页，总共44页。清音的波形特点：类似于白噪声，具有很弱的振幅。浊音（元音）的波形特点：具有明显的准周期性，并具有较强的振幅。当前23页，总共44页。2.4.3几个概念1.人耳能听到声音的频率范围大约为：20Hz~20kHz。2.人耳能承受的声压级范围是0~130dB。当前24页，总共44页。3.人耳能感觉的描述声音的三个特性①响度取决于声音的幅度，单位是宋（sone），人耳对3K~4KHz声音的音强感觉最灵敏。②音调人耳对声音频率高低的感受，单位是美（Mel）。③音色也叫音质，反应了声音的属性。当前25页，总共44页。

两个响度不等的声音作用于人耳时，则响度较高的频率成分的存在会影响到对响度较低的频率成分的感受，使其变得不易察觉,这种现象称为掩蔽效应。

在掩蔽情况下，被隐蔽音的听阈会提高，即加大被掩蔽音的强度才能听到。2.4.4掩蔽效应当前26页，总共44页。利用人耳的听觉掩蔽，在进行语音压缩时，让量化噪音的频谱跟随语言信号频谱包络变化，则共振峰的频率成分就会掩蔽掉量化噪声。这个技术称为噪声整形或听觉加权处理。掩蔽效应的作用当前27页，总共44页。2.5语音信号模型语音信号的数字模型：利用数字技术模拟语音信号的产生或是利用数字信号处理技术来实现发音器官的模拟。

在一些合理的假设下，在较短的时间间隔内（20-30ms），语音信号被看成是线性时不变系统（声道）在随机噪声或准周期脉冲激励下的输出。当前28页，总共44页。uG(n)Av冲激序列发生器声门脉冲模型G(z)随机噪声发生器基音周期T0Au清/浊音开关浊音激励清音激励2.5.1激励模型当前29页，总共44页。

1、浊音激励发浊音时，由于声门不断开启和关闭，产生间歇的脉冲。经仪器测试它类似于斜三角形的脉冲。当前30页，总共44页。单个斜三角波的频谱表现出一个低通滤波器G(ejω)的特性。可以把它表示成z变换的全极点形式：当前31页，总共44页。整个浊音激励模型可以表示为：周期性的斜三角波脉冲串可以看做是一串加权的单位脉冲序列去激励上述单个斜三角波模型实现。

这个单位脉冲串和幅值因子可以表示成下面的Z变换形式

：当前32页，总共44页。2、清音激励

发清音时声道被阻碍形成湍流，所以可把清音激励模拟成随机白噪声。此处用均值为0、方差为1，在幅值上为平稳分布的序列。当前33页，总共44页。2.5.2声道模型(声管模型)当前34页，总共44页。

声管模型

是假定声道由多个等长的不同截面积的管子串联而成的系统，并假定管子中的流体及管壁没有热传导和粘滞的损耗。在短时间内，声道可表为形状稳定的管道，并可以认为声波是沿管轴传播的平面波。当前35页，总共44页。2.5.2声道模型(共振峰模型)

共振峰模型就是将声道视为一个谐振腔，共振峰就是这个腔体的谐振频率。三种共振峰模型分别是：级联型、并联型和混合型。当前36页，总共44页。1级联型(元音)

声道是一组串联的二阶谐振器（一个谐振腔对应1个共振峰频率）。H1H2H3H4H5P为极点个数，G是增益参数，为常系数。传输函数当前37页，总共44页。2并联型(大部分辅音)适用于鼻音、复合元音及大部分辅音，发这些音时发音腔体具有反谐振特性，必须在模型中加入零点以减弱谐振强度，故要考虑用零、极点模型：H1H2H3H4H5当前38页，总共44页。通常，P>R;若分子与分母无重根，则上式可分解为部分分式之和。每一个二阶因式对应一个共振峰。每个二阶谐振器的幅度可单独控制。当前39页，总共44页。3混合型

是一种比较完备的共振峰模型，能够根据不同性质的语音进行切换。H1H2H3H4H5H1H2H3H4H5当前40页，总共44页。2.5.3辐射模型线性系统唇辐射R(z)ul(n)pl(n)

在发音腔道内形成的气流经由嘴唇端辐射出来，到达听者耳朵的这段过程，声音信号会衰减，而且有高通滤波的特性，我们常用一个一阶的数字高通滤波器拟这个现象，其数学式如下：当前41页，总共44页。有三部分作用施加在语音的声波