语音信号产生的数字模型课件

关于语音信号产生的数字模型第1页，讲稿共59页，2023年5月2日，星期三§2.1人类的语言器官和语音产生过程

人类的语音是由人体发音器官在大脑控制下的生理运动产生的。发音器官包括：肺，喉，声道等。空气由肺部排入喉部，经过声带进入声道，最后由嘴或鼻辐射出声波，形成了语音。鼻腔口腔声带声门第2页，讲稿共59页，2023年5月2日，星期三MuscleforcelungVocalcords

NoseoutputMouthoutputVelumNasalcavityMouthcavityThecompletephysiologicalmechanismofspeechproduction

声道excitationspeech第3页，讲稿共59页，2023年5月2日，星期三喉的生理结构

喉位于气管的上端，实际上是气管末端一圈软骨构成的一个框架，前方稍高处的软骨称为甲状软骨，前后方环成一圈的称为喉部环形软骨，喉中两片肌肉称为声带，声带之间的空隙为声门。当声带张开时，声门打开，空气可自由呼出，正常呼吸就处于这种情况；当声带闭合，声门关闭。甲状软骨声门声带环形软骨人的前方喉第4页，讲稿共59页，2023年5月2日，星期三

当说话时，声带在软骨的作用下相互靠近但不完全闭合，声门变成一条窄缝，当气流通过窄缝时压力减小，外界压力大，从而两片声带完全闭合使得气流不能通过，当气流阻断时压力恢复正常，推开两片声带，声门再次打开，气流再次流过。声带靠拢Tp基音周期

声带的开启和闭合称为振动。这一振动过程周而复始，形成了一串周期性脉冲气流送入声道。这个过程发出的音称为浊音。如汉语发音的[a]、[i]、[u]和[o]等。第5页，讲稿共59页，2023年5月2日，星期三GlottalClosureinstant

T第6页，讲稿共59页，2023年5月2日，星期三女声汉语拼音a的时域波形第7页，讲稿共59页，2023年5月2日，星期三Tp基音周期fundamentalperiodVoicedexcitationUnvoicedexcitation（声带不振动，声门开启）第8页，讲稿共59页，2023年5月2日，星期三男声汉语拼音声母s的时域波形第9页，讲稿共59页，2023年5月2日，星期三

气流从喉向上经过口腔或鼻腔后从嘴或鼻孔向外辐射，期间的传输通道称为声道。气流流过声道时犹如通过了一个具有某种谐振特性的腔体，放大某些频率，在频谱上形成相应位置的峰起，称为共振峰。

讲话时，由于舌和唇的连续运动，使声道形状改变，随即改变谐振频率，使得发不同的音。声道的不同的形状，对应不同的谐振频率。声道第10页，讲稿共59页，2023年5月2日，星期三发音的三种方式－excitation浊音（voicedsounds）声带开启和闭合，在声门处产生一个准周期性脉冲序列。（quasi-periodicsequence）清音（unvoicedsounds）声带完全舒展开来，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，并在附近产生空气的湍流，类似于白噪声。（whitenoise）爆破音（plosive/stopsounds）声带完全舒展开来，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，一旦闭合点突然开启便会让气压快速释放，实际上也是一种空气的湍流。（whitenoise）第11页，讲稿共59页，2023年5月2日，星期三

☆

F0=1/Tp，基音频率，由声带的质量来决定。

☆

F0的大小决定了声音的高低，称为音高。

☆

男性的F0大致分布在：50~250Hz

☆

女性和儿童的F0大致分布在：100~500Hz基音频率(FundamentalFrequency－pitch)F0第12页，讲稿共59页，2023年5月2日，星期三鼻端嘴唇17cm8.5cm13cm声道的无损模型声道的谐振频率formatfrequency谐振频率发生在：Fn=（声道的横截面是均匀的，发元音e时，声道近似是均匀的。）L=17cm，声道的长度n=1,2,3…称为第一共振峰F1=500Hz、第二共振峰F2=1500Hz、第三共振峰F3=2500Hz，…c=340m/s2n-14Lc第13页，讲稿共59页，2023年5月2日，星期三基音频率输出气流的频率共振峰频率女声英文a的频谱第14页，讲稿共59页，2023年5月2日，星期三男声汉语拼音声母s的频谱第15页，讲稿共59页，2023年5月2日，星期三

一种声道形状对应一套共振峰

不同人的声道大小不同，共振峰不同

同一人，发不同音，共振峰也不同总结前三个共振峰的大致范围（Hz）

共振峰

成年男子

成年女子

带宽f1200~800250~100040~70f2600~2800700~330050~90f31300~34001500~400060~180第16页，讲稿共59页，2023年5月2日，星期三

时域波形：幅度－时间图。大致得出音节的起始点、清音和浊音以及浊音的基音频率。女声汉语拼音a的时域波形第17页，讲稿共59页，2023年5月2日，星期三

频谱特性：幅度谱图。得出基音周期、共振峰频率及其位置。女声英文a的频谱第18页，讲稿共59页，2023年5月2日，星期三鼻腔的作用

在软腭的帮助下，可使空气经过鼻腔排除人体外，由此产生的语音称为鼻音。如[n]、[ng]为鼻音韵母，[m]、[n]、[l]为鼻音声母。鼻腔是一个谐振腔，由于形状固定，故其共振峰频率是确定的。第19页，讲稿共59页，2023年5月2日，星期三MuscleforcelungVocalcords

NoseoutputMouthoutputVelumNasalcavityMouthcavityThecompletephysiologicalmechanismofspeechproduction

声道excitationspeech第20页，讲稿共59页，2023年5月2日，星期三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TPAu清/浊音开关浊音激励清音激励§2.3语音信号产生的数字模型一、激励模型第21页，讲稿共59页，2023年5月2日，星期三声门脉冲滤波器N1N2第22页，讲稿共59页，2023年5月2日，星期三二、声道模型(共振峰模型)短时线性系统声道V(z)1.级联型(元音)V1V2V3V4V5

声道是一组串连的二阶谐振器（一个谐振腔对应1个共振峰频率）。第23页，讲稿共59页，2023年5月2日，星期三

每个传输函数是一个全极点的IIR滤波器，这些极点确定了声管的共振峰。若N取偶数，V(z)一般有N/2对共轭极点，rkexp(±j2FkT)，k=1～N/2。各个wk值分别与语音的共振峰相互对应。N的取值一般为8～12。aiz-1z-1bici第24页，讲稿共59页，2023年5月2日，星期三传输函数N为极点个数，G是增益参数，ak为常系数。T为采样周期第25页，讲稿共59页，2023年5月2日，星期三2.并联型(大部分辅音)传输函数，零极点IIR滤波器V1V2V3V4V5

零极点IIR滤波器总是可以用全极点IIR滤波器来代替。因此可以用全极点模型来表示任何语音。第26页，讲稿共59页，2023年5月2日，星期三三、辐射模型R(z)=R0(1-z-1)

唇端辐射损耗在高频端较为显著，而在低频端影响较小，R(z)应具有高通特性。对高频提升大约为每倍频程6dB。第27页，讲稿共59页，2023年5月2日，星期三四、完整的语音信号的数字模型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TPAN线性系统声道V(z)辐射模型R(z)清/浊音开关传输函数第28页，讲稿共59页，2023年5月2日，星期三传输函数的具体表达式：第29页，讲稿共59页，2023年5月2日，星期三模型的特点

在这个模型中，TP、Av、AN、清/浊音开关的位置以及声道滤波器的参数都是随时间而变化，在10-30ms的时间间隔内是保持不变的。这种特性称为短时性。对于激励信号而言，大部分情况下，这一结论也是正确的，但有些音变化速度特别快，爆破音，取5ms比较更为恰当。

第30页，讲稿共59页，2023年5月2日，星期三§2.4语音信号的特性一、语音的声学特性

语音是发声器官发出的一种声波，具有一定的音色、音调和音强和音长。●音色:又称为音质，是一种声音区别于另一种声音的基本特性。●音调：声音的高低，取决于声波的频率●音强：声音的强弱，它由声波的振动幅度所决定●音长：发音时间的长短第31页，讲稿共59页，2023年5月2日，星期三（1）音系简单，在汉语中一个字就是一个音节，由一般为2～3个音素组成，而且具有音素少、音节少。英语中一个单词由若干个音节组成，一般为2～3个，一个音节由若干个音素组成，一般为1～4个。（2）清辅音多，在听感上有清亮、高扬和舒服、柔和的感觉。（3）有鲜明的轻重音和儿化韵，所以字词分隔清楚，语言表达准确而丰富。汉语语音的特点第32页，讲稿共59页，2023年5月2日，星期三

在汉语中，由元音和辅音构成声母和韵母。二、汉语的拼音方法

声母：一个音节开始的辅音，声母完全由辅音充当，但辅音不等于声母，因为辅音还可以作为韵尾放在音节的末尾。b、p、m、f、d、t、n、l、g、k、h、j、q、x、zh、ch、sh、z、c、s、r第33页，讲稿共59页，2023年5月2日，星期三

韵母：在音节中占主要部分，音节中除了头上的声母以外的部分，由单、双元音、元音带上辅音等几种不同的形式组成。所有元音都是浊音。

a、o、e、i、u、ü、ê单韵母（元音）

ai、ei、ao、ou、ia、ie、iao、iou、ua、uo、uai、uei、üe复韵母

an、en、ang、eng、ong、ian、in、iang、ing、iong、uan、uen、uang、ueng、üan、ün鼻韵母i表示3个韵母，即韵母、舌尖前韵母和舌尖后韵母。第34页，讲稿共59页，2023年5月2日，星期三

韵母是由单、双元音、元音带上辅音等几种不同的形式组成。不同的元音有不同的基音频率和共振峰模式，它们是区别不同韵母的重要参数。区别不同韵母的重要参数第35页，讲稿共59页，2023年5月2日，星期三

声母、韵母和声调是汉语语音的三要素。汉语语音的一个不同于其他语言的是它具有声调（音调）。声调是1个音节在念法上的高低升降的变化，汉语中有4个声调，即阴平（－）、阳平（′）、上声（）、和去声（‵）。三、汉语音节的一般结构第36页，讲稿共59页，2023年5月2日，星期三

声调的变化就是浊音基音周期的变化，为了将调值描写地具体一些，一般采用“五度标记法”，用一条竖线表示声音的高低，从上而下用1、2、3、4、5依次表示低、半低、中、半高、高。5高4半高3中2半低1低阴平阳平上声去声调类阴平阳平上声去声调值553521451第37页，讲稿共59页，2023年5月2日，星期三四、语音信号的统计特性

语音信号振幅分布的概率密度有两种逼近方法：修正伽玛（Gamma）分布概率密度函数：拉谱拉斯（Laplace）分布概率密度函数:第38页，讲稿共59页，2023年5月2日，星期三第39页，讲稿共59页，2023年5月2日，星期三

人类接收语音由人耳来完成，空气振动由耳廓收集，经外耳道而抵达鼓膜，鼓膜随之振动，使鼓室中的空气和听骨链也发生振动，听骨链的振动经前庭窗（卵圆窗）激励前庭淋巴，变为液波，液波使位于基底膜上的螺旋器受到刺激，将神经冲动经听神经传到中枢而产生听觉。§2.5人类的听觉功能第40页，讲稿共59页，2023年5月2日，星期三

正常人的听觉系统是极为灵敏的，可听声的范围为20Hz-20kHz。可听声的最小声压级(dB)称为听阈。-5～130dB，对低频和高频是不敏感的，听阈为60dB，在1kHz附近最敏感。第41页，讲稿共59页，2023年5月2日，星期三

如果信号是一个多频率的信号，则产生的行波将沿着基底膜在不同的位置产生最大幅度，从这个意义上讲，耳蜗就像一个频谱分析仪，将复杂信号分解成各种频率分量，这种作用称为人耳的时频分析特性。耳蜗在语音接收过程起着重要的作用。耳蜗对声信号的时频分析特性第42页，讲稿共59页，2023年5月2日，星期三

人工耳蜗是一种电子装置，能帮助重度及极重度耳聋患者获得或重新恢复听觉。它代替病变受损的听觉器官，把声音转换成编码的电信号传入内耳耳蜗，刺激分布在那里的听神经，再由大脑产生听觉。

人工耳蜗第43页，讲稿共59页，2023年5月2日，星期三

麦克风接收声音，并通过导线将其传至言语处理器；言语处理器对声音进行数字化、滤波编码等处理，并将编码信号经导线传至传输线圈；传输线圈将编码信号通过耦合传至皮下的接收器；接收器对编码信号进行解码；按信号选择一定位置的电极，刺激耳蜗内的听神经纤维，使其产生兴奋，将信号传入大脑，产生听觉。人工耳蜗的工作原理第44页，讲稿共59页，2023年5月2日，星期三人耳的掩蔽效应

人耳的掩蔽（maskingphenomenon）效应:在一个强信号附近弱信号将变得不可闻，被掩蔽掉了。第45页，讲稿共59页，2023年5月2日，星期三掩蔽阈值

被掩蔽掉的不可闻信号的最大声压级称为掩蔽门限和掩蔽阈值（maskingthreshold）,在这个掩蔽阈值以下的声音将被掩蔽掉。

掩蔽效应分为同时掩蔽(频域掩蔽)和短时掩蔽（时域掩蔽）。同时掩蔽是指存在一个弱信号和一个强信号，当其频率接近时，强信号会提高弱信号的阈值，就会导致弱信号变得不可闻。第46页，讲稿共59页，2023年5月2日，星期三1kHz的听阈1dB20dB4dB可闻声3dB不可闻声图形描述第47页，讲稿共59页，2023年5月2日，星期三

同时出现的A声和B声，若原来A声的阈值为50dB,由于另一个频率不同的B声的存在使得A声的阈值提高了68dB,则B声称为掩蔽声，A声称为被掩蔽声。掩蔽量为68dB－50dB＝18dB。数学描述第48页，讲稿共59页，2023年5月2日，星期三

掩蔽效应的作用

当只有A声时，必须将声压级在50dB以上的声音信号传送出去，50dB以下的声音是听不到的。当同时出现了B声，由于掩蔽效应，使得A声中的68dB以下的声音是听不到了，可以不予传送，只是传送50dB以上的信号。

同时掩蔽时，掩蔽声越强，掩蔽作用越大；掩蔽声和被掩蔽声的频率越接近，掩蔽效果越明显，当频率相同时，掩蔽效果最大。第49页，讲稿共59页，2023年5月2日，星期三

前向掩蔽：若被掩蔽声A出现后，相隔(0.05s,2s)之内出现了掩蔽声B，对A起掩蔽作用，因为A声尚未被人所反应接收而强大的B声已来临。短时掩蔽前向掩蔽和后向掩蔽

后向掩蔽：掩蔽声B即使消失后，其掩蔽作用仍将持续一段时间，约(0.5s,2s)，这时由于人耳的存储效应所致。第50页，讲稿共59页，2023年5月2日，星期三语谱图(Spectrogram)

语音的时域分析和频域分析是语音分