目 錄
第一篇 語音信號處理基礎(chǔ)

第1章 緒論 1
1.1 語音信號處理的發(fā)展歷史 1
1.2 語音信號處理的主要研究內(nèi)容及發(fā)展
概況 3
1.3 本書的內(nèi)容 7
思考與復(fù)習(xí)題 8
第2章 語音信號處理的基礎(chǔ)知識 9
2.1 概述 9
2.2 語音產(chǎn)生的過程 9
2.3 語音信號的特性 12
2.3.1 語言和語音的基本特性 12
2.3.2 語音信號的時間波形和頻譜特性 13
2.3.3 語音信號的統(tǒng)計特性 15
2.4 語音產(chǎn)生的線性模型 16
2.4.1 激勵模型 17
2.4.2 聲道模型 18
2.4.3 輻射模型 20
2.4.4 語音信號數(shù)字模型 21
2.5 語音產(chǎn)生的非線性模型 22
2.5.1 FM-AM模型的基本原理 22
2.5.2 Teager能量算子 22
2.5.3 能量分離算法 23
2.5.4 FM-AM模型的應(yīng)用 24
2.6 語音感知 24
2.6.1 聽覺系統(tǒng) 24
2.6.2 神經(jīng)系統(tǒng) 25
2.6.3 語音感知 26
思考與復(fù)習(xí)題 29

第二篇 語音信號分析

第3章 時域分析 30
3.1 概述 30
3.2 數(shù)字化和預(yù)處理 31
3.2.1 取樣率和量化字長的選擇 31
3.2.2 預(yù)處理 33
3.3 短時能量分析 34
3.4 短時過零分析 36
3.5 短時相關(guān)分析 39
3.5.1 短時自相關(guān)函數(shù) 39
3.5.2 修正的短時自相關(guān)函數(shù) 40
3.5.3 短時平均幅差函數(shù) 42
3.6 語音端點檢測 42
3.6.1 雙門限前端檢測 43
3.6.2 多門限過零率前端檢測 43
3.6.3 基于FM-AM模型的端點檢測 43
3.7 基于高階累積量的語音端點檢測 44
3.7.1 噪聲環(huán)境下的端點檢測 44
3.7.2 高階累積量與高階譜 44
3.7.3 基于高階累積量的端點檢測 46
思考與復(fù)習(xí)題 48
第4章 短時傅里葉分析 50
4.1 概述 50
4.2 短時傅里葉變換 50
4.2.1 短時傅里葉變換的定義 50
4.2.2 傅里葉變換的解釋 51
4.2.3 濾波器的解釋 54
4.3 短時傅里葉變換的取樣率 55
4.4 語音信號的短時綜合 56
4.4.1 濾波器組求和法 56
4.4.2 FFT求和法 58
4.5 語譜圖 59
思考與復(fù)習(xí)題 61
第5章 倒譜分析與同態(tài)濾波 62
5.1 概述 62
5.2 同態(tài)信號處理的基本原理 62
5.3 復(fù)倒譜和倒譜 63
5.4 語音信號兩個卷積分量復(fù)倒譜的性質(zhì) 64
5.4.1 聲門激勵信號 64
5.4.2 聲道沖激響應(yīng)序列 65
5.5 避免相位卷繞的算法 66
5.5.1 微分法 67
5.5.2 最小相位信號法 67
5.5.3 遞推法 69
5.6 語音信號復(fù)倒譜分析實例 70
5.7 Mel頻率倒譜系數(shù) 72
思考與復(fù)習(xí)題 73
第6章 線性預(yù)測分析 74
6.1 概述 74
6.2 線性預(yù)測分析的基本原理 74
6.2.1 基本原理 74
6.2.2 語音信號的線性預(yù)測分析 75
6.3 線性預(yù)測方程組的建立 76
6.4 線性預(yù)測分析的解法(1)—自相關(guān)和
協(xié)方差法 77
6.4.1 自相關(guān)法 78
6.4.2 協(xié)方差法 79
6.4.3 自相關(guān)和協(xié)方差法的比較 80
6.5 線性預(yù)測分析的解法(2)—格型法 81
6.5.1 格型法基本原理 81
6.5.2 格型法的求解 83
6.6 線性預(yù)測分析的應(yīng)用—LPC譜估計和
LPC復(fù)倒譜 85
6.6.1 LPC譜估計 85
6.6.2 LPC復(fù)倒譜 87
6.6.3 LPC譜估計與其他譜分析方法的
比較 88
6.7 線譜對(LSP)分析 89
6.7.1 線譜對分析原理 89
6.7.2 線譜對參數(shù)的求解 91
6.8 極零模型 91
思考與復(fù)習(xí)題 93
第7章 語音信號的非線性分析 94
7.1 概述 94
7.2 時頻分析 94
7.2.1 短時傅里葉變換的局限 95
7.2.2 時頻分析 96
7.3 小波分析 97
7.3.1 概述 97
7.3.2 小波變換的定義 97
7.3.3 典型的小波函數(shù) 99
7.3.4 離散小波變換 100
7.3.5 小波多分辨分析與Mallat算法 100
7.4 基于小波的語音分析 101
7.4.1 語音分解與重構(gòu) 101
7.4.2 清/濁音判斷 102
7.4.3 語音去噪 102
7.4.4 聽覺系統(tǒng)模擬 103
7.4.5 小波包變換在語音端點檢測中的
應(yīng)用 103
7.5 混沌與分形 104
7.6 基于混沌的語音分析 105
7.6.1 語音信號的混沌性 105
7.6.2 語音信號的相空間重構(gòu) 106
7.6.3 語音信號的Lyapunov指數(shù) 108
7.6.4 基于混沌的語音、噪聲判別 109
7.7 基于分形的語音分析 110
7.7.1 概述 110
7.7.2 語音信號的分形特征 111
7.7.3 基于分形的語音分割 112
思考與復(fù)習(xí)題 113
第8章 語音特征參數(shù)估計 114
8.1 基音估計 114
8.1.1 自相關(guān)法 115
8.1.2 并行處理法 117
8.1.3 倒譜法 118
8.1.4 簡化逆濾波法 120
8.1.5 高階累積量法 122
8.1.6 小波變換法 123
8.1.7 基音檢測的后處理 124
8.2 共振峰估計 125
8.2.1 帶通濾波器組法 125
8.2.2 DFT法 126
8.2.3 倒譜法 127
8.2.4 LPC法 129
8.2.5 FM-AM模型法 130
思考與復(fù)習(xí)題 131
第9章 矢量量化 132
9.1 概述 132
9.2 矢量量化的基本原理 133
9.3 失真測度 134
9.3.1 歐氏距離—均方誤差 135
9.3.2 LPC失真測度 135
9.3.3 識別失真測度 137
9.4 最佳矢量量化器和碼本的設(shè)計 137
9.4.1 矢量量化器最佳設(shè)計的兩個條件 137
9.4.2 LBG算法 138
9.4.3 初始碼書生成 138
9.5 降低復(fù)雜度的矢量量化系統(tǒng) 139
9.5.1 無記憶的矢量量化系統(tǒng) 140
9.5.2 有記憶的矢量量化系統(tǒng) 142
9.6 語音參數(shù)的矢量量化 144
9.7 模糊矢量量化 145
9.7.1 模糊集概述 146
9.7.2 模糊矢量量化 147
9.8 遺傳矢量量化 148
9.8.1 遺傳算法 148
9.8.2 遺傳矢量量化 150
思考與復(fù)習(xí)題 151
第10章 隱馬爾可夫模型 152
10.1 概述 152
10.2 隱馬爾可夫模型的引入 153
10.3 隱馬爾可夫模型的定義 155
10.4 隱馬爾可夫模型三個問題的求解 156
10.4.1 概率的計算 157
10.4.2 HMM的識別 159
10.4.3 HMM的訓(xùn)練 160
10.4.4 EM算法 161
10.5 HMM的選取 162
10.5.1 HMM的類型選擇 162
10.5.2 輸出概率分布的選取 163
10.5.3 狀態(tài)數(shù)的選取 163
10.5.4 初值選取 163
10.5.5 訓(xùn)練準(zhǔn)則的選取 165
10.6 HMM應(yīng)用與實現(xiàn)中的一些問題 166
10.6.1 數(shù)據(jù)下溢 166
10.6.2 多輸出(觀察矢量序列)情況 166
10.6.3 訓(xùn)練數(shù)據(jù)不足 167
10.6.4 考慮狀態(tài)持續(xù)時間的HMM 168
10.7 HMM的結(jié)構(gòu)和類型 170
10.7.1 HMM的結(jié)構(gòu) 170
10.7.2 HMM的類型 172
10.7.3 按輸出形式分類 173
10.8 HMM的相似度比較 174
思考與復(fù)習(xí)題 175

第三篇 語音信號處理技術(shù)與應(yīng)用

第11章 語音編碼 176
11.1 概述 176
11.2 語音信號的壓縮編碼原理 178
11.2.1 語音壓縮的基本原理 178
11.2.2 語音通信中的語音質(zhì)量 179
11.2.3 兩種壓縮編碼方式 180
11.3 語音信號的波形編碼 180
11.3.1 PCM及APCM 180
11.3.2 預(yù)測編碼及自適應(yīng)預(yù)測編碼 183
11.3.3 ADPCM及ADM 185
11.3.4 子帶編碼(SBC) 187
11.3.5 自適應(yīng)變換編碼(ATC) 189
11.4 聲碼器 191
11.4.1 概述 191
11.4.2 聲碼器的基本結(jié)構(gòu) 192
11.4.3 通道聲碼器 192
11.4.4 同態(tài)聲碼器 194
11.5 LPC聲碼器 195
11.5.1 LPC參數(shù)的變換與量化 196
11.5.2 LPC-10 197
11.5.3 LPC-10e 198
11.5.4 變幀率LPC聲碼器 199
11.6 各種常規(guī)語音編碼方法的比較 200
11.6.1 波形編碼的信號壓縮技術(shù) 200
11.6.2 波形編碼與聲碼器的比較 200
11.6.3 各種聲碼器的比較 201
11.7 基于LPC模型的混合編碼 201
11.7.1 混合編碼采用的技術(shù) 202
11.7.2 MPLPC 204
11.7.3 RPELPC 207
11.7.4 CELP 209
11.7.5 CELP的改進形式 211
11.7.6 基于分形碼本的CELP 213
11.8 基于正弦模型的混合編碼 214
11.8.1 正弦變換編碼 215
11.8.2 多帶激勵(MBE)編碼 215
11.9 極低速率語音編碼 217
11.9.1 400～1.2kb/s數(shù)碼率的聲碼器 217
11.9.2 識別-合成型聲碼器 218
11.10 語音編碼的性能指標(biāo) 219
11.11 語音編碼的質(zhì)量評價 221
11.11.1 主觀評價方法 221
11.11.2 客觀評價方法 222
11.11.3 主客觀評價方法的結(jié)合 225
11.11.4 基于多重分形的語音質(zhì)量評價 226
11.12 語音編碼國際標(biāo)準(zhǔn) 227
11.13 語音編碼與圖像編碼的關(guān)系 228
小結(jié) 229
思考與復(fù)習(xí)題 229
第12章 語音合成 231
12.1 概述 231
12.2 語音合成原理 232
12.2.1 語音合成的方法 232
12.2.2 語音合成的系統(tǒng)特性 234
12.3 共振峰合成 235
12.3.1 共振峰合成原理 235
12.3.2 共振峰合成實例 237
12.4 LPC合成 237
12.5 PSOLA語音合成 239
12.5.1 概述 239
12.5.2 PSOLA的原理 240
12.5.3 PSOLA的實現(xiàn) 240
12.5.4 PSOLA的改進 242
12.5.5 PSOLA語音合成系統(tǒng)的發(fā)展 243
12.6 文語轉(zhuǎn)換系統(tǒng) 243
12.6.1 組成與結(jié)構(gòu) 243
12.6.2 文本分析 244
12.6.3 韻律控制 245
12.6.4 語音合成 248
12.6.5 TTS系統(tǒng)的一些問題 248
12.7 基于HMM的參數(shù)化語音合成 249
12.8 語音合成的研究現(xiàn)狀和發(fā)展趨勢 253
12.9 語音合成硬件簡介 255
思考與復(fù)習(xí)題 256
第13章 語音識別 257
13.1 概述 257
13.2 語音識別原理 260
13.3 動態(tài)時間規(guī)整 264
13.4 基于有限狀態(tài)矢量量化的語音識別 266
13.5 孤立詞識別系統(tǒng) 267
13.6 連接詞識別 270
13.6.1 基本原理 270
13.6.2 基于DTW的連接詞識別 271
13.6.3 基于HMM的連接詞識別 273
13.6.4 基于分段K-均值的最佳詞串分割及
模型訓(xùn)練 273
13.7 連續(xù)語音識別 274
13.7.1 連續(xù)語音識別存在的困難 274
13.7.2 連續(xù)語音識別的訓(xùn)練及識別方法 275
13.7.3 連續(xù)語音識別的整體模型 276
13.7.4 基于HMM統(tǒng)一框架的大詞匯非特定
人連續(xù)語音識別 277
13.7.5 聲學(xué)模型 278
13.7.6 語言學(xué)模型 280
13.7.7 最優(yōu)路徑搜索 282
13.8 說話人自適應(yīng) 284
13.8.1 MAP算法 285
13.8.2 基于變換的自適應(yīng)方法 285
13.8.3 基于說話人分類的自適應(yīng)方法 286
13.9 魯棒的語音識別 287
13.10 關(guān)鍵詞確認(rèn) 289
13.11 可視語音識別 291
13.11.1 概述 291
13.11.2 機器自動唇讀 291
13.11.3 雙模態(tài)語音識別 293
13.12 語音理解 296
13.12.1 MAP語義解碼 297
13.12.2 語義結(jié)構(gòu)的表示 297
13.12.3 意圖解碼器 298
小結(jié) 299
思考與復(fù)習(xí)題 299
第14章 說話人識別 300
14.1 概述 300
14.2 特征選取 301
14.2.1 說話人識別所用的特征 301
14.2.2 特征類型的優(yōu)選準(zhǔn)則 302
14.2.3 常用的特征參數(shù) 303
14.3 說話人識別系統(tǒng) 303
14.3.1 說話人識別系統(tǒng)的結(jié)構(gòu) 303
14.3.2 說話人識別的基本方法概述 304
14.4 說話人識別系統(tǒng)實例 305
14.4.1 DTW型說話人識別系統(tǒng) 305
14.4.2 應(yīng)用VQ的說話人識別系統(tǒng) 306
14.5 基于HMM的說話人識別 307
14.6 基于GMM的說話人識別 310
14.7 說話人識別中需進一步研究的問題 312
14.8 語種辨識 313
思考與復(fù)習(xí)題 316
第15章 智能信息處理技術(shù)在語音信號
處理中的應(yīng)用 317
15.1 人工神經(jīng)網(wǎng)絡(luò) 317
15.1.1 概述 317
15.1.2 神經(jīng)網(wǎng)絡(luò)的基本概念 319
15.2 神經(jīng)網(wǎng)絡(luò)的模型結(jié)構(gòu) 320
15.2.1 單層感知機 320
15.2.2 多層感知機 321
15.2.3 自組織映射神經(jīng)網(wǎng)絡(luò) 323
15.2.4 時延神經(jīng)網(wǎng)絡(luò) 324
15.2.5 循環(huán)神經(jīng)網(wǎng)絡(luò) 325
15.3 神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)方法的結(jié)合 325
15.3.1 概述 325
15.3.2 神經(jīng)網(wǎng)絡(luò)與DTW 326
15.3.3 神經(jīng)網(wǎng)絡(luò)與VQ 326
15.3.4 神經(jīng)網(wǎng)絡(luò)與HMM 327
15.4 神經(jīng)網(wǎng)絡(luò)語音識別 328
15.4.1 靜態(tài)語音識別 328
15.4.2 連續(xù)語音識別 330
15.5 基于神經(jīng)網(wǎng)絡(luò)的說話人識別 330
15.6 基于神經(jīng)網(wǎng)絡(luò)的語音信號非線性預(yù)測
編碼 332
15.6.1 語音信號的非線性預(yù)測 332
15.6.2 基于MLP的非線性預(yù)測編碼 333
15.6.3 基于RNN的非線性預(yù)測編碼 334
15.7 基于神經(jīng)網(wǎng)絡(luò)的語音合成 335
15.8 支持向量機 336
15.8.1 概述 336
15.8.2 支持向量機的基本原理 337
15.9 基于支持向量機的語音分類識別 339
15.10 基于支持向量機的說話人識別 340
15.10.1 基于支持向量機的說話人辨認(rèn) 340
15.10.2 基于支持向量機的說話人確認(rèn) 340
15.11 基于混沌神經(jīng)網(wǎng)絡(luò)的語音識別 342
15.11.1 混沌神經(jīng)網(wǎng)絡(luò) 342
15.11.2 基于混沌神經(jīng)網(wǎng)絡(luò)的語音識別 342
15.12 分形在語音識別中的應(yīng)用 344
15.13 智能優(yōu)化算法在語音信號處理中的
應(yīng)用 344
15.14 各種智能信息處理技術(shù)的融合與
集成 346
15.14.1 模糊系統(tǒng)與神經(jīng)網(wǎng)絡(luò)的融合 347
15.14.2 神經(jīng)網(wǎng)絡(luò)與遺傳算法的融合 347
15.14.3 模糊邏輯、神經(jīng)網(wǎng)絡(luò)及遺傳算法的
融合 348
15.14.4 神經(jīng)網(wǎng)絡(luò)、模糊邏輯及混沌的
融合 349
15.14.5 混沌與遺傳算法的融合 349
思考與復(fù)習(xí)題 350
第16章 語音增強 351
16.1 概述 351
16.2 語音、人耳感知及噪聲的特性 352
16.3 濾波器法 354
16.3.1 固定濾波器 354
16.3.2 變換技術(shù) 354
16.3.3 自適應(yīng)噪聲對消 354
16.4 非線性處理 357
16.5 基于相關(guān)特性的語音增強 358
16.6 減譜法 359
16.6.1 減譜法的基本原理 359
16.6.2 減譜法的改進形式 360
16.7 基于Wiener濾波的語音增強 361
16.8 基于語音產(chǎn)生模型的語音增強 362
16.9 基于小波的語音增強 364
16.9.1 概述 364
16.9.2 基于小波的語音增強 364
16.9.3 基于小波包的語音增強 366
16.10 基于信號子空間分解的語音增強 367
16.11 語音增強的一些新發(fā)展 370
小結(jié) 371
思考與復(fù)習(xí)題 372
第17章 基于麥克風(fēng)陣列的語音信號
處理 373
17.1 概述 373
17.2 麥克風(fēng)陣列語音處理技術(shù)的難點 374
17.3 聲源定位 375
17.3.1 去混響 375
17.3.2 近場模型 376
17.3.3 聲源定位 377
17.4 語音增強 381
17.4.1 概述 381
17.4.2 方法與技術(shù) 382
17.4.3 應(yīng)用 386
17.4.4 本節(jié)小結(jié) 387
17.5 語音盲分離 387
17.5.1 瞬時線性混合模型 388
17.5.2 卷積混合模型 393
17.5.3 非線性混合模型 395
17.5.4 需進一步研究的問題 396
思考與復(fù)習(xí)題 396
漢英名詞術(shù)語對照 398
參考文獻 407