有关语音识别的部分名词摘要.docVIP

声谱图：分帧对语音信号进行短时FFT计算，将每帧信号的频谱图旋转90度，用从白到黑的256个量化值表示频谱图的幅度值，这样得到的一个关于时间变化的频谱图就是声谱图。 （1） 共振峰：声音在经过共振腔时，受到腔体的滤波作用，使得频域中不同频率的能量重新分配，一部分因为共振腔的共振作用得到强化，另一部分则受到衰减，得到强化的那些频率语图上表现为浓重的黑色条纹。由于能量分布不均匀，强的部分犹如山峰一般，故而称之为共振峰。 在语音声学中，共振峰决定着元音的音质，而在计算机音乐中，它们是决定音色和音质的重要参数。 （2） 典型的声音共振峰频率如下: 元音平均共振峰 ISBN 978-0198242178 元音 (IPA) 共振峰 f1 共振峰 f2 i 240?Hz 2400?Hz y 235?Hz 2100?Hz e 390?Hz 2300?Hz ? 370?Hz 1900?Hz ? 610?Hz 1900?Hz ? 585?Hz 1710?Hz a 850?Hz 1610?Hz ? 820?Hz 1530?Hz ɑ 750?Hz 940?Hz ? 700?Hz 760?Hz ? 600?Hz 1170?Hz ? 500?Hz 700?Hz ? 460?Hz 1310?Hz o 360?Hz 640?Hz ? 300?Hz 1390?Hz u 250?Hz 595?Hz 倒谱分析：倒谱就是一种信号的傅叶变换经对数运算后再进行傅叶反变换得到的谱 1）将原语音信号经过傅叶变换得到频谱：X[k]=H[k]E[k]； 只考虑幅度就是：|X[k] |=|H[k]||E[k] |； 2）我们在两边取对数：log||X[k] ||= log ||H[k] ||+ log ||E[k] ||。 3）再在两边取逆傅叶变换得到：x[k]=h[k]+e[k]。 图（2）所对应的信号的倒谱分析过程如图（3）： （3） Mel倒谱分析：人的听觉系统是一个特殊的非线性系统，它响应不同频率信号的灵敏度是不同的。 （4） 梅尔频率倒谱系数考虑到了人类的听觉特征，先将线性频谱映射到基于听觉感知的Mel非线性频谱中，然后转换到倒谱上。将普通频率转化到Mel频率的公式是： （5） 在Mel频域内，人对音调的感知度为线性关系。举例来说，如果两段语音的Mel频率相差两倍，则人耳听起来两者的音调也相差两倍。 预加重电路的频率响应 去加重的频率响应 分帧：将连续时间信号分为10~30ms长度的小段信号，将这个长度的信号看成 汉明窗：语音信号一般在10ms到30ms之间，我们可以把它看成是平稳的。为了处理语音信号，我们要对语音信号进行加窗，也就是一次仅处理窗中的数据。因为实际的语音信号是很长的，我们不能也不必对非常长的数据进行一次性处理。明智的解决办法就是每次取一段数据，进行分析，然后再取下一段数据，再进行分析。 怎么仅取一段数据呢？一种方式就是构造一个函数。这个函数在某一区间有非零值，而在其余区间皆为0.汉明窗就是这样的一种函数。它主要部分的形状像sin（x）在0到pi区间的形状，而其余部分都是0.这样的函数乘上其他任何一个函数f，f只有一部分有非零值。 M Mel频率倒谱系数（）? 我们将频谱通过一组Mel滤波器就得到Mel频谱。公式表述就是：log X[k] = log (Mel-Spectrum)。这时候我们在log X[k]上进行倒谱分析： 1）取对数：log X[k] = log H[k] + log E[k]。 2）进行逆变换：x[k] = h[k] + e[k]。 在Mel频谱上面获得的倒谱系数h[k]就称为Mel频率倒谱系数，简称MFCC。