語音處理
![本頁使用了標題或全文手工轉換](http://upload.wikimedia.org/wikipedia/commons/thumb/c/cd/Zh_conversion_icon_m.svg/35px-Zh_conversion_icon_m.svg.png)
![](http://upload.wikimedia.org/wikipedia/commons/thumb/1/1a/Voice_Module_Nov.5%2C2013.jpg/220px-Voice_Module_Nov.5%2C2013.jpg)
語音處理(Speech processing),又稱語音訊號處理、人聲處理,其目的是希望做出想要的訊號,進一步做語音辨識,應用到手機介面甚至一般生活中,使人與電腦能進行溝通。
語音的相關常識
[編輯]一般聲音檔格式
[編輯]- 取樣頻率:22050Hz
- 單聲道或雙聲道
- 每筆資料用8個bit來表示
- 電腦中沒有經過任何壓縮的聲音檔:*.wav
聲音的頻率
[編輯]- 頻率範圍
人耳可以辨識頻率:20Hz ~ 20000Hz
說話:150~2000Hz
電話系統頻域:小於3500Hz
電腦音效卡取樣頻率:44100Hz (最新技術可達192K)(一般用22050Hz、11025Hz 即可)
- 超聲波(ultrasound)與次聲波(infrasound)
超聲波(ultrasound):> 20000Hz
次聲波(infrasound):< 20Hz
- 人對於頻率的分辨能力,是由於頻率的"比"決定
對人類而言,300Hz和400Hz之間的差別,與3000Hz和4000Hz之間的差別是相同的
聲音的波長
[編輯]- 波長較長:傳播距離較遠,但容易散射
- 波長較短:衰減較快,但傳播方向較接近直線
聲音的速度
[編輯]- 聲音在空氣中傳播速度: 每秒340 公尺(15°C 時)
- 一般人,耳翼到鼓膜之間的距離: 2.7公分。所以,人類對3000Hz 左右頻率的聲音最敏感
- 每增加1°C,聲音的速度增加0.6 m/sec
- 聲音在水中的傳播速度是1500 m/sec,在鋁棒中的傳播速度是5000 m/sec
分貝
[編輯]- 分貝(dB):
其中P為音強(正比於振福的平方),C為0dB時的音強
- 每增加10dB,音強增加10倍,振幅增加 倍;每增加3dB ,音強增加2倍,振幅增加 倍
音樂訊號
[編輯]- 電子琴Do 的頻率:
低音Do: 131.32 Hz
中音Do: 261.63 Hz
高音Do: 523.26 Hz
更高音Do: 1046.52 Hz
- 音樂每增加八度音,頻率變為2 倍
- 每一音階有12個半音。增加一個半音,頻率增加 倍(1.0595 倍)
- 音樂通常會出現「和弦」(chord) 的現象。除了基頻 Hz 之外,也會出現2Hz, 3Hz, 4Hz , …… 的頻率
語音處理的工作
[編輯]- 語音編碼(Speech Coding)
- 語音合成(Speech Synthesis)
- 語音增強(Speech Enhancement)
- 語音辨認(Speech Recognition)
音素→音節→詞→句→整段話
- 說話人辦認(Speaker Recognition)
- 其他:語意、語言、情緒
子音和母音
[編輯]- 母音: 依唇型而定。母音的能量大,頻率偏低,時間較長,出現在子音後或獨立出現
- 子音: 在口腔,鼻腔中某些部位將氣流暫時堵住後放開。子音的能量小,頻率偏高,時間較短,出現在母音前
語意學的角色
[編輯]- 以「語意學」或「概率」來補足語音辨識的不足
例如:經過判定,一個聲音可能是
ㄅㄧ ㄖㄢ ㄆㄧ ㄖㄢ
ㄅㄧ ㄌㄢ ㄆㄧ ㄌㄢ
這個聲音是「必然」的概率比較大。
ㄅㄛ ㄅㄛ ㄆㄛ ㄆㄛ
可能是「伯伯」,也可能是「婆婆」,看上下文
- 當前主流的語音辨識技術:
梅爾頻率倒頻譜(Mel-Frequency Cepstrum) + 語意分析 + 機器學習(Machine Learning)
語音檔的處理(Matlab)
[編輯]讀取聲音檔
[編輯]- 電腦中,沒有經過壓縮的聲音檔都是*.wav 的型態,有經過壓縮的聲音檔是*.mp3的型態
- 讀取: audioread (2015版本以後的Matlab,wavread 將改為audioread)
- 例: [x, fs] = audioread('C:\WINDOWS\Media\ringin.wav');
可以將ringin.wav 以數字向量x來呈現。fs:取樣頻率(sampling frequency)
這個例子當中size(x) = 122868 2 (2指的是雙聲道(Stereo,俗稱立體聲)),fs = 22050
- .wav 檔中所讀取的資料,值都在 -1 和 +1 之間
- 畫出聲音的波型
time = [0:size(x,1)-1]/fs; (x 是用audioread 所讀出的向量)
subplot(2,1,1); plot(time, x(:,1)); xlim([time(1),time(end)])
subplot(2,1,2); plot(time, x(:,2)); xlim([time(1),time(end)])
繪出頻譜
[編輯]X = fft(x(:,1));
X=X.';
N=length(X); N1=round(N/2);
dt=1/fs;
X1=[X(N1+1:N),X(1:N1)]*dt; (shifting for spectrum)
f=[[N1:N-1]-N,0:N1-1]/N*fs; (valid f)
plot(f, abs(X1));
聲音的播放
[編輯]- sound(x): 將x以8192Hz 的頻率播放
- sound(x, fs): 將x以fs Hz 的頻率播放
註:x必須是1 個column (或2個columns),且x的值應該介於 -1 和 +1 之間
- soundsc(x, fs): 自動把x的值調到 -1 和 +1 之間再播放
製作.wav檔:audiowrite
[編輯]audiowrite(filename, x, fs)
將數據x變成一個*.wav 檔,取樣頻率為fsHz
註:x必須是1 個column (或2個columns),且x的值應該介於 -1 和 +1
錄音的方式
[編輯]基本指令說明
[編輯]以下這三個指令要並用才可以錄音
- recorder = audiorecorder(Fs, nb, nch); (提供錄音相關的參數)
Fs: sampling frequency
nb: using nb bits to record each data
nch: number of channels (1 or 2)
- recordblocking(recorder, Sec); (錄音的指令)
recorder: the parameters obtained by the command audiorecorder
Sec: the time length for recording
- audioarray = getaudiodata(recorder);
(將錄音的結果,變成audioarray 這個column vector,如果是雙聲道,則audioarray 是兩個column vectors)
範例
[編輯]Sec = 3; (錄音的時間為三秒)
Fs = 8000; (sampling frequency 為8000 Hz)
recorder = audiorecorder(Fs, 16, 1);
recordblocking(recorder, Sec);
audioarray = getaudiodata(recorder); (錄音結果為audioarray,是一個column vector (如果是雙聲道,則是兩個column vectors))
sound(audioarray, Fs); (播放錄音的結果)
t = [0:length(audioarray)-1]./Fs;
plot (t, audioarray); (將錄音的結果用圖畫出來)
xlabel('sec','FontSize',16);
audiowrite('test.wav', audioarray, Fs) (將錄音的結果存成*.wav 檔)
語音檔的處理(Python)
[編輯]安裝模組
[編輯]- pip install numpy
- pip install scipy
- pip install matplotlib # plot
- pip install pipwin
- pipwin install simpleaudio # vocal files
- pipwin install pyaudio
讀音訊檔
[編輯]要先import 相關模組: import wave
讀取音檔
[編輯]wavefile = wave.open('C:/WINDOWS/Media/Alarm01.wav', 'rb')
獲得音檔取樣頻率和音訊長度:
fs =wavefile.getframerate() # sampling frequency
num_frame = wavefile.getnframes() # length of the vocal signal
>>> fs
22050
>>> num_frame
122868
讀取波形與數據
[編輯]要先import 相關模組: import numpy as np
- str_data = wavefile.readframes(num_frame)
- wave_data = np.frombuffer(str_data, dtype=np.int16) # 轉成整數型態
- wave_data = wave_data / max(abs(wave_data)) # normalization
- n_channel = 2
- wave_data = np.reshape(wave_data, (num_frame, n_channel)) # 若為雙聲道音檔需要做reshape
畫出音訊波形圖
[編輯]要先import 相關模組: import matplotlib.pyplot as plt
- time = np.arange(0, num_frame)*1/fs
- plt.plot(time, wave_data)
- plt.show()
畫出頻譜
[編輯]要先import 相關模組: from scipy.fftpack import fft
- fft_data = abs(fft(wave_data[:,1]))/fs # only choose the 1st channel # 注意要乘上1/fs
- n0=int(np.ceil(num_frame/2))
- fft_data1=np.concatenate([fft_data[n0:num_frame],fft_data[0:n0]]) # 將頻譜後面一半移到前面
- freq=np.concatenate([range(n0-num_frame,0),range(0,n0)])*fs/num_frame # 頻率軸跟着調整
- plt.plot(freq,fft_data1)
- plt.xlim(-1000,1000) # 限制頻率的顯示範圍
- plt.show()
播放聲音
[編輯]要先import 相關模組: import simpleaudio as sa
- n_bytes =2 # using two bytes to record a data
- wave_data = (2**15-1)* wave_data # change the range to -215 ~ 215
- wave_data = wave_data.astype(np.int16)
- play_obj = sa.play_buffer(wave_data, n_channel, n_bytes, fs)
- play_obj.wait_done()
製作音檔
[編輯]- f = wave.open('testing.wav', 'wb')
- f.setnchannels(2) # 設定聲道數
- f.setsampwidth(2) # 每個samples 有幾個位元組
- f.setframerate(fs) # 設定取樣頻率
- f.writeframes(wave_data.tobytes())
- f.close()
錄音
[編輯]要先import 相關模組: import pyaudio
import pyaudio
pa=pyaudio.PyAudio()
fs = 44100
chunk = 1024
stream = pa.open(format=pyaudio.paInt16, channels=1,rate=fs, input=True, frames_per_buffer=chunk)
vocal=[]
count=0
時頻分析結果分析
[編輯]Matlab
[編輯]畫出時頻分析結果
[編輯]可採行兩種方式:
- 使用mesh 指令畫出立體圖(但結果不一定清楚,且執行時間較久)
- 將amplitude 變為gray-level,用顯示灰階圖的方法將結果表現出來
假設y 是時頻分析計算的結果
image(abs(y)/max(max(abs(y)))*C) % C 是一個常數,可以選C=400
或image(t, f, abs(y)/max(max(abs(y)))*C)
colormap(gray(256)) % 變成gray-level 的圖
set(gca,'Ydir','normal') % 若沒這一行, y-axis 的方向是倒過來的
set(gca,'Fontsize',12) % 改變橫縱軸數值的font sizes
xlabel('Time (Sec)','Fontsize',12) % x-axis
ylabel('Frequency (Hz)','Fontsize',12) % y-axis
title('STFT of x(t)','Fontsize',12) % title
計算程式執行時間的指令
[編輯]tic (這指令如同按下碼錶)
toc (show 出碼錶按下後已經執行了多少時間)
註:通常程式執行第一次時,由於要做程式的編譯,所得出的執行時間會比較長。程式執行第二次以後所得出的執行時間,是較為正確的結果
Python
[編輯]事前安裝模組
[編輯]- pip install numpy
- pip install matplotlib
畫出時頻分析結果
[編輯]假設y為時頻分析結果(應為二維的矩陣數列),將y 以灰階方式畫出來
import numpy as np
import matplotlib.pyplot as plt
C = 400
y = np.abs(y) / np.max(np.abs(y)) * C
plt.imshow(y, cmap='gray', origin='lower') # 加上origin='lower' 避免上下相反
plt.xlabel('Time (Sec)')
plt.ylabel('Frequency (Hz)')
plt.show()
若要加上座標軸數值(在plt.show()之前加上以下程式碼)
x_label = ['0', '10', '20', '30'] # 橫軸座標值
y_label = ['-5', '0', '5'] # 縱軸座標值
plt.xticks(np.arange(0, x_max, step=int(x_max/(len(x_label)-1)), x_label)
plt.yticks(np.arange(0, y_max, step=int(y_max/(len(y_label)-1)), y_label)
語音訊號的來源
[編輯]人聲是由於聲帶震動,而產生聲音。當運動肌肉擠壓,使肺臟中的空氣通過聲帶時,空氣流動使得聲帶做周期性的震動,又再一次震動了空氣,接着,帶着動能的空氣離開氣管到達口腔或鼻腔,在腔室中震動,最後離開在嘴唇傳到人耳變成聲音。
若調整口腔中舌頭的位置,會產生不同種類的聲音,如果舌頭沒有做太多的動作,空氣只有在口腔中共振,接着直接流出嘴唇,會產生母音,若提起舌頭,使口鼻腔相通,則會出現鼻音。
語音訊號分類
[編輯]從中文發音的觀點來說,聲音仍可分為子音與母音,母音和子音可以用兩種方式區分:
- 發聲方式:一般而言,母音跟嘴唇形狀有關,而且不與鼻腔共振。相對而言,在發出子音時,就會運用到鼻腔配合發聲。
- 頻譜分析:從頻譜上觀察可以發現子音的訊號頻率較高,持續時間較短,且會在母音之前出現。而母音的頻率較低,持續時間較長,在子音後或獨立出現,另外,母音的能量也會比子音大。
下面列出中文注音符號中的母音、子音及其拼音。
- 母音:ㄚ ㄛ ㄜ ㄝ ㄞ ㄟ ㄠ ㄡ ㄢ ㄣ ㄤ ㄥ ㄦ 一 ㄨ ㄩ
母音 | ㄚ | ㄛ | ㄜ | ㄝ | ㄞ | ㄟ | ㄠ | ㄡ |
---|---|---|---|---|---|---|---|---|
漢語拼音 | a | o | e | e | ai | ei | ao | ou |
通用拼音 | a | o | e | e | ai | ei | ao | ou |
母音 | ㄢ | ㄣ | ㄤ | ㄥ | ㄦ | 一 | ㄨ | ㄩ |
漢語拼音 | an | en | ang | eng | er | i,y | u,w | yu,ju |
通用拼音 | an | en | ang | eng | er | i,y | u,w | yu,ju |
- 子音:ㄅ ㄆ ㄇ ㄈ ㄉ ㄊ ㄋ ㄌ ㄍ ㄎ ㄏ ㄐ ㄑ ㄒ ㄓ ㄔ ㄕ ㄖ ㄗ ㄘ ㄙ
子音 | ㄅ | ㄆ | ㄇ | ㄈ | ㄉ | ㄊ | ㄋ |
---|---|---|---|---|---|---|---|
漢語拼音 | b | p | m | f | d | t | n |
通用拼音 | b | p | m | f | d | t | n |
子音 | ㄌ | ㄍ | ㄎ | ㄏ | ㄐ | ㄑ | ㄒ |
漢語拼音 | l | g | k | h | j | q | x |
通用拼音 | l | g | k | h | j | q | x |
子音 | ㄓ | ㄔ | ㄕ | ㄖ | ㄗ | ㄘ | ㄙ |
漢語拼音 | zh | ch | sh | r | z | c | s |
通用拼音 | zh | ch | sh | r | z | c | s |
語音的架構
[編輯]要分析語音訊號前,必須先了解其架構,語音的要素從小到大分別是:音素→音節→詞彙→句子→整段話。
音素是聲音的最小單位,例如「呵」這個字的音素,就是「ㄏ」和「ㄜ」,但是音素和注音符號並不相等,例如「鷗」雖然只有「ㄡ」這個母音,但是由於是雙母音,所以會把他拆成兩個音素。音節在中文而言,就是只一個字,例如:「天天開心」就有四個音節。詞彙是文字組成的有意義片段,各種不同的詞彙集結成句子,最後變成整段話,這就是語音的架構。
語音處理方法
[編輯]用麥克風或其他裝置收到的類音聲音訊號,經由模擬數碼轉換裝置,將資料數據化進行處理,最後再經過數碼模擬轉換裝置輸出。因此,我們在處理時是針對數碼訊號,語音訊號是一種離散時間訊號。其訊號處理流程如下:
- 收取並取樣訊號:利用麥克風或各種收音裝置,收取模擬語音訊號,再用ADC裝置(如模擬數碼轉換卡)把模擬訊號變成數碼訊號,接着根據奈奎斯特理論作取樣,若不符合理論則會造成訊號失真。
- 量化及編碼:由於電腦中的記憶都是0和1,因此要將所收到的數據用一段適合的0跟1去儲存,這個動作就稱為量化,所使用的0與1越多,所需的記憶體越多。接着利用編碼器將數值以波形呈現,因此雖然是數碼訊號,但是在電腦中所見到的是模擬。
- 訊號標準化:將語音訊號標準化,使其數值都落在同一個範圍。
- 音框選擇:由於語音訊號是一段很長的訊號,因此會針對想要處理的部分取音框。
- 端點偵測:端點偵測的目的是使訊號處理的範圍更精確,只要設定一個音量閾值,若訊號小於閾值,則將其視為沒訊號,但是若雜訊過高,則會產生誤差。
- 去雜訊:由於雜訊多集中在高頻的部分,因此利用簡單的高頻濾波器,就可以去掉部分雜訊。
基本處理方法
[編輯]語音訊號是屬於離散時間系統,因此會用離散時間的傅利葉轉換去做處理,除此之外,摺積、窗函數都是一定會使用到的處理方法。
- 離散時間傅利葉轉換:
- 摺積:
兩訊號做convolution等於,兩訊號先做傅利葉轉換,相乘後再做反傅利葉轉換,藉此可以更快速的處理訊號。
語音處理的應用
[編輯]語音處理主要有兩個目的:
- 減少訊號雜訊,做出想要的訊號模組。
- 進行語音辨識,使人可以利用語言與電腦溝通。
參見
[編輯]參考文獻
[編輯]- J. Benesty, M. M. Sondhi, Y. Huang (ed). Springer Handbook of Speech Processing. Springer, 2007. ISBN 978-3-540-49125-5.
- J. Benesty, S. Makino, J. Chen (ed). Speech Enhancement. Springer, 2005. ISBN 978-3-540-24039-6.
- Jian-Jiun Ding, 「Advanced Digital Signal Processing」, NTU, 2021.
- Jian-Jiun Ding, 「Time Frequency Analysis and Wavelet Transforms 」, NTU, 2021.
|
|