檢信智能ALLEMOTION OS 語音情感識(shí)別——語音(聲音的預(yù)處理)
1. 語音信號(hào)（聲音是什么）
聲音是由物體振動(dòng)產(chǎn)生的聲波，是通過介質(zhì)（空氣或固體、液體）傳播并能被人或動(dòng)物聽覺器官所感知的波動(dòng)現(xiàn)象，最初發(fā)出振動(dòng)的物體叫聲源。聲音（語音消息）的基本模擬形式是一種稱為語音信號(hào)的聲學(xué)波。語音信號(hào)可以通過麥克風(fēng)轉(zhuǎn)化成電信號(hào)，轉(zhuǎn)換成語音波形圖，如下圖為消息"should we chase"的波形圖。橫坐標(biāo)表示時(shí)間，縱坐標(biāo)表示振幅。文本"should we chase"按照發(fā)音可以表示成音素的形式[SH UH D - W IY - CH EY S]，聲波圖中的每一段表示一個(gè)音素，在ARBAbet音素集中包含近64 = 2^6個(gè)符號(hào)。
聲音作為波的一種，頻率（聲源在一秒內(nèi)振動(dòng)的次數(shù)）和振幅是描述波的重要屬性，頻率的大小與我們通常所說的音高對(duì)應(yīng)，而振幅影響聲音的大小。聲音可以被分解為不同頻率不同強(qiáng)度正弦波的疊加，正弦波是頻率成分最為單一的一種信號(hào)，任何復(fù)雜信號(hào)都可以看成由許許多多頻率不同、大小不等的正弦波復(fù)合而成。這種變換（或分解）的過程，稱為傅立葉變換，通過這種分解我們可以把時(shí)域圖轉(zhuǎn)為頻域圖。
正弦信號(hào)表達(dá)式為y=Asin(ωx+φ)y=Asin?(ωx+φ)。其中A表示振幅。
ω/2πω/2π表示頻率。
對(duì)于（空氣中的）聲振動(dòng)而言，振幅是聲壓與靜止壓強(qiáng)之差的最大值。其中聲壓是聲波在空氣中傳播時(shí)形成壓縮和稀疏交替變化的壓力增值。麥克風(fēng)錄制聲音的原理就是將空氣中的壓力變動(dòng)波轉(zhuǎn)化成電信號(hào)的變動(dòng)。
而我們平常說的聲音強(qiáng)度（響亮程度）就是由振幅決定的，聲音強(qiáng)度的單位是分貝（dB），計(jì)算公式如下，用實(shí)測(cè)聲壓和參考聲壓之比的常用對(duì)數(shù)（常用對(duì)數(shù)lg以10為底，自然對(duì)數(shù)ln以e為底）的20倍來表示。下式中分母是參考值的聲壓，通常為20微帕，人類能聽到的最小聲壓。
分貝表示功率量之比時(shí)，等于功率強(qiáng)度之比的常用對(duì)數(shù)的10倍。
分貝表示場(chǎng)量之比時(shí)，等于場(chǎng)強(qiáng)幅值之比的常用對(duì)數(shù)的20倍。
語音鏈（聲音是怎么發(fā)出的）
從語音信號(hào)的產(chǎn)生到感知的過程稱為語音鏈，如下圖所示：
2 下面是語音信號(hào)產(chǎn)生的四個(gè)步驟：
文本：消息以某種形式出現(xiàn)在說話者的大腦中，消息攜帶的信息可認(rèn)為有著不同的表示形式，例如最初可能以英語文本的形式表示。假設(shè)書面語有32個(gè)符號(hào)，也就是2^5，用5個(gè)bit表示一個(gè)符號(hào)。正常的平均說話速率為15個(gè)符號(hào)每秒。上圖例子中有15個(gè)字母“should we chase”，持續(xù)了0.6秒，信息流的速率為15x5/0.6 = 125 bps。
音素：為了"說出"這條消息，說話者隱式地將文本轉(zhuǎn)換成對(duì)應(yīng)口語形式的聲音序列的符號(hào)表示，即文本符號(hào)轉(zhuǎn)成音素符號(hào)，音素符號(hào)用來描述口語形式消息的基本聲音及聲音發(fā)生的方式（即語速和語調(diào)）。ARBAbet音素集中包含近64 = 2^6個(gè)符號(hào)，用6個(gè)bit表示一個(gè)音素，上圖例子中有8個(gè)音素，持續(xù)了0.6秒，信息流的速率為8x6/0.6 = 80 bps，考慮描述信號(hào)韻律特征的額外信息（比如段長，音高，響度），文本信息編碼成語音信號(hào)后，總信息速率需要再加上100bps。
發(fā)音：神經(jīng)肌肉系統(tǒng)以一種與產(chǎn)生口語形式消息及其語調(diào)相一致的方式，移動(dòng)舌頭，唇，牙齒，頜，軟腭，使這些聲道發(fā)聲器官按規(guī)定的方式移動(dòng)，進(jìn)而發(fā)出期望的聲音。
刺激共振：聲道系統(tǒng)產(chǎn)生物理生源和恰當(dāng)?shù)臅r(shí)變聲道形狀，產(chǎn)生上圖所示的聲學(xué)波形。
前兩個(gè)階段的信息表示是離散的，用一些簡單假設(shè)就可以估計(jì)信息流的速率。
但是后兩個(gè)階段信息是連續(xù)的，以關(guān)節(jié)運(yùn)動(dòng)的形式發(fā)出，想要度量這些連續(xù)信息，需要進(jìn)行恰當(dāng)?shù)牟蓸雍土炕@得等效的數(shù)字信號(hào)，才能估計(jì)出數(shù)據(jù)的速率。事實(shí)上，因?yàn)檫B續(xù)的模擬信號(hào)容易收到噪聲的影響，抗噪能力弱，通常會(huì)轉(zhuǎn)為離散的數(shù)字信號(hào)。
在第三階段，進(jìn)行采樣和量化后得到的數(shù)據(jù)率約為2000bps。
在最后一個(gè)階段，數(shù)字語音波形的數(shù)據(jù)率可以從64kbps變化到700kbps。該數(shù)據(jù)是通過測(cè)量“表示語音信號(hào)時(shí)為達(dá)到想要的感知保真度”所需要的采樣率和量化計(jì)算得到的。
比如，“電話質(zhì)量”的語音處理需要保證寬帶為0~4kHz，這意味著采樣率為8000個(gè)樣本每秒（根據(jù)香農(nóng)采樣定理，為了不失真地恢復(fù)模擬信號(hào)，采樣頻率應(yīng)該不小于模擬信號(hào)頻譜中最高頻率的2倍），每個(gè)樣本可以量化成8比特，從而得到數(shù)據(jù)率64000bps。這種表示方式很容易聽懂，但對(duì)于大多數(shù)傾聽者來說，語音聽起來與說話者發(fā)出的原始語音會(huì)有不同。
另一方面，語音波形可以表示成“CD質(zhì)量”，采用44100個(gè)樣本每秒的采樣率，每個(gè)樣本16比特，總數(shù)據(jù)率為705600bps，此時(shí)復(fù)原的聲學(xué)波聽起來和原始信號(hào)幾乎沒有區(qū)別。
現(xiàn)在在音樂app上下載歌曲的時(shí)一般有四種音樂品質(zhì)選擇，標(biāo)準(zhǔn)（128kbps），較高（192kbps），極高（320kbps），無損品質(zhì)。
將消息從文本表示轉(zhuǎn)換成采樣的語音波形時(shí)，數(shù)據(jù)率會(huì)增大10000倍。這些額外信息的一部分能夠代表說話者的一些特征比如情緒狀態(tài)，說話習(xí)慣等，但主要是由簡單采樣和對(duì)模擬信號(hào)進(jìn)行精細(xì)量化的低效性導(dǎo)致的。因此，處于語音信號(hào)固有的低信息速率考慮，很多數(shù)字語音處理的重點(diǎn)是用更低的數(shù)據(jù)率對(duì)語音進(jìn)行數(shù)字表示（通常希望數(shù)據(jù)率越低越好，同時(shí)保證重現(xiàn)語音信號(hào)的感知質(zhì)量滿足需要的水平）。
3 語音信號(hào)中的Analog-Digital Converter，“模-數(shù)”變換（聲音是怎么保存的）
預(yù)濾波（反混疊濾波）：語音信號(hào)在采樣之前要進(jìn)行預(yù)濾波處理。目的有兩個(gè)，一是抑制輸入信號(hào)各頻率分量中頻率超過fs/2的所有分量（fs為采樣頻率），以防止混疊干擾；二是抑制50Hz的電源工頻干擾。
1.采樣：原始的語音信號(hào)是連續(xù)的模擬信號(hào)，需要對(duì)語音進(jìn)行采樣，轉(zhuǎn)化為時(shí)間軸上離散的數(shù)據(jù)。
采樣后，模擬信號(hào)被等間隔地取樣，這時(shí)信號(hào)在時(shí)間上就不再連續(xù)了，但在幅度上還是連續(xù)的。經(jīng)過采樣處理之后，模擬信號(hào)變成了離散時(shí)間信號(hào)。
采樣頻率是指一秒鐘內(nèi)對(duì)聲音信號(hào)的采樣次數(shù)，采樣頻率越高聲音的還原就越真實(shí)越自然。
在當(dāng)今的主流采集卡上，采樣頻率一般共分為22.05KHz、44.1KHz、48KHz三個(gè)等級(jí)，22.05KHz只能達(dá)到FM廣播的聲音品質(zhì)，44.1KHz則是理論上的CD音質(zhì)界限（人耳一般可以感覺到20-20K Hz的聲音，根據(jù)香農(nóng)采樣定理，采樣頻率應(yīng)該不小于最高頻率的兩倍，所以40KHz是能夠?qū)⑷硕犚姷穆曇暨M(jìn)行很好的還原的一個(gè)數(shù)值，于是CD公司把采樣率定為44.1KHz），48KHz則更加精確一些。
對(duì)于高于48KHz的采樣頻率人耳已無法辨別出來了，所以在電腦上沒有多少使用價(jià)值。
2.量化：進(jìn)行分級(jí)量化，將信號(hào)采樣的幅度劃分成幾個(gè)區(qū)段，把落在某區(qū)段的采樣到的樣品值歸成一類，并給出相應(yīng)的量化值。根據(jù)量化間隔是否均勻劃分，又分為均勻量化和非均勻量化。
均勻量化的特點(diǎn)為“大信號(hào)的信噪比大，小信號(hào)的信噪比小”。缺點(diǎn)為“為了保證信噪比要求，編碼位數(shù)必須足夠大，但是這樣導(dǎo)致了信道利用率低，如果減少編碼位數(shù)又不能滿足信噪比的要求”（根據(jù)信噪比公式，編碼位數(shù)越大，信噪比越大，通信質(zhì)量越好）。
通常對(duì)語音信號(hào)采用非均勻量化，基本方法是對(duì)大信號(hào)使用大的量化間隔，對(duì)小信號(hào)使用小的量化間隔。由于小信號(hào)時(shí)量化間隔變小，其相應(yīng)的量化噪聲功率也減?。ǜ鶕?jù)量化噪聲功率公式），從而使小信號(hào)時(shí)的量化信噪比增大，改善了小信號(hào)時(shí)的信噪比。
量化后，信號(hào)不僅在時(shí)間上不再連續(xù)，在幅度上也不連續(xù)了。經(jīng)過量化處理之后，離散時(shí)間信號(hào)變成了數(shù)字信號(hào)。
3.編碼：在量化之后信號(hào)已經(jīng)變成了數(shù)字信號(hào)，需要將數(shù)字信號(hào)編碼成二進(jìn)制。“CD質(zhì)量”的語音采用44100個(gè)樣本每秒的采樣率，每個(gè)樣本16比特，這個(gè)16比特就是編碼的位數(shù)。
采樣，量化，編碼的過程稱為A/D轉(zhuǎn)換，如下圖所示。反過程為D/A轉(zhuǎn)換，因?yàn)锳/D之前進(jìn)行了預(yù)濾波，D/A轉(zhuǎn)換后面還需要加一個(gè)平滑濾波器。A/D轉(zhuǎn)換，D/A轉(zhuǎn)換，濾波這些功能都可以用一塊芯片來完成，在市面上能買到各種這樣的芯片。
4 語音信號(hào)的預(yù)處理（聲音的預(yù)處理）
語音信號(hào)的預(yù)處理一般包括預(yù)加重，分幀，加窗，端點(diǎn)檢測(cè)。
預(yù)加重：求語音信號(hào)頻譜（頻譜是指時(shí)域信號(hào)在頻域下的表示方式，關(guān)于頻域和時(shí)域的理解如下圖所示），頻率越高相應(yīng)的成分越小，高頻部分的頻譜比低頻部分的難求，為此要在預(yù)處理中進(jìn)行預(yù)加重（Pre-emphasis）處理。預(yù)加重的目的是提高高頻部分，使信號(hào)的頻譜變得平坦，以便于頻譜分析或者聲道參數(shù)分析。預(yù)加重可在語音信號(hào)數(shù)字化時(shí)在反混疊濾波器之前進(jìn)行，但一般是在語音信號(hào)數(shù)字化之后。
短時(shí)分析：語音信號(hào)從整體來看是隨時(shí)間變化的，是一個(gè)非平穩(wěn)過程，不能用處理平穩(wěn)信號(hào)的數(shù)字信號(hào)處理技術(shù)對(duì)其進(jìn)行分析處理。但是，由于不同的語音是由人的口腔肌肉運(yùn)動(dòng)構(gòu)成聲道某種形狀而產(chǎn)生的響應(yīng)，這種運(yùn)動(dòng)對(duì)于語音頻率來說是非常緩慢的，所以從另一方面看，雖然語音信號(hào)具有時(shí)變特性，但是在一個(gè)短時(shí)間范圍內(nèi)（一般認(rèn)為在10-30ms）其特性基本保持相對(duì)穩(wěn)定，即語音具有短時(shí)平穩(wěn)性。所以任何語音信號(hào)的分析和處理必須建立在“短時(shí)”的基礎(chǔ)上，即進(jìn)行“短時(shí)分析”。
分幀：為了進(jìn)行短時(shí)分析，將語音信號(hào)分為一段一段，其中每一段稱為一幀，一般取10-30ms，為了使幀與幀之間平滑過渡，保持連續(xù)性，使用交疊分段的方法，可以想成一個(gè)指針p從頭開始，截取一段頭為p，長度為幀長的片段，然后指針p移動(dòng)，移動(dòng)的步長就稱為幀移，每移動(dòng)一次都截取一段，這樣就得到很多幀。
加窗：加窗就是用一定的窗函數(shù)w(n)來乘s(n)，從而形成加窗語音信號(hào)sw(n)=s(n)?w(n)，常用的窗函數(shù)是矩形窗和漢明窗，用矩形窗其實(shí)就是不加窗，窗函數(shù)中有個(gè)N，指的是窗口長度（樣本點(diǎn)個(gè)數(shù)），對(duì)應(yīng)一幀，通常在8kHz取樣頻率下，N折中選擇為80-160（即10-20ms持續(xù)時(shí)間）。
端點(diǎn)檢測(cè)：從一段語音信號(hào)中準(zhǔn)確地找出語音信號(hào)的起始點(diǎn)和結(jié)束點(diǎn)，它的目的是為了使有效的語音信號(hào)和無用的噪聲信號(hào)得以分離。對(duì)于一些公共的語音數(shù)據(jù)集可以不做這步操作，因?yàn)檫@些語音的內(nèi)容就是有效的語音信號(hào)（可以認(rèn)為研究人員已經(jīng)對(duì)數(shù)據(jù)做過端點(diǎn)檢測(cè)）。
語音信號(hào)的特征（聲音的特征）
特征的選取是語音處理的關(guān)鍵問題，特征的好壞直接影響到語音處理（比如語音識(shí)別）的精度。然而在語音領(lǐng)域中，沒有一個(gè)所謂的標(biāo)準(zhǔn)特征集，不同的語音系統(tǒng)選取的特征組合不盡相同。
語音的特征一般是由信號(hào)處理專家定義的，比較流行的特征是MFCC（梅爾頻率倒譜系數(shù)）。
5 語音情感識(shí)別算法
常用的機(jī)器學(xué)習(xí)分類器：模式識(shí)別領(lǐng)域的諸多算法（傳統(tǒng)）都曾用于語音情感識(shí)別的研究，比如GMM（高斯混合模型），SVM，KNN，HMM（隱馬爾可夫模型）。用LLDs（low level descriptors）和HSFs（high level statistics functions）這些手工設(shè)計(jì)特征去訓(xùn)練。
聲譜圖+CRNN：最近很多人用聲譜圖加上CNN，LSTM這些深度學(xué)習(xí)模型來做。還有手工特征加聲譜圖一起作為特征放進(jìn)深度學(xué)習(xí)模型。也有人用DBN，但是不多。
3.手工特征+CRNN：也有人用手工特征加CRNN做。
————————————————
版權(quán)聲明：本文為CSDN博主「醒了的追夢(mèng)人」的原創(chuàng)文章，遵循CC 4.0 BY-SA版權(quán)協(xié)議，轉(zhuǎn)載請(qǐng)附上原文出處鏈接及本聲明。
檢信智能公眾號(hào)
