苏大语音信号处理研究生就业前景

语音信号处理的三个方面以及各自的目标：1.语音合成。语音合成的是为了让计算机产生高质量的、高自然度的连续语音。计算机语音合成系统又称文语转换系统（TTS），主要是将文本输出语音。发展过程：共振峰合成、LPC合成、PSOLA技术。2.语音编码。在语音信号传输过程中，频率资源的合理使用，显得很珍贵，所以在传输之前，先将语音信号进行语音编码压缩。3.语音识别。语音识别涉及到语言学、计算机科学、信号处理、生理学等相关学科，是模式识别的分支。其主要目的是让计算机通过识别和理解将语音翻译成可执行的命令或者是文本。主要研究方向：根据说话方式，孤立语音识别系统，连接词语音识别系统，连续语音识别系统。根据说话人，特点人识别系统，非特点人识别系统。根据词汇量，小词汇语音识别系统，中等词汇语音识别系统，大词汇语音识别系统，无穷词汇识别系统。

在音频数字化的过程中，对模拟语音信号处理的步骤依次为（　　）A. 采样、量化、编码B. 量化、采样、编码C. 采样、编码、量化D. 编码、量化、采样正确答案：A把模拟信号转换成数字信号的过程：采样→量化→编码．把模拟信号转换成数字信号的过程称为模/数转换，它主要包括：采样：在时间轴上对信号数字化；量化：在幅度轴上对信号数字化；编码：按一定格式记录采样和量化后的数字数据。【拓展资料】数字音频计算机数据的存储是以0、1的形式存取的，那么数字音频就是首先将音频文件转化，接着再将这些电平信号转化成二进制数据保存，播放的时候就把这些数据转换为模拟的电平信号再送到喇叭播出，数字声音和一般磁带、广播、电视中的声音就存储播放方式而言有着本质区别。相比而言，它具有存储方便、存储成本低廉、存储和传输的过程中没有声音的失真、编辑和处理非常方便等特点。

为了节省计算工作量及存储空间，在一个信号处理系统中常常需要不同的采样率及其相互转换，在这种需求下，多速率数字信号处理产生并发展起来。它的应用带来许多好处，例如：可降低计算复杂度、降低传输速率、减少存储量等。多速率信号处理自发展以来，至今在基础理论方面已经趋于成熟，其广泛的应用领域也得到了人们的重视。多阶滤波器可以减少执行时间和占用空间，多采样率滤波器可以实现采样率间的转换。本文给出的多阶多采样率滤波器的设计方法，结合了两者的优点，既实现了多采样率输出的应用需求，又提高了效率，节省了空间。多速率信号处理与其它信号处理理论的结合将有更好的应用前景。

语音信号处理-基本概念（一）：音频长度（s）、采样率（Hz；如16000）、帧长（25ms）、帧数、帧移（12.5ms）、hop_size（每帧移动的样本点数=16000*12.5/1000=200）

语音信号不是数字信号。语音作为一种搭载着特定的信息模拟信号，已成为人们社会生活中获取信息和传播信息的重要的手段。语音信号处理的目的就是在复杂的语音环境中提取有效的语音信息。环境干扰在语音传播过程中对信号的影响不容小觑，因此语音信号处理的抗噪声能力已经成为一个重要的研究方向。语音的两个重要声学特性：基音频率(F0)：由声带的尺寸、特性和声带所受张力决定，其值等于声带张开和闭合一次的时间的倒数（此处去掉就是基音周期的定义）。人类基音频率的范围在80～500Hz左右。共振峰(Fn,n=1,2,...)：声道是一个谐振腔，它放大声音气流的某些频率分量而衰减其他频率分量，被放大的频率我们称之为共振峰或共振峰频率。而数字信号指自变量是离散的、因变量也是离散的信号，这种信号的自变量用整数表示，因变量用有限数字中的一个数字来表示。在计算机中，数字信号的大小常用有限位的二进制数表示。

可以系统地分析语音信号的基本特征。设计语音信号分析及合成的意义在于较全面地掌握语音信号频谱分析的基本理论、原理和实现手段，较系统地分析语音信号的基本特征，使学生具有一定综合分析问题和解决问题的能力。语音信号分析是语音信号处理的前提和基础，只有分析出可表示语音信号本 质特征的参数才有可能利用这些参数进行高效的语音通信、语音合成和语音识别等处理。

分贝(decibel, db)是一个对数单位, 通常用于描述声音的等级。 假设有两个音源A和B，其中音源B的功率P2是音源A功率P1的两倍， 即 P2/P1 = 2 那么在其它条件相同的情况下(声音的频率， 听的距离)，衡量两个声音的等级 但有时候我们又看到20倍log()，这是咋回事呢？ 20 log使用的单位通常是声压 （sound pressure)，功率可以看做是声压的平方，其实它们是对等的: 参考声压：20 μPa，认为是人耳能感受的极限 0 db 表示什么？ 只是表示待测试的声压刚好等于参考声压20 μPa，并不代表没有声音，可以认为该声压人耳无法感知，但振动还是存在的。同理- 20 dB就表示更微弱的振动了，只有参考声压的1/10 假设声源辐射的总能量为P，声音是均匀辐射的额，单位面积接收到的能量为I 换句话说: 如果我们将距离加倍，则声压降低2倍，强度降低4倍，声级降低6 dB 音量代表声音的强度，可由一个窗口或一帧内信号振幅的大小来衡量，一般有两种度量方法： （1）每个帧的振幅的绝对值的总和： 其中 为该帧的第i个采样点，n为该帧总的采样点数。这种度量方法的计算量小，但不太符合人的听觉感受。 （2）样本平方和取10为底的对数的10倍 它的单位是分贝（Decibels），是一个对数强度值，比较符合人耳对声音大小的感觉，但计算量稍复杂。 音量计算的Python实现如下：

《语音信号处理(第2版)》介绍了语音信号处理的基础、原理、方法和应用，以及该学科领域近年来取得的一些新的研究成果和技术。全书共分14章，包括绪论、语音信号处理基础知识、语音信号分析、矢量量化技术、隐马尔可夫模型、神经网络在语音信号处理中的应用、语音编码、语音合成、语音识别、说话人识别与语种辨识、语音转换与语音隐藏、语音信号中的情感信息处理、耳语音信号处理、语音增强等内容。《语音信号处理(第2版)》可作为高等院校教材或教学参考用书，也可供从事语音信号处理等领域的工程技术人员参考。

语音信号处理的研究起源于对发音器官的模拟。1939年美国H．杜德莱(H．Dudley)展出了一个简单的发音过程模拟系统，以后发展为声道的数字模型。利用该模型可以对语音信号进行各种频谱及参数的分析，进行通信编码或数据压缩的研究，同时也可根据分析获得的频谱特征或参数变化规律，合成语音信号，实现机器的语音合成。利用语音分析技术，还可以实现对语音的自动识别，发音人的自动辨识，如果与人工智能技术结合，还可以实现各种语句的自动识别以至语言的自动理解，从而实现人机语音交互应答系统，真正赋予计算机以听觉的功能。语言信息主要包含在语音信号的参数之中，因此准确而迅速地提取语言信号的参数是进行语音信号处理的关键。常用的语音信号参数有：共振峰幅度、频率与带宽、音调和噪音、噪音的判别等。后来又提出了线性预测系数、声道反射系数和倒谱参数等参数。这些参数仅仅反映了发音过程中的一些平均特性，而实际语言的发音变化相当迅速，需要用非平稳随机过程来描述，因此，20世纪80年代之后，研究语音信号非平稳参数分析方法迅速发展，人们提出了一整套快速的算法，还有利用优化规律实现以合成信号统计分析参数的新算法，取得了很好的效果。当语音处理向实用化发展时，人们发现许多算法的抗环境干扰能力较差。因此，在噪声环境下保持语音信号处理能力成为了一个重要课题。这促进了语音增强的研究。一些具有抗干扰性的算法相继出现。当前，语音信号处理日益同智能计算技术和智能机器人的研究紧密结合，成为智能信息技术中的一个重要分支。语音信号处理是一门多学科的综合技术。它以生理、心理、语言以及声学等基本实验为基础，以信息论、控制论、系统论的理论作指导，通过应用信号处理、统计分析、模式识别等现代技术手段，发展成为新的学科。1965年出版的《语音的分析、合成与感知（J．L．Flanagan著），1976年出版的《语音信号线性预测》(J．Q．Makoul与A．H．Gray著），以及1978年出版的《语音信号数字处理R．Rabiner和R．W．Shafer著）等教材比较全面地反映了这门学科的一些基本理论、 方法及成果。我国学者吴宗济、林茂灿主编的《实验语音学概要》，从语音产生的物理基础、生理基础、语音知觉的心理基础以及元音、辅音和声调特征等方面，给出了较详细的实验研究方法和数据。80年代后期开始对听觉器官耳蜗的研究，为研究非线性语音处理方法提供了可供借鉴的依据。高速信号处理器的迅速发展，神经网络模拟芯片的研究成功，为实现实时语音处理系统创造了物质条件，使大批语音处理技术实际应用于生产、国防等许多部门。语音信号处理在通信、国防等部门中有着广阔的应用领域。为了改善通信中语言信号的质量而研究的各种频响修正和补偿技术，为了提髙效率而研究的数据编码压缩技术，以及为了改善通信条件而研究的噪声抵消及干扰抑制技术，都与语音处理密切相关。在国防通信及指挥部门中，应用语音处理，可以实现在各种不同通信条件下的话带保密通信，计算机网络中的话音和数据综合通信，在强噪声环境(例如，髙性能战斗机，直升机环境和战场指挥所等）中使用的语音识别装置，克服强干扰影响语音降质的噪声消除装置，说话人识别与说话人证实，以及各种先进空中交通控制用的交互式语音识别/合成接口等等，都是现代指挥自动化的重要组成部分。在金融部门应用语音处理，开始利用说话人识别和语音识别实现根据用户语音自动存款、取款的业务。在仪器仪表和控制自动化生产中，利用语音合成读出测量数据和故障警告。随着语音处理技术的发展，可以预期它将在更多部门得到应用。尽管语音处理的研究已经经历了将近50年的历史，取得了许多成果，但是还面临着一系列理论和方法上的实际问题。例如在编码技术方面，中速编码已经可以提供满意的通信音质，那么低速编码是否也能突破低通信音质的局限，达到电话音质的要求？在识别方面，连续语音的分割，大词量语音的识别和识别任何人的语音等方面尚无可靠的办法。在语音理解方面，关于语义信息的定性描述和定量估计，都还没有统一的计算方法等，这些都是今后研究的重要方向。

语音信号处理是研究用数字信号处理技术对语音信号进行处理的一门新兴学科。语音信号处理的应用极为广泛，其中的主要技术包括语音编码、语音合成、语音识别和语音增强等。本文选取语音识别作为重点讨论课题。 语音识别就是让计算机听懂人的话，并做出正确的反应。目前主流的语音识别技术是基于统计模式识别的基本理论。 本文首先对语音信号处理进行了概述，其中包括各种处理技术、发展及应用。接下来主要介绍了语音识别方面的知识。根据语音识别系统的基本构成模型，介绍了预处理、端点检测到模板匹配各个部分所涉及到的语音数字信号处理原理和方法。重点研究了孤立词识别系统的原理、构成及各部分的实现算法。并在MATLAB平台上进行了系统的仿真。

1．1 语音处理技术的发展概况1．2 语音信号处理的应用 2．1 语音声学基础2．2 语音的感知2．3 语音的产生2．4 元音2．5 辅音2．6 汉语音节 3. 1 语音信号及其数字化3. 2 语音信号的时间依赖处理3．3 短时能量和短时平均幅度3．4 短时平均过零率3．5 语音端点检测3．6 短时自相关函数3．7 短时平均幅度差函数3．8 基音周期估计方法 4．1 短时傅里叶变换的定义和物理意义4．2 基于短时傅里叶变换的语谱图及其时频分辨率4．3 基于短时傅里叶变换的信号重构4．4 基音同步分析法4．5 复倒谱和倒谱4．6 语音信号的倒谱分析与同态解卷积 5．1 线性预测的基本原理5．2 线性预测方程组的解法5．3 线性预测的频域解释5．4 线性预测的几种推演参数5．5 线谱对分析法5．6 基于线性预测参数的声道滤波器的实现 6．1 时频分布理论和语音信号的时频表示6．2 小波理论及其在语音处理中的应用6．3 语音信号的参数表示及其失真测度6．4 矢量量化技术及其在语音处理中的应用 7．1 语音识别系统7．2 语音识别中的特征提取及谱失真测度7．3 矢量量化技术在语音识别中的应用7．4 模板匹配法7．5 隐马尔可夫模型技术7．6 连接词语音识别系统7．7 大词汇量连续语音识别系统7．8 说话人自适应技术7．9 关键词检出7．10 语音理解7．11 人工神经网络技术在语音识别中的应用 8．1 说话人识别的基本原理和应用8．2 说话人识别的特征选择8．3 说话人识别的主要方法8．4 语种辨识的原理和应用 9．1 语音合成方法9．2 汉语语音的按规则合成 10. 1 不依赖模型假定的语音编码方法10. 2 基于模型假定的语音编码方法10．3 极低速率语音编码技术10．4 语音编码器的性能指标和评测方法10．5 语音质量评价 1．语音基音检测子程序2．语音信号线性预测分析子程序3，基于线性预测的倒谱系数计算子程序4．Viterbi算法子程序

语音属于准稳态信号，即短时平稳。这个短时长一般为10-30ms，因此在进行语音信号处理时，为减少语音信号整体的非稳态、时变的影响，从而对信号进行分帧处理。针对语音数据的频谱分析视图，叫语谱图。语谱图的横坐标是时间，纵坐标是频率，坐标点值为语音数据能量。由于是采用二维平面表达三维信息，所以能量值的大小是通过颜色来表示的，颜色深，表示该点的语音能量越强。窄带语谱图有良好的频率分辨率及较差的时间分辨率；而宽带语谱图具有良好的时间分辨率及较差的频率分辨率。窄带语谱图中的时间坐标方向表示的是基音及各次谐波；而宽带语谱图给出的共振峰频率及清辅音的能量汇集区。语谱图上不同的黑白程度形成不同的纹路，我们称为“声纹”。条纹的地方实际是颜色深的点聚集的地方，随时间延续，就延长成条纹，也就是表示语音中频率值为该点横坐标值的能量较强，在整个语音中所占比重大，那么相应影响人感知的效果要强烈得多。

　　语音技术涉及到语音编码、语音合成、语音识别、语音技术应用等多个技术领域。本文讨论的不是语音编码的标准问题，而是对语音合成与识别领域的技术标准做一个研究与探讨。 　　语音技术涉及到语音编码、语音合成、语音识别、语音技术应用等多个技术领域。目前，关于语音编码，国际标准化组织ISO和国际电信联盟ITU上已经制订了一系列的技术标准，分别应用在有线通信、移动通信、数字音响等领域。但是，关于语音合成与识别技术的标准还没有一个统一的规范，ISO和ITU在这些领域也没有颁布技术标准和规范。虽然有些标准化组织、研究机构和大公司提出了各自的技术规范草案，但是没有得到广泛的承认和支持。国际上，许多跨国公司，如IBM、Microsoft、AT&T、Naunce、Sun System等对语音技术的研究已经持续了多年，对制定语音技术领域的标准非常关心并积极参与，希望能把各自公司的研究成果纳入到技术规范和标准中去，以期在激烈的竞争中处于技术的制高点。现在，与互联网有关的语音技术应用领域，相关的国际语音标准发展迅速，形成了VoiceXML和SALT两大语音标准阵营，并各自都获得了广泛的支持。但是，对语音合成与识别的核心技术，如系统框架、接口规范等还没有统一的标准。本文不讨论语音编码的标准问题，而是对语音合成与识别领域的技术标准做一个初步的探讨。 　　 　　语音技术标准的三个层面 　　 　　虽然目前国际上还没有统一的、得到广泛承认和支持的语音合成与识别领域的技术标准，但是，这方面的研究工作发展迅速，近几年推出了许多研究成果，特别是W3C组织积极推动并发布了多个语音技术应用方面的规范或标准。例如， W3C发布了Voice Browser(语音浏览器)标准的草案。在这个标准中，Voice Browser标准(草案)定义了几种支持语音输入和输出的链接语言。这些链接语言使语音设备可以跨越各种硬件和软件平台,特别是设计了关于对话、语音识别语法、语音合成、自然语言语义和搜集可重复使用的对话组件的链接语言。这些链接语言和组件就构成了未来语音界面框架。现在，这个标准组中的参加成员有AT&T、Cisco、Hitachi、HP、IBM、Intel、 Lucent、Microsoft、Motorola、Nokia、Nortel、Sun和Unisys等公司。由于语音识别与合成技术还处在迅速发展阶段，制订出一套合适的技术标准很不容易。关于语音技术(除了语音编码)有关标准的制定工作主要集中在三个层面。 　　语音技术应用: 在这个层面上，主要规定在应用开发中如何使用语音合成与识别技术，即应用程序与语音合成/识别引擎之间的通信协议/语言，许多跨国公司积极参加了这个层面的规范与标准的起草、制订工作，例如，如IBM、AT&T、Naunce、Microsoft、Sun System等，推动并且形成了VoiceXML和SALT两大语音标准阵营。从开发者的角度看，这些标准都是面向应用系统开发用的。万维网联盟W3C主持了VoiceXML的起草和制定工作，并从2000年开始陆续发布了VoiceXML的多个版本，其中包括了语音识别语法规范和语音合成标记语言等。这些标准不仅使应用程序可以移植，而且还能够使语法相关联。VoiceXML 2.0是一种标记语言，用于建立话音界面，相当于带语音功能的HTML。现在已经有数百个大的厂商开发了基于VoiceXML的应用程序。SALT表示语音应用标记语言，它是在现有的标记语言，如在HTML、XHTML的基础上，增加了对语音和多媒体功能的支持而形成的。对语音应用，它主要关注的是如何通过电话得到语音服务。2002年，SALT联盟论坛发布了SALT技术规范的草案，并且把它提交给了W3C，希望能成为技术标准。参加和支持SALT技术规范的大公司包括: Cisco Systems Inc., Comverse Inc., Intel Corp., Microsoft Corp., Philips Speech Processing 以及 SpeechWorks International Inc.等。 　　语音识别/合成系统性能评测标准: 美国国家技术与标准研究所(NIST)主持了这个方面的工作。从20世纪90年代中期开始，NIST就开始组织语音识别/合成系统的性能评测工作。由于语音识别/合成系统的实现技术各种各样，对它们的评测实际上是相当困难的。20世纪90年代初期的时候，语音识别/合成系统大量推出，但往往出现下面的情况: 某个系统在推出时，声称该系统有很高的性能，但实际应用的时候其性能与宣传的差别很大。因此，NIST认为应制定出一套评价语音识别/合成系统的技术标准，让所有的语音识别/合成系统在这套评测标准下进行评估，以得到客观的性能评价指标。在该领域，NIST陆续制定了评价语音识别/合成系统的词错误率WER的计算规范，语言模型的复杂度的计算规范，训练和测试语料的选取，系统响应时间标准，合成语音自然度的评价规范，测试程序的规范等。近年来，NIST又制定了针对其它语种(如，汉语，日语等)的评价标准。NIST的评价标准迅速得到了语音识别/合成领域开发者的支持，越来越多的大公司积极参加NIST组织的评测活动，同时也推动了语音识别/合成技术的发展。国内的“863”智能人机接口专家组也开展了类似的工作，陆续制定了针对汉语语音识别与合成系统性能的评价规范。 　　语音识别/合成引擎及其开发接口: 在这个层面上还没有一个技术标准或规范被广泛承认和采纳。ISO、ITU、NIST、W3C等标准化组织都没有在该方面推出技术标准或规范。实际上，这方面的工作涉及到许多语音识别/合成系统的具体实现问题，而系统的实现方法千变万化，难以用一个统一的规范和标准来规范。虽然没有语音识别/合成引擎及其开发接口的统一的标准和规范，但一些开发厂商和研究机构还是制定了各自的规范，在各自的语音系统中得到了实现，并随着语音识别/合成系统的推出而发布。 　　IBM在其推出的语音识别与合成引擎ViaVoice中规定了开发接口，提供了几百个开发接口函数。Microsoft推出了基于它的语音识别与合成引擎开发语音应用的接口Speech SDK, 在其中也提供了类似的开发接口函数。但是，IBM和Microsoft的语音识别与合成引擎的实现细节没有公开，也没有提供这方面的技术规范。另外，美国的CMU大学、英国剑桥大学电子工程系的HTK开发组都发布了开放式的语音识别与合成引擎的源码以及相应的开发工具，它们的语音识别与合成引擎的实现方法纷纷被众多的开发者所借鉴，从而形成了业界很有影响的开发规范，但是，这些规范也不是标准。目前，有许多语音识别与合成引擎，但是没有提供实现的技术规范，因此，这些系统的实现和提供的接口只是遵守各自特殊的规定，没有规范化并得到广泛的应用。 　　 　　中文语音技术标准现状 　　 　　制订中文语音技术的有关标准，对促进中文语音技术应用、推动中文语音产业发展、增强民族软件核心竞争力均具有非常重要的意义。国家信息产业部、“863”专家组、国家技术监督局和国家信息标准化委员会分别于2001年、2002年、2003年召开了三届语音标准研讨会，并于2003年11月由信息产业部科技司正式下文成立了“中文语音交互技术标准工作组”。 　　“中文语音交互技术标准工作组”是由国内产、学、研、用等企事业单位以及大专院校等自愿联合组织、经信息产业部科技司批准成立的、组织开展中文语音交互领域技术标准制定和研究活动的非营利性技术工作组织。该工作组的主要工作任务是研究并制定与中文语音交互技术有关的数据交换格式、系统架构与接口、系统分类与评测及数据库格式与标注等方面的标准。目前，语音合成和语音识别通用标准已正式立项为国家标准，报批稿已经完成，多个产业相关的应用技术标准也正在制定之中。 　　国家“863”智能人机接口专家组在20世纪90年代中后期邀请国内的一些研究机构和大学制订了针对汉语语音识别与合成系统的评价规范，该评价规范应用到了历届对“863”支持的汉语语音识别与合成系统的评价过程中。如果从语音识别与合成技术标准的三个层面考察，国内在该领域的研究工作主要集中在系统性能的评价规范的制订上，至今还没有正式实施的国家标准。但是，随着国内的语音应用开发地迅速发展，没有一个统一的技术规范或标准会造成许多开发重复，资源浪费。 　　例如，如果语音识别与合成引擎支持媒体资源控制协议(MRCP)， 语音应用开发者采用MRCP，IVR和语音识别与合成引擎开发厂商之间的专有用的连接器就不需要了。再如，随着语音技术和应用市场需求增大的同时，面临着复杂系统互联的问题。在系统的互联接口、内容交换数据格式等方面没有一个大家共同遵循的标准，其开发难度、维护难度和运营难度是非常巨大的; 没有一个大家共同遵循的标准，语音合成/识别引擎与电话设备、后台数据库、地理信息、无线定位等其他组成部分完成通信也是非常困难的，这些都成了阻碍语音应用大规模发展的绊脚石。因此，制订和研究汉语语音技术领域的标准已迫在眉睫。 　　 　　技术标准的主要内容 　　 　　为了适应网上语音浏览、语音信息检索、交互式语音应用的发展需求，语音识别与合成技术的标准制订工作的重点目前应该集中语音技术应用层面和语音识别/合成引擎及其开发接口上。这样的一个标准或规范必须是有代表性的，通用的，被广泛接受和采用的; 显然，制定一个这样的标准不能闭门造车，要有标准的使用机构或潜在的使用机构参与，还必须与国际上已有的类似的标准接轨，与国际上的标准化机构，如ISO、W3C、ITU等密切合作。值得注意的是，语音识别/合成的实现算法千差万别，该领域的标准或规范只能提供一个实现框架，没有必要对具体的实现算法和技术细节进行约束。另外，语音技术标准还应该与具体应用无关，与语音识别/合成引擎无关等。 　　如上所述，语音技术标准(除了语音编码)的制订工作主要集中在三个不同的层面上。这三个层面标准的内容分别是: 　　语音技术应用: 一般基于语音的应用都有如下图所示的架构(已简化)。 　　在这个层面上，语音技术标准的主要内容是: 规定语音输入、语音输出、识别结果、返回结果的格式和属性。语音输入和语音输出属于用户与语音信号处理引擎之间的交互过程，所以，这部分也包括语音用户界面的内容; 识别结果是语音信号处理引擎输出的结果，也是识别结果执行引擎的输入，识别的结果一般是文本或命令，如何将识别结果格式化是该层面的主要任务; 返回结果是识别结果执行引擎的输出，也是语音信号处理引擎的输入，经语音信号处理引擎处理后，以语音的方式返回给用户。为此，需要规定语音输出的参数格式，如韵律特征、重音特征和停顿等。制订这方面的标准内容还应该考虑汉语语言和语音结构的特殊性。现在已经发布的技术标准或规范主要是VoiceXML和SALT，它们都属于描述和规定语音技术应用的层面，都是基于标记语言的格式。 　　语音识别/合成系统性能评测标准: 在这个层面上，语音技术标准的主要内容是: 评价语音识别引擎的性能指标，主要包括: 词汇量大小、识别方式、词错误率WER、语言模型复杂度、响应时间、训练和测试语料等; 评价语音合成引擎的性能指标，主要包括: 词汇量、自然度、清晰度、测试语料等。虽然我们可以借鉴NIST在这方面的经验和标准，但是针对汉语语音识别/合成系统性能评测标准，我们不能照搬，必须考虑汉语的特点。 　　语音识别/合成引擎及其开发接口: 在这个层面上，语音技术标准的主要内容是: 规定语音识别引擎的输入/输出的格式，如输入语音的方式(已有的语音数据的输入/Mic语音输入)、语音数据的格式、语音特征向量的格式、控制参数的语义格式、输出是文本串的格式、拼音串的格式、音素串的格式等，提供给用户开发接口的函数名、入口/出口参数、功能描述等; 但是，语音识别引擎的实现细节不应该包含在此部分的标准内，如引擎应该包含哪些模块，使用什么样的语音特征向量，如何计算语音特征向量，如何建立模板，如何匹配计算等，都不应该加以约束，而允许开发者采用适当的算法实现。关于规定语音合成引擎，需要规定的是: 输入的格式，如纯文本/拼音、带有控制串的文本/拼音、控制串的语义格式描述、输出的格式、提供给用户开发接口的函数名、入口/出口参数、功能描述等; 但是，语音合成引擎的实现细节不应该包含在此部分的标准内，如引擎应该包含哪些模块，如何进行输入文本的分析，如何分词，采用什么样的合成基元和算法等，都不应该加以约束。关于这部分标准的内容，IBM和Microsoft语音识别/合成引擎开发文档提供了详细的开发接口函数的信息，而且功能基本相同，可以为制订语音识别/合成引擎开发接口提供参考。语音识别引擎开发工具包HTK详细描述了如何开发一个新的语音识别引擎，对制订该部分标准的内容也具有参考意义。 　　 　　链接:推动技术标准制订 　　 　　语音技术在网络浏览器和其他领域的的需求越来越迫切，制订语音技术标准或规范的条件工作已经基本就绪，但针对各个具体语种的工作还很多。万维网联盟W3C在制定语音技术标准或规范方面做了大量工作，从2000年开始，先后发布了一系列用于语音识别、语音合成的标记语言规范; 为了制订一种通用标准，并被广泛采用，W3C邀请了国际上的大公司，如Sun、 IBM、Intel、微软等参加工作组。除了语音识别/合成标记语言，工作组还在开发语义翻译和呼叫控制扩展标记语言两种语音标准。这些标准都是W3C语音接口框架的重要部分，目的是为网络建立语音应用软件。 　　据报道，W3C计划提出针对普通话的语音技术标准，并计划加入日语、韩语等亚洲语种。到目前为止，W3C推出的语音技术标准中最成功的是VoiceXML 2.0，支持VoiceXML 2.0的Web浏览器可以解释VoiceXML 2.0脚本并向用户呈现语音信息，同时还能接受用户的语音请求，其功能相当于语音浏览器，大大促进了语音技术在网络中的应用。

语音编码已经比较成熟，有很多现成标准。语音合成已有比较成熟的方案，国内如科大讯飞的。语音降噪技术发展也很多年，主要分为去除平稳噪声的单麦克风降噪，以及抑制方向性噪声的双麦克风降噪。总体而言，以feature形式存在居多，难以从根本上提高语音质量。毕竟，什么信号处理技术也难以和人耳听觉系统的处理能力相比啊。回音消除技术严格说来，应该属于音频信号处理。不过其中的残余回声抑制，属于语音信号处理。可以看成是语音降噪技术的一种扩展，跟单麦克和双麦克方式都有一定的联系。这个目前在VOIP技术中已经应用广泛，可提高余地已经不大。语音识别技术目前的技术框架主要基于模式识别，对数据的匹配性要求很高，对方言，口音，以及口语的处理能力还存在很大的瓶颈。对于标准口音，还是可以处理的，不过也需要用户不低的配合度。总体而言，实用上来讲，当前的技术还是略显鸡肋。所有这些技术目前都有不少性能不错的开源项目。可以参考使用。不过共同的问题是，似乎没看到一个非常光明的前进方向。

数字技术的出现与应用为人类带来了深远的影响，人们如今已生活在一个几乎数字化的世界之中，而数字音频技术则称得上是应用最为广泛的数字技术之一，CD、VCD等早已走进千家万户，数字化广播正在全球范围内逐步得到开展，正是这些与广大消费者密切相关的产品及应用成为了本文将要介绍的主题：数字音频压缩技术得以产生和发展的动力。1、音频压缩技术的出现及早期应用音频压缩技术指的是对原始数字音频信号流（PCM编码）运用适当的数字信号处理技术，在不损失有用信息量，或所引入损失可忽略的条件下，降低（压缩）其码率，也称为压缩编码。它必须具有相应的逆变换，称为解压缩或解码。音频信号在通过一个编解码系统后可能引入大量的噪声和一定的失真。数字信号的优势是显而易见的，而它也有自身相应的缺点，即存储容量需求的增加及传输时信道容量要求的增加。以CD为例，其采样率为44.1KHz，量化精度为16比特，则1分钟的立体声音频信号需占约10M字节的存储容量，也就是说，一张CD唱盘的容量只有1小时左右。当然，在带宽高得多的数字视频领域这一问题就显得更加突出。是不是所有这些比特都是必需的呢？研究发现，直接采用PCM码流进行存储和传输存在非常大的冗余度。事实上，在无损的条件下对声音至少可进行4：1压缩，即只用25％的数字量保留所有的信息，而在视频领域压缩比甚至可以达到几百倍。因而，为利用有限的资源，压缩技术从一出现便受到广泛的重视。对音频压缩技术的研究和应用由来已久，如A律、u律编码就是简单的准瞬时压扩技术，并在ISDN话音传输中得到应用。对语音信号的研究发展较早，也较为成熟，并已得到广泛应用，如自适应差分PCM（ADPCM）、线性预测编码（LPC）等技术。在广播领域，NICAM（NearInstantaneousCompandedAudioMultiplex-准瞬时压扩音频复用）等系统中都使用了音频压缩技术。2、音频压缩算法的主要分类及典型代表一般来讲，可以将音频压缩技术分为无损（lossless）压缩及有损（lossy）压缩两大类，而按照压缩方案的不同，又可将其划分为时域压缩、变换压缩、子带压缩，以及多种技术相互融合的混合压缩等等。各种不同的压缩技术，其算法的复杂程度（包括时间复杂度和空间复杂度）、音频质量、算法效率（即压缩比例），以及编解码延时等都有很大的不同。各种压缩技术的应用场合也因之而各不相同。（1）时域压缩（或称为波形编码）技术是指直接针对音频PCM码流的样值进行处理，通过静音检测、非线性量化、差分等手段对码流进行压缩。此类压缩技术的共同特点是算法复杂度低，声音质量一般，压缩比小（CD音质>400kbps），编解码延时最短（相对其它技术）。此类压缩技术一般多用于语音压缩，低码率应用（源信号带宽小）的场合。时域压缩技术主要包括G.711、ADPCM、LPC、CELP，以及在这些技术上发展起来的块压扩技术如NICAM、子带ADPCM（SB-ADPCM）技术如G.721、G.722、Apt-X等。（2）子带压缩技术是以子带编码理论为基础的一种编码方法。子带编码理论最早是由Crochiere等于1976年提出的。其基本思想是将信号分解为若干子频带内的分量之和，然后对各子带分量根据其不同的分布特性采取不同的压缩策略以降低码率。通常的子带压缩技术和下面介绍的变换压缩技术都是根据人对声音信号的感知模型（心理声学模型），通过对信号频谱的分析来决定子带样值或频域样值的量化阶数和其它参数选择的，因此又可称为感知型（Perceptual）压缩编码。这两种压缩方式相对时域压缩技术而言要复杂得多，同时编码效率、声音质量也大幅提高，编码延时相应增加。一般来讲，子带编码的复杂度要略低于变换编码，编码延时也相对较短。由于在子带压缩技术中主要应用了心理声学中的声音掩蔽模型，因而在对信号进行压缩时引入了大量的量化噪声。然而，根据人类的听觉掩蔽曲线，在解码后，这些噪声被有用的声音信号掩蔽掉了，人耳无法察觉；同时由于子带分析的运用，各频带内的噪声将被限制在频带内，不会对其它频带的信号产生影响。因而在编码时各子带的量化阶数不同，采用了动态比特分配技术，这也正是此类技术压缩效率高的主要原因。在一定的码率条件下，此类技术可以达到“完全透明”的声音质量（EBU音质标准）。子带压缩技术目前广泛应用于数字声音节目的存储与制作和数字化广播中。典型的代表有著名的MPEG-1层Ⅰ、层Ⅱ（MUSICAM），以及用于PhilipsDCC中的PASC（PrecisionAdaptiveSubbandCoding，精确自适应子带编码）等。（3）变换压缩技术与子带压缩技术的不同之处在于该技术对一段音频数据进行“线性”的变换，对所获得的变换域参数进行量化、传输，而不是把信号分解为几个子频段。通常使用的变换有DFT、DCT（离散余弦变换）、MDCT等。根据信号的短时功率谱对变换域参数进行合理的动态比特分配可以使音频质量获得显著改善，而相应付出的代价则是计算复杂度的提高。变换域压缩具有一些不完善之处，如块边界影响、预回响、低码率时声音质量严重下降等。然而随着技术的不断进步，这些缺陷正逐步被消除，同时在许多新的压缩编码技术中也大量采用了传统变换编码的某些技术。有代表性的变换压缩编码技术有DolbyAC-2、AT&T的ASPEC（AudioSpectralPerceptualEntropyCoding）、PAC（PerceptualAudioCoder）等。3、音频压缩技术的标准化和MPEG-1由于数字音频压缩技术具有广阔的应用范围和良好的市场前景，因而一些著名的研究机构和大公司都不遗余力地开发自己的专利技术和产品。这些音频压缩技术的标准化工作就显得十分重要。CCITT（现ITU-T）在语音信号压缩的标准化方面做了大量的工作，制订了如G.711、G.721、G.728等标准，并逐渐受到业界的认同。在音频压缩标准化方面取得巨大成功的是MPEG-1音频（ISO/IEC11172-3）。在MPEG-1中，对音频压缩规定了三种模式，即层Ⅰ、层Ⅱ（即MUSICAM，又称MP2），层Ⅲ（又称MP3）。由于在制订标准时对许多压缩技术进行了认真的考察，并充分考虑了实际应用条件和算法的可实现性（复杂度），因而三种模式都得到了广泛的应用。VCD中使用的音频压缩方案就是MPEG-1层Ⅰ；而MUSICAM由于其适当的复杂程度和优秀的声音质量，在数字演播室、DAB、DVB等数字节目的制作、交换、存储、传送中得到广泛应用；MP3是在综合MUSICAM和ASPEC的优点的基础上提出的混合压缩技术，在当时的技术条件下，MP3的复杂度显得相对较高，编码不利于实时，但由于MP3在低码率条件下高水准的声音质量，使得它成为软解压及网络广播的宠儿。可以说，MPEG-1音频标准的制订方式决定了它的成功，这一思路甚至也影响到后面将要谈到的MPEG-2和MPEG-4音频标准的制订。

一般性的时频分析：短时傅里叶分析，小波分析针对人的听觉特性的：Mel频率倒谱系数分析（MFCC），属于倒谱域的分析，其它的属于时域分析。

就是为语音信号建模<也可以理解为分布模型>。GMM就是Gaussian Mixture Model的缩写。其实就是不同方差的高斯分布叠加在一块。在实际产品中，例如speech ehancement一般不怎么会用GMM。原因是太复杂了。还有一个叫HMM模型，Hidden Markov Model。这个在语音识别中常常用到。

1.改变声音播放速度所谓改变声音的播放速度也就是改变采样间隔(sampling interval)（即改变了采样频率），但是这个频率依然要在2f(Nyquist rate)之上，否则就会产生失真（distortion）。 2.实现对声音信号放大和衰减功能所谓放大或者衰减并不改变声音信号频域上的特征，只改变时域上的幅值，这时就需要全通滤波器（all pass filter）然后加一个固有的参数。改变参数可以实现对声音信号放大和衰减功能3.实现混音音效效果所谓混音就是不同的声音叠加在一起，而又不影响分别的时域和频域的特征。4.实现回音音效效果回声在时域上幅值减小了，频域上的特征不变，只需要把原信号添加一个延时（delay）和对时域的幅度（Amplitude）添加一个参数（coefficient）.然后和原信号叠加（同三）。5.实现男女变声音效效果男女变音就是需要改变频域的幅度，但是是线性的改变幅度。

LSP abbr. 逻辑信号处理程式（Logical Signal Processor）；行同步脉冲（Line Synchronizing Pulse）；

语音信号处理http://baike.baidu.com/view/3062256.html?wtp=tt数字信号处理http://baike.baidu.com/view/162096.html当然是图像好点咯美国已完成称为GA的数字高清晰度电视的标准制定及其进入实用的时间表，欧洲则在开发独立的数字电视方案，并制定了数字电视广播DVB的标准。这一切都是以数字电视信源编码的一系列技术与标准的成熟为基础的。信源编码作为数字电视系统的核心构成部分，直接决定了数字电视的基本格式及其信号编码效率，决定了数字电视最终如何在实际的系统中实现。 一.数字电视的信源编码 一个完整的数字电视系统包括数字电视信号的产生、处理、传输、接收和重现等诸多环节。数字电视信号在进入传输通道前的处理过程一般如图1所示： 电视信号在获取后经过的第一个处理环节就是信源编码。信源编码是通过压缩编码来去掉信号源中的冗余成分，以达到压缩码率和带宽，实现信号有效传输的目的。信道编码是通过按一定规则重新排列信号码元或加入辅助码的办法来防止码元在传输过程中出错，并进行检错和纠错，以保证信号的可靠传输。信道编码后的基带信号经过调制，可送入各类通道中进行传输。目前数字电视可能的传输通道包括卫星，地面无线传输和有线传输等。 将低成本FPGA用于视频和图像处理FPGA已经存在了十几年的时间，在传统概念中，FPGA价格昂贵，设计门槛较高，多用于通信和高端工业控制领域。最近几年，低成本FPGA不断推陈出新。半导体工艺的进步不仅带来FPGA成本的降低，还使其性能显著提升，同时不断集成一些新的硬件资源，比如内嵌DSP块、内嵌RAM块、锁相环(PLL)、高速外部存储器接口(DDR/DDR2)、高速LVDS接口等。在ALTERA公司90nm的Cyclone II FPGA内部，还可以集成一种软处理器Nios II及其外设，它是目前FPGA中应用最为广泛的软处理器系统。作为一个平台，FPGA显然已经非常适合于高性能低成本的视频和图像应用。它可以帮助用户灵活定制系统，缩短产品研发和更新换代的周期，使用户紧跟技术和市场发展潮流。本文首先将回顾视频和图像处理的应用领域、视频处理流程、发展趋势，以及设计者必须应对的挑战。然后，对FPGA内部的资源和算法实现进行简单介绍。随后，本文将介绍Altera公司及其合作伙伴在视频图像应用领域提供给用户的解决方案。最后给出设计视频图像处理系统的工具和流程。技术与挑战视频和图像处理技术的应用非常广 泛，主要包括数字电视广播、消费类电子、汽车电子、视频监控、医学成像，以及文档影像处理等领域。一个典型的视频处理系统包括：视频采集、预处理、压缩、信号发送和接收、解压缩、后处理，最后到显示控制部分，驱动显示设备。在视频处理系统的所有组成模块中，都有FPGA成功应用的案例。视频和图像处理技术可谓日新月异，研究人员对于视频图像和人眼感官的研究从来就没有停止过，新需求不断催生技术革新和新标准，主要体现在以下几个方面：从标清(SD)到高清(HD)，分辨率越来越高，需要实时处理的数据量越来越大；视频和图像压缩技术日趋复杂，如MPEG-4第2部分，H.264 AVC，JPEG2000等；对视频系统智能的要求提高，如智能拍摄、运动检测、对象识别、多通道、画中画、透明叠加效果等；消费者欣赏能力的提高，希望图像更稳定、更清晰、色彩更艳丽、亮度更符合人眼的感官需求。虽然技术难度不断增大，成本和上市时间依然是视频和图像应用系统设计中两个重点考虑因素。同时，产品差异化和自主知识产权也是一些有想法的中国公司追求的目标。如果单纯使用现成的专用视频图像处理芯片(ASSP)，根本无法设计出具有自主知识产权的产品，无法体现产品的差异化。而且，使用ASSP很难做到灵活、易升级、以及紧跟技术发展的潮流。厂商自己开发ASIC的周期又太长，前期投入太大，风险很高，无法保证投资回报，也无法保持技术领先。目前，就算功能最为强大的单片DSP处理器也不能实时压缩(H.264)高清视频。而使用DSP阵列的成本让人难以接受，同时多片DSP处理器将带来系统分割和调试的困难，增加系统的不稳定性，增加PCB成本。如果使用单片FPGA，或采用FPGA加DSP处理器协同工作的方案，这些困难均可迎刃而解。总之，使用FPGA技术可以帮助用户在保证合理成本的前提下，开发高性能的产品。利用FPGA的可灵活升级性，用户可以满足千变万化的市场需求，使自己的产品迅速推陈出新，紧跟业界发展趋势，做出有自己特色、自主知识产权的产品，始终保持产品的差异化和领先性。

个人毕业设计的一些相关代码（供参考）%获取语音信号[filename,pathname]=uigetfile("*.wav","choose a audio file:");[wavin,fs,nbits]=wavread([pathname filename]);wav_l=length(wavin); %采样点数，length()返回值是标量frame_l=0.04*fs; %根据fs选择帧长， step_l=floor(0.5*frame_l); %设置帧移 num_frame=floor((wav_l-frame_l)/step_l)+1; %确定帧数 win_ham=hamming(frame_l); %在做fft之前，为移除直流分量和加重高频分量，采用汉明窗，对信号进行加权 %加窗处理用来消除分帧时带来的截断效应 %加窗，分帧（矩阵每一行为一帧）for i=1:num_frame n1=(i-1)*step_l+1; n2=(i-1)*step_l+frame_l; zy(i,:)=(win_ham").*(yt(n1:n2)"); %存储每一帧噪音（行向量） %win_ham、yt是列向量,需转置 yy(i,:)=(win_ham").*(wavin(n1:n2)"); %存储每一帧纯净语音end

　　人类的听觉器官包括：外耳、中耳、内耳、听神经及听觉中枢。在声音传导过程中，听觉器官的各部分均有不同的生理功能。　　外耳包括耳廓与外耳道两部分。耳廓位于头部两侧，与头颅成30度夹角，呈不规则的浅喇叭形，其反射界面有利于声波的集中而增强声音强度。外耳道起自耳甲下部而止于鼓膜处，长约2.5-3.5厘米。整个外耳可以帮助收集传导声波，略有扩音作用。外耳还可以保护耳的深部结构免受外伤。　　中耳包括鼓室、咽鼓管、鼓窦、乳突四个部分。鼓室的外壁为鼓膜，内有锤骨、砧骨、镫骨组成的听骨链、韧带、肌肉及神经。鼓室各部分及咽鼓管在声音传导上起重要作用。　　内耳部分的听觉器官主要是耳蜗、前庭、半规管。其中前庭、半规管是维持身体平衡。耳蜗主要是声音的感受，蜗管内有内外毛细胞及支柱细胞组成的螺旋器附着于基底膜上，螺旋器上有复膜，声波经前庭窗进入耳蜗变为液波时，基底膜随液波上下移动，复膜与毛细胞的听毛之间运动，使基底膜的神经末梢产生冲动，经神经纤维传导到中枢产生听觉。　　听神经及听觉中枢：听神经的耳蜗支，经过四个神经原的传导，到达大脑颞叶皮层即听觉的最高中枢。在皮层其他部位还有散在的听觉分析器。这些听觉中枢都具有分析声音的频率、强度、声源定位，复杂声的感受和识别。

你的提得太模糊了，只能大概的跟你描述一下。改变滤波器的窗口长度会使得输出延时产生变化。而改变窗函数主要是影响输出的拖尾时间长度和起伏特性。

加窗和分帧都是语音信号提取特征的预处理阶段。先分帧，后加窗，再做快速傅里叶变换。分帧：简单来说，一段语音信号整体上看不是平稳的，但是在局部上可以看作是平稳的。在后期的语音处理中需要输入的是平稳信号，所以要对整段语音信号分帧，也就是切分成很多段。在10-30ms范围内都可以认为信号是稳定的，一般以不少于20ms为一帧，1/2左右时长为帧移分帧。帧移是相邻两帧间的重叠区域，是为了避免相邻两帧的变化过大。加窗：按上述方法加窗后，每一帧的起始段和末尾端会出现不连续的地方，所以分帧越多与原始信号的误差也就越大。加窗就是为了解决这个问题，使分帧后的信号变得连续，每一帧就会表现出周期函数的特征。在语音信号处理中一般加汉明窗。扩展资料：1、语音处理的研究方向语音处理(speech signal processing)用以研究语音发声过程、语音信号的统计特性、语音的自动识别、机器合成以及语音感知等各种处理技术。2、语音信息参数语言信息主要包含在语音信号的参数之中，因此准确而迅速地提取语言信号的参数是进行语音信号处理的关键。常用的语音信号参数有：共振峰幅度、频率与带宽、音调和噪音、噪音的判别等。后来又提出了线性预测系数、声道反射系数和倒谱参数等参数。这些参数仅仅反映了发音过程中的一些平均特性，而实际语言的发音变化相当迅速，需要用非平稳随机过程来描述，因此，20世纪80年代之后，研究语音信号非平稳参数分析方法迅速发展，人们提出了一整套快速的算法，还有利用优化规律实现以合成信号统计分析参数的新算法，取得了很好的效果。

数字技术现与应用类带深远影响今已几乎数字化世界数字音频技术则称应用广泛数字技术CD、 VCD等早已走进千家万户数字化广播全球范围内逐步展些与广消费者密切相关产品及应用本文要介绍主题：数字音频压缩技术产发展力 一、音频压缩技术现及早期应用 音频压缩技术指原始数字音频信号流（PCM编码）运用适数字信号处理技术损失用信息量或所引入损失忽略条件降低（压缩）其码率称压缩编码必须具相应逆变换称解压缩或解码音频信号通编解码系统能引入量噪声定失真 数字信号优势显易见自身相应缺点即存储容量需求增加及传输信道容量要求增加CD例其采率四四.一KHz量化精度一陆比特则一钟立体声音频信号需占约一0M字节存储容量说张CD唱盘容量一左右带宽高数字视频领域问题显更加突所些比特都必需呢研究发现直接采用PCM码流进行存储传输存非冗余度事实损条件声音至少进行四：一压缩即用二5％数字量保留所信息视频领域压缩比甚至达几百倍利用限资源压缩技术现便受广泛重视 音频压缩技术研究应用由已久A律、u律编码简单准瞬压扩技术并ISDN音传输应用语音信号研究发展较早较熟并已广泛应用自适应差PCM（ADPCM）、线性预测编码（LPC）等技术广播领域NICAM（Near Instantaneous Companded Audio Multiplex - 准瞬压扩音频复用）等系统都使用音频压缩技术 二、音频压缩算主要类及典型代表 般讲音频压缩技术损（lossless）压缩及损（lossy）压缩两类按照压缩案同其划域压缩、变换压缩、带压缩及种技术相互融合混合压缩等等各种同压缩技术其算复杂程度（包括间复杂度空间复杂度）、音频质量、算效率（即压缩比例）及编解码延等都同各种压缩技术应用场合各相同 （一）域压缩（或称波形编码）技术指直接针音频PCM码流值进行处理通静音检测、非线性量化、差等手段码流进行压缩类压缩技术共同特点算复杂度低声音质量般压缩比（CD音质> 四00kbps）编解码延短（相其技术）类压缩技术般用于语音压缩低码率应用（源信号带宽）场合域压缩技术主要包括 G.漆一一、ADPCM、LPC、CELP及些技术发展起块压扩技术NICAM、带ADPCM（SB-ADPCM）技术G.漆二一、 G.漆二二、Apt-X等 （二）带压缩技术带编码理论基础种编码带编码理论早由Crochiere等于一9漆陆提其基本思想信号解若干频带内量各带量根据其同布特性采取同压缩策略降低码率通带压缩技术面介绍变换压缩技术都根据声音信号知模型（理声模型）通信号频谱析决定带值或频域值量化阶数其参数选择称知型（Perceptual）压缩编码两种压缩式相域压缩技术言要复杂同编码效率、声音质量幅提高编码延相应增加般讲带编码复杂度要略低于变换编码编码延相较短 由于带压缩技术主要应用理声声音掩蔽模型信号进行压缩引入量量化噪声根据类听觉掩蔽曲线解码些噪声用声音信号掩蔽掉耳察觉；同由于带析运用各频带内噪声限制频带内其频带信号产影响编码各带量化阶数同采用态比特配技术类技术压缩效率高主要原定码率条件类技术达完全透明声音质量（EBU音质标准） 带压缩技术目前广泛应用于数字声音节目存储与制作数字化广播典型代表著名MPEG-一层Ⅰ、层Ⅱ（MUSICAM）及用于Philips DCCPASC（Precision Adaptive Subband Coding精确自适应带编码）等 （三）变换压缩技术与带压缩技术同处于该技术段音频数据进行线性变换所获变换域参数进行量化、传输信号解几频段通使用变换DFT、DCT（离散余弦变换）、MDCT等根据信号短功率谱变换域参数进行合理态比特配使音频质量获显著改善相应付代价则计算复杂度提高 变换域压缩具些完善处块边界影响、预响、低码率声音质量严重降等随着技术断进步些缺陷逐步消除同许新压缩编码技术量采用传统变换编码某些技术 代表性变换压缩编码技术DolbyAC-二、AT&TASPEC（Audio Spectral Perceptual Entropy Coding）、PAC（PerceptualAudioCoder）等 三、音频压缩技术标准化MPEG-一 由于数字音频压缩技术具广阔应用范围良市场前景些著名研究机构公司都遗余力发自专利技术产品些音频压缩技术标准化工作显十重要CCITT（现ITU-T）语音信号压缩标准化面做量工作制订G.漆一一、G.漆二一、G.漆二吧等标准并逐渐受业界认同 音频压缩标准化面取巨功MPEG-一音频（ISO/IEC一一一漆二-三）MPEG-一音频压缩规定三种模式即层Ⅰ、层Ⅱ（即MUSICAM称MP二）层Ⅲ（称MP三）由于制订标准许压缩技术进行认真考察并充考虑实际应用条件算实现性（复杂度）三种模式都广泛应用VCD使用音频压缩案MPEG-一层Ⅰ；MUSICAM由于其适复杂程度优秀声音质量数字演播室、DAB、DVB等数字节目制作、交换、存储、传送广泛应用；MP三综合MUSICAMASPEC优点基础提混合压缩技术技术条件MP三复杂度显相较高编码利于实由于MP三低码率条件高水准声音质量使软解压及中国络广播宠说MPEG-一音频标准制订式决定功思路甚至影响面要谈MPEG-二MPEG-四音频标准制

clear%语音信号[x1,fs,nbits]=wavread("Ding-48k.wav");N=length(x1);sound(x1,fs,nbits);n=0.04*fs; %根据fs选择帧长n1=floor(0.5*n); %根据fs选择帧帧移num=floor((N-n)/(n-n1)); %分帧数量%分帧加窗处理Y=[];for i=1:numy1=x1((i-1)*(n-n1)+1:(i-1)*(n-n1)+n).*hamming(n); %对每段分帧进行加窗处理s1=fft(y1,n);end

1.改变声音播放速度所谓改变声音的播放速度也就是改变采样间隔(sampling interval)（即改变了采样频率），但是这个频率依然要在2f(Nyquist rate)之上，否则就会产生失真（distortion）。 2.实现对声音信号放大和衰减功能所谓放大或者衰减并不改变声音信号频域上的特征，只改变时域上的幅值，这时就需要全通滤波器（all pass filter）然后加一个固有的参数。改变参数可以实现对声音信号放大和衰减功能3.实现混音音效效果所谓混音就是不同的声音叠加在一起，而又不影响分别的时域和频域的特征。4.实现回音音效效果回声在时域上幅值减小了，频域上的特征不变，只需要把原信号添加一个延时（delay）和对时域的幅度（Amplitude）添加一个参数（coefficient）.然后和原信号叠加（同三）。5.实现男女变声音效效果男女变音就是需要改变频域的幅度，但是是线性的改变幅度。

估计你设计的是一个Chebyshev低通滤波器，如果不是你可以参考以下参数的设计：1）低通滤波器：要求WpWs，通带在（Wp，1），阻带在（0，Ws）;而ChebyshevI型滤波器的阶数和截止频率的计算命令格式是：[n,Wp]=cheb1ord(Wp,Ws,Rp,Rs)；%对应你的程序：Rp=Ap;Rs=As;Wp=Wb;Ws=Wc;在你的程序中为：[n,wp]=cheb1ord(wc,wb,Ap,As);那么参数已经发生变化，程序所计算的截止频率也发生了变化，因此得到了不期望的结果。另外，如果你所需要的高通滤波器，那么要求Wp>Ws,即Wb>Wc，而在你的定义中Wb

A律13折线编码：码位安排a1：极性码，a1=1→正，a1=0→负，即PAM信号为正或负。a2～a4：段落码，表示样值为负或正的8个非均匀量化大段。a5～a8：段内码，表示每大段里的16小段。7位码1011011，段落码101，应该在第六大段，256~512之间，取256。区间跨度512-256=256，平均分成16小段，每小段跨度256/16=16。段内码1011，值是11，则转换为11位码的值为256+11*16=1*256+1*128（8*16）+0*64+1*32（2*16）+1*16+0*8+0*4+0*2+0*1，256前面的位都是0。这个十二位编码主要是对1、2段编码时作用明显，因为这两段Δi/2=0.5Δ，存在半个Δ，所以译码时为了考虑这半个Δ从而多了一位。这样就能将量化误差控制在≤Δi/2的范围。所以，7/12转换其实就是在7/11转换的基础上在Δi/2那位上补上1就行了。扩展资料：预测公式中的p称为预测阶数；an-k称为预测系数；称为预测误差。预测的目的就是找出一组合适的系数a1a2…ap，使误差en的均方值最小。实际预测过程一般是先把抽样序列按一定的数目组成帧，然后逐帧进行预测，每帧都找出该帧的p个最佳预测系数。预测的好坏(精确度)不是以某一个样值的预测结果来衡量，而是要看帧内各样值预测的总效果。其中有：①简单的固定系数预测：预测系数在长时间内不变S②自适应预测：每一帧都重新计算预测系数和预测剩余信号的平均能量等，以便能很好地适应信号的复杂变化；③单级预测：利用信号的短时相关性进行预测；④多级预测：既利用短时相关性又利用前后周期相关性进行预测。在实际应用中，对预测算法、预测系数的表征、编码型式等都要进行优选。目标是减少运算量和存储量，在精度受限时确保预测稳定，以及减少测算误差、编码误差和传输差错等因素对重建信号的不良影响。随着大规模集成电路与计算技术的发展，线性预测技术将在通信和语音信号处理中发挥更大的作用。参考资料来源：百度百科-线性预测

语音识别的过程和方法具体如下：语音识别过程1、语音信号采集语音信号采集是语音信号处理的前提。语音通常通过话筒输入计算机。话筒将声波转换为电压信号，然后通过A/D装置（如声卡）进行采样，从而将连续的电压信号转换为计算机能够处理的数字信号。目前多媒体计算机已经非常普及，声卡、音箱、话筒等已是个人计算机的基本设备。其中声卡是计算机对语音信进行加工的重要部件，它具有对信号滤波、放大、A/D和D/A转换等功能。而且，现代操作系统都附带录音软件，通过它可以驱动声卡采集语音信号并保存为语音文件。对于现场环境不好，或者空间受到限制，特别是对于许多专用设备，目前广泛采用基于单片机、DSP芯片的语音信号采集与处理系统。2、语音信号预处理语音信号号在采集后首先要进行滤波、A/D变换，预加重（Preemphasis)和端点检测等预处理，然后才能进入识别、合成、增强等实际应用。滤波的目的有两个:一是抑制输入信号中频率超出//2的所有分量（/：为采样频率），以防止混叠干扰;二是抑制50Hz的电源工频干扰。因此，滤波器应该是一个带通滤波器。A/D变换是将语音模拟信号转换为数字信号。A/D变换中要对信号进行量化，量化后的信号值与原信号值之间的差值为量化误差，又称为量化噪声。预加重处理的目的是提升高频部分，使信号的频谱变得平坦，保持在低频到高频的整个频带中，能用同样的信噪比求频谱，便于频谱分析。端点检测是从包含语音的一段信号中确定出语音的起点和终点。有效的端点检测不仅能减少处理时间，而且能排除无声段的噪声干扰。目前主要有两类方法：时域特征方法和频域特征方法。时域特征方法是利用语音音量和过零率进行端点检测，计算量小,但对气音会造成误判，不同的音量计算也会造成检测结果不同。频域特征方法是用声音的频谱的变异和熵的检测进行语音检测，计算量较大。3、语音信号的特征参数提取人说话的频率在10kHz以下。根据香农采样定理，为了使语音信号的采样数据中包含所需单词的信息，计算机的采样频率应是需要记录的语音信号中包含的最高语音频率的两倍以上。一般将信号分割成若干块,信号的每个块称为帧，为了保证可能落在帧边缘的重要信息不会丢失，应该使帧有重叠。例如，当使用20kH的采样面率时，标准的一帧为10ms,包含200个采样值。话筒等语音输入设备可以采集到声波波形，虽然这些声音的波形包含了所需单词的信息，但用肉眼观察这些波形却得不到多少信息因此，需要从采样数据中抽取那些能够帮助辨别单词的特征信息。在语音识别中，常用线性预测编码技术抽取语音特征。线性预测编码的基本思想是:语音信号采样点之间存在相关性，可用过去的若干采样点的线性组合预测当前和将来的采样点值。线性预测系数埽以通过使预测信号和实际信号之间的均方误差最小来唯一确定。语音线性预测系数作为语音信号的一种特征参数，已经广泛应用于语音处理各个领域。4、向置量化向量量化（Vector Quantization,VQ）技术是20世纪W年代后期发展起来的一种数据压缩和编码技术。经过向量量化的特征向量也可以作为后面隐马尔可夫模型中的输入观察符号。在标量量化中整个动态范围被分成若干个小区间，每个小区间有一个代表值，对于一个输入的标量信号，量化时落入小区间的值就用这个代表值>[戈替。因为这时的信号量是一维的标量，所以称为标量量化。向量量化的概念是用线性空间的观点，把标量改为一维的向量，对向量进行量化。和标量量化一样，向量量化是把向量空间分成若干个小区域，每个小区域寻找一个代表向量，量化时落入小区域的向量就用这个代表向量代替。向量量化的基本原理是将若干个标量数据组成一个向量（或者是从一帧语音数据中提取的特征向量）在多维空间给予整体量化，从而可以在信息量损失较小的情况下压缩数据量。语音识别1、模板（template）匹配法在训练阶段，用户将词汇表中的每一个词依次说一遍，并且将其特征向量作为模板存入模板库。在识别阶段，将输入语音的特征向量序列，依次与模板库中的每个模板进行相似度比较，将相似度最高者作为识别结果输出。2、随机模型法随机模型法是目前语音识别研究的主流。其突出的代表是隐马尔可夫模型。语音信号在足够短的时间段上的信号特征近似于稳定，而总的过程可看成是依次相对稳定的某一特性过渡到另一特性。隐马尔可夫模型则用概率统计的方法来描述这样一种时变的过程。3、概率语法分析法这种方法是用于大长度范围的连续语音识别。语音学家通过研究不同的语音语谱图及其变化发现，虽然不同的人说同一些语音时，相应的语谱及其变化有种种差异，但是总有一些共同的特点足以使他们区别于其他语音，也即语音学家提出的“区别性特征”。另一方面，人类的语言要受词法、语法、语义等约束，人在识别语音的过程中充分应用了这些约束以及对话环境的有关信息。于是，将语音识别专家提出的“区别性特征”与来自构词、句法、语义等语用约束相互结合，就可以构成一个“自底向上”或“自顶向下”的交互作用的知识系统，不同层次的知识可以用若干规则来描述。

单通道语音增强是语音信号处理中广泛研究的课题，主要作为前端去噪模块应用在提升音质、语音通信、辅助听觉、语音识别等领域。 单通道语音增强问题定义主要包括两个方面： 不包括： 单通道语音增强传统的方法是滤波和统计信号处理，比如WebRTC的噪声抑制模块就是用维纳滤波。 这些传统的方法基本都在 《语音增强--理论与实践》一书中有详细讲解。 近几年机器学习方法兴起，也逐渐成为语音增强的主要研究方向，各种新型神经网络的方法都被尝试用在语音增强领域。这些新方法主要看近几年的InterSpeech会议、ICASSP会议和IEEE的期刊。 下面先对单通道语音增强号的基本处理步骤做个简单介绍。 假设麦克风采集到的带噪语音序列为 ，并且噪声都是加性噪声。则带噪语音序列为无噪语音序列与噪声序列的和。 原始语音信号与噪声均可视为随机信号。 语音信号的处理一般都在频域，需要对带噪信号 进行分帧、加窗、短时傅里叶变换（STFT）后，得到每一帧的频域信号，其中X，Y，D分别是干净语音、带噪信号和噪声的频域信号。 语音增强的目标是对实际信号 的幅度和相位进行估计。但是因为相位不易估计、而且研究表明相位对去噪效果影响比较小cite{wang1982unimportance}，所以大部分方法都只对幅度谱进行增强，而相位则沿用带噪信号的相位。 换句话说，语音增强就是要找出一个频域的实函数 , 并且将这个函数与带噪信号相乘，得到干净语音的估计。这个实函数称作抑制增益(Suppression Gain)。 下面是单通道语音增强系统主要步骤的示意图，系统目标就是估计抑制增益，而抑制增益依赖于两个核心步骤：语音检测VAD和噪声估计模块。只有准确估计噪声谱 ，才有可能准确估计抑制增益。 详细的VAD和噪声估计方法不在这篇文章里面详述，具体可以看参考文献。 一种简单的想法是先估计出VAD，如过判断此帧没有语音，则更新噪声谱，否则就沿用上一帧的噪声谱。 综上，语音增强的典型流程就是： 1 对带噪语音y[n]分帧， 每一帧进行DFT得到 。 2 利用 进行VAD检测和噪声估计。 3 计算抑制增益 。 4 抑制增益 与带噪信号谱相乘，得到纯净语音谱 5 对 进行IDFT,得到纯净语音序列的估计 。 噪声估计模块可以估计噪声功率，也可以估计信噪比，避免信号幅度变化带来的误差。 定义后验信噪比为，带噪语音与噪声功率之比： 定义先验信噪比，为纯净语音与噪声功率之比： 谱减法是最直观的去噪声思想，就是带噪信号减去噪声的频谱，就等于干净信号的频谱。估计信号频谱的表达式如下，其中 应是噪声估计模块得到的噪声频谱。 假设语音信号与噪声不相关，于是得到估计的信号功率谱是测量信号功率谱减去估计的噪声功率谱。 因此抑制增益函数即为： 维纳滤波的思想也很直接，就是将带噪信号经过线性滤波器变换来逼近原信号，并求均方误差最小时的线性滤波器参数。维纳滤波语音增强的目标就是寻找系数为实数的线性滤波器，使得滤波偶信号与原干净语音信号之间的均方误差最小。这是一个优化问题，目标是求使得均方误差最小的参数 Gain用先验信噪比表示 见博文 《单通道语音增强之统计信号模型》 。 待补充。 话音激活检测(Voice Activity Detection, VAD) 将语音帧二分为“纯噪声”和“语音噪声混合”两类。 说话人静音、停顿都会出现多帧的纯噪声，对这些帧无需估计语音信号，而可以用来估计噪声功率。 语音帧经过VAD分类后，进行不同的处理: ：不含语音帧，更新噪声功率估计和Gain, 进行抑制； ：包含语音帧，沿用上一帧的噪声功率和Gain，进行抑制。 语音存在概率SPP(Speech Presence Probability，SPP) 跟VAD作二分类不同，利用统计模型对每一帧估计出一个取值在[0,1]的语音存在概率，也就是一种soft-VAD。 SPP通常跟统计信号模型结合起来估计最终的Gain。 一种估计SPP的方法是根据测量信号 估计每个频点的语音存在的后验概率，也就是 。 根据贝叶斯公式： 定义语音不存在的先验概率 为 , 语音存在的先验概率 为 。假设噪声与语音信号为零均值复高斯分布。最终可以得到SPP计算公式： 其中为 为条件信噪比，有 及 。 语音不存在的先验概率 可以采用经验值，如0.5，或者进行累加平均， 也可以参考《语音增强—理论与实践》中更复杂的算法。 最小值跟踪发的思想是，噪声能量比较平稳， 带语音的片段能量总是大于纯噪声段。 对于每个频点，跟踪一段时间内最低的功率，那就是纯噪声的功率。 为了使功率估计更稳定，通常要对功率谱进行平滑处理： 然后寻找当前第 帧的最低功率 。简单的方法是直接比较前 帧的功率，得到最小值，计算速度较慢。 还有一种方法是对 进行非线性平滑，公式如下。 参数需要调优，可以参考文献中提供的取值： 、 、 。 这种估计方法的思路是，噪声的能量变化比语音稳定，因此按频点统计一段时间内的能量直方图，每个频点出现频次最高的能量值就是噪声的能量。 主要包括以下几个步骤： 1.计算当前帧的功率谱 2.计算当前帧前连续D帧功率谱密度直方图，选择每个频点k的频次最高的功率值 3.滑动平均，更新噪声功率谱密度 当前帧的SNR很低，或者语音出现概率很低时，意味着当前信号功率很接近噪声功率，我们可以用当前帧的功率谱与前一帧估计的噪声功率进行加权平均，从而更新噪声功率谱。这就是递归平均法，通用的公式是： 算法的核心变成了计算参数 ，研究者提出了不同的方法，比如可以根据后验信噪比 计算参数： 用 和 分别代表当前帧包含语音和不包含语音，从概率论的角度，当前帧的噪声功率期望值为： 其中，当前帧不存在语音时，噪声功率就是信号功率，所以 。当前帧存在语音时，可以用前一帧估计的噪声功率来近似, 。噪声的递归平均算法转化为求当前帧每个频点的语音存在/不存在概率问题： 比照递归平均的通用公式，也就是 。 使用前一节介绍的语音存在概率SPP计算方法求 即可。 MCRA是一种将最小值跟踪与基于语音概率的递归平均结合起来的算法,核心思想是用当前帧功率谱平滑后与局部最小功率谱密度之比来估计语音概率。 以某阈值 对语音概率 进行二元估计 语音概率也可以进行平滑： 另外，如果将语音不存在是的噪声估计也做滑动平均，也就是 可以得到最终的噪声概率估计公式： 后验信噪比的估计比较直接，就是带噪信号功率与估计噪声功率之比： 。然后 。 先验信噪比是纯净信号功率与噪声功率之比，无法直接得知，需要更进一步估计。一种方法是简单谱减法，从功率角度 。 因此 更精确的方法是判决引导法（Decision-directed approach）， 滑动平均 参考文献 [1] P. C. Loizou, Speech enhancement: theory and practice. CRC press, 2007.

工作原理：电话通信是通过声能与电能相互转换、并利用“电”这个媒介来传输语言的一种通信技术。具体过程如下：1、两个用户要进行通信，最简单的形式就是将两部电话机用一对线路连接起来。2、当发话者拿起电话机对着送话器讲话时，声带的振动激励空气振动，形成声波。3、声波作用于送话器上，使之产生电流，称为话音电流。4、话音电流沿着线路传送到对方电话机的受话器内。5、而受话器作用与送话器刚好相反-把电流转化为声波，通过空气传至人的耳朵中。这样，就完成了最简单的通话过程。扩展资料通话由语音信号实现，语音信号转化的过程：语音信号的频率通常在300～3400Hz之间，要将它变成脉冲信号负载在载波上传送。首先要将这一低频语音信号进行抽样、量化。抽样是模／数转换中常用的技术。模拟信号是一个连续的正弦或余弦波，要用一系列的脉冲信号对它进行基本不失真的再现，那么抽样的频率就要足够高，这样才能使信号得到还原。经过抽样后的脉冲波，其振幅有大有小，要对一个脉冲波进行准确的描述，就要有对它的“高度”也有一个定义，这就是量化的过程。将该信号进行压缩，通过语音压缩技术我们将64kbit／s的信号变为13kbit／s的信号，大大节省了频带。参考资料百度百科-电话机

先说第一段k 是从WAV文件读取出来的一段语音信号，其实就是一个h点的行向量，h是k的长度。设置了一个门限值th=0.035。对向量k，从头开始每个点依次与门限值比较，第一个幅度大于0.035的点记为语音起点i，从尾开始每个点依次与门限值比较，第一个幅度大于0.035的点记为语音终点j。将k的语音部分新命名为new，把原始语音和找到的纯语音分别在两个坐标中画出。总的来说，这段程序用很简便的方法将一段包含静音的语音信号中的纯语音提取出来，但这种方法有很大的局限性，只能作为理论学习，基本上没有实际应用价值

这里用 N 是习惯用法，是指数据点数。现在谈的都是数字信号，哪里见到对模拟语音信号处理？这里的“信号”其实就是采样后的离散数据。N×Ts 当然是时间单位，秒。f 是频率，Ts 为秒，f 单位自然是 Hz。

《语音信号处理(第2版)》介绍了语音信号处理的基础、原理、方法和应用，以及该学科领域近年来取得的一些新的研究成果和技术。全书共分14章，包括绪论、语音信号处理基础知识、语音信号分析、矢量量化技术、隐马尔可夫模型、神经网络在语音信号处理中的应用、语音编码、语音合成、语音识别、说话人识别与语种辨识、语音转换与语音隐藏、语音信号中的情感信息处理、耳语音信号处理、语音增强等内容。

《语音信号处理(第2版)》介绍了语音信号处理的基础、原理、方法和应用，以及该学科领域近年来取得的一些新的研究成果和技术。全书共分14章，包括绪论、语音信号处理基础知识、语音信号分析、矢量量化技术、隐马尔可夫模型、神经网络在语音信号处理中的应用、语音编码、语音合成、语音识别、说话人识别与语种辨识、语音转换与语音隐藏、语音信号中的情感信息处理、耳语音信号处理、语音增强等内容。

语音信号处理常常要达到的一个目标，就是弄清楚语音中各个频率成分的分布。做这件事情的数学工具是傅里叶变换。傅里叶变换要求输入信号是平稳的，当然不平稳的信号你想硬做也可以，但得到的结果就没有什么意义了。而语音在宏观上来看是不平稳的——你的嘴巴一动，信号的特征就变了。但是从微观上来看，在比较短的时间内，嘴巴动得是没有那么快的，语音信号就可以看成平稳的，就可以截取出来做傅里叶变换了。这就是为什么语音信号要分帧处理，截取出来的一小段信号就叫一「帧」。如下图：这段语音的前三分之一和后三分之二明显不一样，所以整体来看语音信号不平稳。红框框出来的部分是一帧，在这一帧内部的信号可以看成平稳的。那么一帧有多长呢？帧长要满足两个条件：从宏观上看，它必须足够短来保证帧内信号是平稳的。前面说过，口型的变化是导致信号不平稳的原因，所以在一帧的期间内口型不能有明显变化，即一帧的长度应当小于一个音素的长度。正常语速下，音素的持续时间大约是 50~200 毫秒，所以帧长一般取为小于 50 毫秒。从微观上来看，它又必须包括足够多的振动周期，因为傅里叶变换是要分析频率的，只有重复足够多次才能分析频率。语音的基频，男声在 100 赫兹左右，女声在 200 赫兹左右，换算成周期就是 10 毫秒和 5 毫秒。既然一帧要包含多个周期，所以一般取至少 20 毫秒。这样，我们就知道了帧长一般取为 20 ~ 50 毫秒，20、25、30、40、50 都是比较常用的数值，甚至还有人用 32（在程序猿眼里，这是一个比较「整」的数字）。加窗的目的是让一帧信号的幅度在两端渐变到 0。渐变对傅里叶变换有好处，可以提高变换结果（即频谱）的分辨率，具体的数学就不讲了。加窗的代价是一帧信号两端的部分被削弱了，没有像中央的部分那样得到重视。弥补的办法是，帧不要背靠背地截取，而是相互重叠一部分。相邻两帧的起始位置的时间差叫做帧移，常见的取法是取为帧长的一半，或者固定取为 10 毫秒。频谱上就能看出这帧语音在 480 和 580 赫兹附近的能量比较强。语音的频谱，常常呈现出「精细结构」和「包络」两种模式。「精细结构」就是蓝线上的一个个小峰，它们在横轴上的间距就是基频，它体现了语音的音高——峰越稀疏，基频越高，音高也越高。「包络」则是连接这些小峰峰顶的平滑曲线（红线），它代表了口型，即发的是哪个音。包络上的峰叫共振峰，图中能看出四个，分别在 500、1700、2450、3800 赫兹附近。有经验的人，根据共振峰的位置，就能看出发的是什么音。对每一帧信号都做这样的傅里叶变换，就可以知道音高和口型随时间的变化情况，也就能识别出一句话说的是什么了。

目前好像没有。既然是computer vision吗，就是基于二维的图像的。而语音是一维的。

可以通过在设置界面关闭Siri所有开关就可以解决了，具体操作请参考以下内容。工具/原料：苹果6手机。1、首先点击手机桌面中的设置。2、点击siri与搜索。3、最后将所有唤醒siri的方式关闭就可以了。这样设置完成，苹果6手机就不会跑出语音控制了。

加窗和分帧都是语音信号提取特征的预处理阶段。先分帧，后加窗，再做快速傅里叶变换。分帧：简单来说，一段语音信号整体上看不是平稳的，但是在局部上可以看作是平稳的。在后期的语音处理中需要输入的是平稳信号，所以要对整段语音信号分帧，也就是切分成很多段。在10-30ms范围内都可以认为信号是稳定的，一般以不少于20ms为一帧，1/2左右时长为帧移分帧。帧移是相邻两帧间的重叠区域，是为了避免相邻两帧的变化过大。加窗：按上述方法加窗后，每一帧的起始段和末尾端会出现不连续的地方，所以分帧越多与原始信号的误差也就越大。加窗就是为了解决这个问题，使分帧后的信号变得连续，每一帧就会表现出周期函数的特征。在语音信号处理中一般加汉明窗。

关于音色 手机收集声音波形 然后保存当再次收集声音波形的时候就会与先前保存的声音波形作比较，再做出反应

一、优点1、大规模集成性2、稳定性好，精度高3、可编程性4、高速性能5、可嵌入性6、接口和集成方便二、缺点1、成本较高2、高频时钟的高频干扰3、功率消耗较大等扩展资料DSP芯片的输入是A/D变换后得到的以抽样形式表示的数字信号，DSP芯片对输入的数字信号进行某种形式的处理，如进行一系列的乘累加操作（MAC）。数字处理是DSP的关键，这与其他系统（如电话交换系统）有很大的不同，在交换 系统中，处理器的作用是进行路由选择，它并不对输入数据进行修改。因此虽然两者都是实时系统，但两者的实时约束条件却有很大的不同。最后，经过处理后的数字样值再经D/A（Digital toAnalog）变换转换为模拟样值，之后再进行内插和平滑滤波就可得到连续的模拟波形。参考资料来源：百度百科-DSP芯片

易克初,田斌.付强.《语音信号处理》国防工业出版社,2000.胡航.《语音信号处理》哈尔滨工业大学出版社,2000.赵力.《语音信号处理》机械工业出版社,2003.刘吆和.《语音识别与控制应用技术》北京：科学出版社，2008.黄凤岗,宋克欧.《 模式识别》 . 哈尔滨:哈尔滨工业大学出版社,1998.沈 清,汤 霖. 《模式识别导论》. 长沙:国防科技大学出版社,1991.蔡莲红 《现代语音技术基础与应用 》清华大学出版社.2003就这些书，都很好，建议你看看。

对语音信号进行压缩编码的基本依据是对语音信号进行压缩编码的基本依据是语音信号的()和人的听觉感知机理。根据查询相关公开信息显：语音信号处理是以语音语言学和数字信号处理技术相结合的交叉学科，对语音信号进行压缩编码的基本依据是对语音信号进行压缩编码的基本依据是语音信号的()和人的听觉感知机理。

其实声学所做很多东西，有网络实验室，新媒体实验室，语音信号处理实验室（中科信利），数字集成，通信声学，理论声学，海洋声学等等。像那些声学实验室大部分都和声银、海洋有关系，其中有国家重点实验室哦，待遇极好！！其他的比如网络、媒体、语音、数字集成等和海洋关系不大，出来找工作也很容易。声学所是中科院体系最不缺经费的所之一，实力很强，尤其是信号处理方面。 你问的信号与系统方向指示考研报考的方向而已，和将来分实验室关系不大的，到复试的时候会具体分一下的。其实电信或通信、电气专业的能去这边各样的实验室，都挺适合。

功能和应用不同。1、功能不同：SN740系列是逻辑门电路，包括AND门、OR门、NOT门等，而SN770则是数字信号处理器（DSP）主要用于音频和语音信号处理。2、应用不同：SN740系列是逻辑门电路，常用于数字电路设计、计算机和微控制器系统等领域。而SN770的主要应用场景是数字信号处理和音频处理领域，比如手机音频处理、噪声抑制等。

语音合成技术的发展与应用语音合成技术是指将文字转化成自然语言的声音输出。它是一种人工智能技术，能够为人类创造更加自然的交互环境，广泛应用于媒体、机器人、智能客服、智能家居等领域。本文将介绍语音合成技术的发展历程和应用现状。历史渊源语音合成技术起源于二十世纪初期。当时，研究人员尝试使用机械方法合成人类的语音。在20世纪50年代，IBM公司研制出了世界上第一台语音合成器。但由于技术限制，语音合成器无法产生自然的声音，出现了机器音效果。20世纪70年代，随着计算机技术的发展，语音合成技术经历了质的飞跃，可以更好地模拟人类语音。技术原理语音合成技术是将文字转化成实际的声音输出。其技术原理主要是基于语音信号处理、语音分析、文本语音转换和语音合成等技术。其中，语音信号处理和语音分析是语音合成技术的核心。通过对语音信号进行处理和分析，可以提取出语音中的音素和声调，并进行基础的合成操作。而文本语音转换和语音合成则是将文字转化成语音的过程。应用领域语音合成技术已经广泛应用于媒体、机器人、智能客服、智能家居等领域。在媒体领域，语音合成技术可以为盲人朋友、老年人等提供更好的阅读体验。在机器人领域，语音合成技术可以为机器人赋予人类的交互能力，使其更加自然地与人进行交流。在智能客服领域，语音合成技术可以为用户提供更加便捷的咨询服务。在智能家居领域，语音合成技术可以为用户提供更加智能化的控制体验。未来展望随着人工智能技术的不断发展，语音合成技术也将迎来更加广阔的市场前景。未来，语音合成技术将会更加自然化，并且可以更好地应用于各种场景。我们可以预见，在不久的将来，语音合成技术将成为生活中不可或缺的一部分。

耳机上调音量的那个键，被按住了就会弹出来。不小心坐到了就会有这种情况

麦克风阵列是什么？麦克风阵列（Microphone Array），从字面上，指的是麦克风的排列。也就是说由一定数目的声学传感器（一般是麦克风）组成，用来对声场的空间特性进行采样并处理的系统。早在20世纪70、80年代，麦克风阵列已经被应用于语音信号处理的研究中，进入90年代以来，基于麦克风阵列的语音信号处理算法逐渐成为一个新的研究热点。而到了“声控时代”，这项技术的重要性显得尤为突出。麦克风阵列能干什么？1.语音增强（Speech Enhancement）语音增强是指当语音信号被各种各样的噪声(包括语音)干扰甚至淹没后，从含噪声的语音信号中提取出纯净语音的过程。所以DingDong在嘈杂环境下，也能准确识别语音指令。通过麦克风阵列波束形成进行语音增强示意图从20世纪60年代开始，Boll等研究者先后提出了针对使用一个麦克风的语音增强技术，称为单通道语音增强。因为它使用的麦克风个数最少，并且充分考虑到了语音谱和噪声谱的特性，使得这些方法在某些场景下也具有较好的噪声抑制效果，并因其方法简单、易于实现的特点广泛应用于现有语音通信系统与消费电子系统中。但是，在复杂的声学环境下，噪声总是来自于四面八方，且其与语音信号在时间和频谱上常常是相互交叠的，再加上回波和混响的影响，利用单麦克风捕捉相对纯净的语音是非常困难的。而麦克风阵列融合了语音信号的空时信息，可以同时提取声源并抑制噪声。目前基于线性阵列、平面阵列以及空间立体阵列的波束形成和降噪技术，效果均达到业界一流水平。2013年科大讯飞车载降噪产品和国际竞争对手效果对比2.声源定位（Source Localization）现实中，声源的位置是不断变化的，这对于麦克风收音来说，是个障碍。麦克风阵列则可以进行声源定位，声源定位技术是指使用麦克风阵列来计算目标说话人的角度和距离，从而实现对目标说话人的跟踪以及后续的语音定向拾取，是人机交互、音视频会议等领域非常重要的前处理技术。所以麦克风阵列技术不限制说话人的运动，不需要移动位置以改变其接收方向，具有灵活的波束控制、较高的空间分辨率、高的信号增益与较强的抗干扰能力等特点，因而成为智能语音处理系统中捕捉说话人语音的重要手段。混响产生原因示意图3.去混响（Dereverberation）一般我们听音乐时，希望有混响的效果，这是听觉上的一种享受。合适的混响会使得声音圆润动听、富有感染力。混响（Reverberation）现象指的是声波在室内传播时，要被墙壁、天花板、地板等障碍物形成反射声，并和直达声形成叠加，这种现象称为混响。但是，混响现象对于识别就没有什么好处了。由于混响则会使得不同步的语音相互叠加，带来了音素的交叠掩蔽效应（Phoneme Overlap Effect），从而严重影响语音识别效果。影响语音识别的部分一般是晚期混响部分，所以去混响的主要工作重点是放在如何去除晚期混响上面，多年来，去混响技术抑制是业界研究的热点和难点。利用麦克风阵列去混响的主要方法有以下几种：(1)基于盲语音增强的方法（Blind signal enhancement approach），即将混响信号作为普通的加性噪声信号，在这个上面应用语音增强算法。(2)基于波束形成的方法（Beamforming based approach），通过将多麦克风对收集的信号进行加权相加，在目标信号的方向形成一个拾音波束，同时衰减来自其他方向的反射声。(3)基于逆滤波的方法（An inverse filtering approach），通过麦克风阵列估计房间的房间冲击响应（Room Impulse Response, RIR），设计重构滤波器来补偿来消除混响。现在科大讯飞实现的基于麦克风阵列的去混响技术能很好的对房间的混响情况进行自适应的估计，从而很好的进行纯净信号的还原，显著的提升了语音听感和识别效果，在测试对比中，多种混响时间下识别效果接近手机近讲水平。混响语音信号频谱经过去混响后的语音信号频谱4.声源信号提取（分离）家里人说话太多，DingDong听谁的呢。这个时候就需要DingDong聪明的辨别出哪个声音才是指令。而麦克风阵列可以实现声源信号提取，声源信号的提取就是从多个声音信号中提取出目标信号，声源信号分离技术则是将需要将多个混合声音全部提取出来。通过麦克风阵列波束形成做语音提取和分离利用麦克风阵列做信号的提取和分离主要有以下几种方式：(1)基于波束形成的方法，即通过向不同方向的声源分别形成拾音波束，并且抑制其他方向的声音，来进行语音提取或分离；(2)基于传统的盲源信号分离（Blind Source Separation）的方法进行，主要包括主成分分析（Principal Component Analysis，PCA）和基于独立成分分析（Independent Component Analysis，ICA）的方法。TGMZ天歌魅尊

手机之所以能够打电话是由于它背后有一个庞大的系统在支持着它。在我国，模拟手机属模拟网或称ETACS系统，GSM数字手机属GSM数字网或称GSM系统。模拟ETACS系统的每个信道都有不同的频率，当基站发出信号，指示一个移动电话发射指定频率上网时，这个用户便占用了这一条信道，另外的用户就无法占用同一条信道了；GSM系统采用的是TDMA的选址方式，同一频率的信道分为8个时隙，可以在不同时段由不同的用户占用，各用户之间的信号通过基站分配的一定协议加以区分。这使得GSM手机的结构更为复杂，抗干扰能力更强。话音信号又称语音信号。语音信号的频率通常在300～3400Hz之间，要将它变成脉冲信号负载在载波上传送，首先要将这一低频语音信号进行抽样、量化。抽样是模／数转换中常用的技术，如图1所示。模拟信号是一个连续的正弦或余弦波，要用一系列的脉冲信号对它进行基本不失真的再现，那么抽样的频率就要足够高，这样才能使信号得到还原。依据抽样的定律，抽样频率应大等于两倍的抽样信号频率，才能不失真。在目前的数字手机中，抽样频率都采用8kHz，这个抽样率是足可以保证信号的可信度的。数字脉冲信号只有0和1两种。经过抽样后的脉冲波，其振幅有大有小，要对一个脉冲波进行准确的描述，就要有对它的“高度”也有一个定义，这就是量化的过程。每个采样值经编码成为8bit码，形成为8k×8bit／s ＝64kbit／s的信号。这就是话音信号成为数字信号的第一步，即模／数转换（A／D）。但是64kbit／s的信号所占的频带太宽，无疑是一种浪费。因此，需要将该信号进行压缩，通过语音压缩技术我们将64kbit／s的信号变为13kbit／s的信号，大大节省了频带。从抽样、量化到压缩的这一系列过程，称之为语音编码。图1 抽样频率语音编码后，我们得到的是一组连贯地反映话音信息的13kbit／s脉冲信号，这组信号将被重新分组，分解出重要bit码、次重要bit码和不重要bit码，然后将他们不按次序地插入码群中，这就是分间插入。为什么要这样做呢？因为无线信号在空中传送会遇到各种各样的干扰，而且这些干扰都是随机的。如果将语音编码器送来的13kbit／s信号顺次负载在载波上加以传送而不进行重新组合分间插入的话，那么在一段时间内受到干扰时就会造成这一段时间的所有资料的丢失，由于没有这段时间的相关资料，恢复这些信号也就不可能了。而采用了分间插入的技术，即使一段时间的资料被破坏，也仅是一组语音群中的一小部份被破坏，完全可以根据其他脉冲群对它进行恢复。当然，根据相关脉冲恢复受损的脉冲，是需要通过在编码时加入一些码元来辨别的。这种编码方式可以由加入块卷积码、纠错码和奇偶校验码几种形式来实现。上面所述的过程，就是信道编码和交织的过程。GSM手机较ETACS手机的一项十分先进的技术就是其保密性的极大提高。GSM手机加密采取多种方式，如在手机开机登记入网时，要传送IMSI号及MIN号等每个用户特有的入网号，这些号码在空中传送要经过了一个存储在SIM卡上的ki值的运算，这一运算要与交换机相对应，因此要在空中截取和破获这一信息基本上是不可能的。另外，GSM系统还有跳频的功能。顾名思义，就是载频的频率不断变化，以起到保护信息不被盗取的作用。这一过程，我们称之为加密。 经过了以上一系列对语音信号的处理，便形成了Burst，即帧信号。通过0．3高斯最小移频鉴控即0．3GMSK技术，将二进制数据变换成为一个低频调制信号，从而把它负载到载波上以电磁波的形式传送出去，这就是调制过程。 以上只是对GSM手机语音编码的一个大致描述，这对于维修人员的实际意义在于，有了概括的印象，对手机硬件部分各个集成块的作用就会比较明确，有利于维修时对故障起因的判定。下面是用更直观的方式对以上叙述加以概括，见图2。图2 语音信号处理流程