1、1. 对语音信号进行分帧加窗;2. 计算每一帧的谱能量;3. 计算出每一帧中每个样本点的概率密度函数;4. 计算出每一帧的谱熵值(由信息论知识知道,熵值在自变量服从均匀分布的时候,熵值达到最大值,所以噪声的熵值是比较大的,而钢琴音符的熵值是比较小的,由此区别了噪声和音符);5. 设置判决门限;6. 根据各帧的谱熵值进行端点检测。 在实验过程中发现:依然存在当语音信号频率分布较广时,阀值不太好控制的问题。因此对该方法进行改进,引入,能熵比的概念:谱熵值类似于过零率,能熵比的表示为。由于噪声和信号的能熵比差别很大。因此在能熵比的图像中,每一个“尖刺”就代表了一个特定频率的语言信号。图2:能熵比图中
2、的“尖刺”在检测过程中,依然不能通过简单的设置阀值的办法来进行端点检测,原因是语音频率分布较广时,每个音符的能熵比变化围差别较大,如下图所示,有的“尖刺”完全在门限之上,而有的则完全在门限之下。图3:88阶全音的能熵比图因此,采用检测能熵比中的“低谷点”(该点比左右两边的一定数目的点的能熵比都小)的方法。语音信号一定位于两个低谷点之间的部分,再对低谷点进行适当的左右移动作为语音信号的起止点。如下图所示:图4:标记起止点的能熵比图(绿色为起始点,红色为截止点)(3)设计框架和流程:1. 用audioread函数读入钢琴音乐,并用sound函数播放;2. 为了方便处理,对信号以11.025kHz的
3、频率进行重新采样,并统一转换成单声道的信号;3. 因为语言信号可以在短时间认为是平稳的,因此对语音信号进行分帧的处理,设置帧长320,为了减小误差,两帧之间设置重叠部分,因此帧移取80;4. 计算每一帧的能熵比;5. 找到能熵比中的“低谷点”(该点比左右两边的一定数目的点的能熵比都小);6. 如果两个低谷点之间的距离大于miniL(认为持续长度超过一定长度的为音符,最小长度miniL可自行设置)。则低谷点右移sr (即shift right,数值可自行调节)帧作为一段信号的起始点,将低谷点左移sl(即shift left,数值可自行调节)帧作为截止点注:采用该方法的优点是通过调节相关参数能适应
4、多种情况,缺点是检测环境发生较大变化时,需要重新设置参数;7. 将找到的语音段转换成未分帧时对应坐标的语音段,并对每段做快速傅里叶变换;8. 找到每段快速傅里叶变换中的最大值以及最大值所对应的横坐标(fft点),将横坐标转换成相应的频率,得到的频率即为该段音符的频率;9. 利用比值法进行频率的校正,窗函数选择矩形窗;10. 根据检测到的频率确定音符,计算公式为:,为第几个按键,再通过查表得到对应音符;11. 分析结果。三. 具体设计过程:(1)部分代码(测试部分缺省):主函数部分:x,fs=audioread(钢琴音频.WAV);format short;wlen=320; inc=80; %
5、 分帧的帧长和帧移overlap=wlen-inc; % 帧之间的重叠部分sound(x,fs); % 播放音乐x=calsample(x,fs); % 为了方便处理,重新以11025Hz的频率采样,并转换成单声道x=x-mean(x); % 消去直流分量x=x/max(abs(x); % 幅值归一化y = Enframe(wlen,inc,x); % 分帧fn = size(y,2); % 取得帧数time = (0 : length(x)-1)/11025; % 计算时间坐标frameTime = frame2time(fn, wlen, inc, 11025); % 计算各帧对应的时间坐
6、标sr=2;sl=13;miniL=33; % 配置左右移动的帧数和要求的最短帧数voicesegment,vos,Ef=get_segment(y,fn,sr,sl,miniL); % 获得语音段real_f,ft,ax=get_f(x,voicesegment,vos,wlen,inc); % 检测频率的结果for i=1:length(real_f) real_f(i)=roundn(real_f(i),-4);end real_node(i)=get_node(real_f(i)end%*绘图部分*subplot 211;stem(real_f);title(频率检测结果xlabel(
7、音符/个ylabel(频率/Hzsubplot 212;stem(real_node,r音符检测结果对应按键figure(2);plot(Ef);能熵比图及语音起止点帧数/个能熵比length(voicesegment) text(voicesegment(i).begin,Ef(voicesegment(i).begin),o,colorg) text(voicesegment(i).end,Ef(voicesegment(i).end), subplot 212, plot(time,x,k title(语音信号端点检测结果axis(0 max(time) -1 1); ylabel(幅值
8、for k=1 : vos % 标出有话段 nx1=voicesegment(k).begin; nx2=voicesegment(k).end; nxl=voicesegment(k).duration; fprintf(%4d %4d %4d %4dn,k,nx1,nx2,nxl); subplot 212 line(frameTime(nx1) frameTime(nx1),-1 1,linestyle- line(frameTime(nx2) frameTime(nx2),-1 1,-其中的用到的子函数:1.calsample.m (调整采样率和声道)function sample =
9、 calsample(sampledata,FS)temp_sample = resample(sampledata,1,FS/11025); %调整采样频率,n = size(temp_sample);if (n = 2) %转换成单声道 sample = temp_sample(:,1);else sample = temp_sample;2. Enframe.m (分帧函数)function f=Enframe(len,inc,x) %对读入的语音进行分帧,len为帧长, %inc为帧重叠样点数,x为输入语音数据fh=fix(size(x,1)-len)/inc)+1); %计算帧数 f
10、=zeros(fh,len); %设置一个零矩阵,行为帧数,列为帧长i=1;n=1;while i=fh %帧间循环 j=1; while j=len %帧循环 f(i,j)=x(n); j=j+1; n=n+1; end n=n-len+inc; %下一帧开始位置 i=i+1;3. frame2time.m(坐标刻度转换)function frameTime=frame2time(frameNum,framelen,inc,fs)frameTime=(1:frameNum)-1)*inc+framelen/2)/fs; % 求对应的时间坐标4.get_segment.m(端点检测,确定音符段
11、)function voicesegment,vos,Ef=get_segment(y,fn,sr,sl,miniL)if size(y,2)=fn, y=y end % 把y转换为每列数据表示一帧语音信号wlen=size(y,1); % 取得帧长fn Sp = abs(fft(y(:,i); % FFT取幅值 Sp = Sp(1:wlen/2+1); % 只取正频率部分 Esum(i) = sum(Sp.*Sp); % 计算能量值 prob = Sp/(sum(Sp); % 计算概率 H(i) = -sum(prob.*log(prob+eps); % 求谱熵值hindex=find(H=
12、miniL % 剔除持续帧长度小于miniL的音符段 temp1=x2(k-1)+sr; % 将低谷点右移sr个帧,作为一个音符的起始点 voicesegment(j).begin=temp1; temp2=x2(k)-sl; % 将低谷点左移sl个帧,作为一个音符的截止点 voicesegment(j).end=temp2; voicesegment(j).duration=voicesegment(j).end-voicesegment(j).begin+1; %音符持续帧数vos=length(voicesegment); %返回音符个数5.get_max.m(找到高峰点)functio
13、n max_x,max=get_max(x)l=length(x); %获得数组的长度max=;max_x=;for i=20:l-15 %找到“峰值点” if (x(i)x(i-1)&(x(i)x(i-2)&x(i-3)&x(i-4)&x(i-5). &x(i-6)&x(i-7)&x(i-8)&x(i-9)&x(i-10).x(i-11)&x(i-12)&x(i-13)&x(i-14).x(i-15)&x(i-16)&x(i-17).x(i+1)&x(i+2)&x(i+3)&x(i+4)&x(i+5).x(i+6)&x(i+7)&x(i+8)&x(i+9)&x(i+10).x(i+11)&x
14、(i+12)&x(i+13)&x(i+14).x(i+15)&x(i+16).0.1) max_x(j)=i; %找到后赋值给返回参数 max(j)=x(i); else6.get_min.m(找到低谷点)function min_x,min=get_min(x)min=;min_x=;for i=100:l-10 %寻找低谷点 if (x(i)(x(i)nx1nx,mx=size(x);if mx=1, x=xend %转换成行矩阵M=fix(N/2)+mod(N,2);xf=fft(x);%xf=xf(1:M)*2/N;ddf=fs/N; % 频率分辨率n1=fix(nx1/ddf); %
15、 将频率转换成fft对应的点n2=round(nx2/ddf);A=abs(xf); % 取fft的模值Amax,index=max(A(n1:n2); %找到fft点n1到n2之间幅值的最大值index=index+n1-1; % 移动到n1和n2中间%比值法%加矩形窗indsecL=A(index-1)A(index+1); %满足条件则为1,不满足则为0df=indsecL.*A(index-1)./(Amax+A(index-1)-(1-indsecL).*A(index+1)./(Amax+A(index+1);Z=(index-1-df)*ddf; %修正后的频率9.get_nod
16、e.m(确定音符)function node=get_node(f)node=12*log2(f/440)+49;node=round(node); %四舍五入确定对应按键(2)生成的图与数据等端点检测结果序号起始帧截止帧持续帧数14097582112166553181235425030354531837263874417456510852557995946481066371452117297861280185413869923149389935615100810514416106611225717113711761811911267771912821337201352139121140614
17、7570221490151324231528158861160316666425168117305026176018084927182318735128190319444229195920175930203220903121052136322177222533224022783934231723403523802429对数据的分析:真实按键真实音符真实频率/Hz检测频率/Hz对应按键检测音符绝对误差/Hz相对误差G7/A7523.251524.89731.64630.31%53G7554.365555.04370.67870.12%F7/G7587.33589.87682.54680.43%F7622.254623.15850.90450.15%E7659.255659.70790.45290.07%D7/E7698.456699.29680.8408D7739.989741.85031.86130.
copyright@ 2008-2022 冰豆网网站版权所有
经营许可证编号:鄂ICP备2022015515号-1