一种基于听觉感知特性的数字语音实时分解/合成方法

摘要

本发明公开了一种基于听觉感知特性的数字语音实时分解/合成方法，涉及语音信号处理领域。本方法包括用N级级联的二阶带通滤波器构成一个N阶的伽马通滤波器再构建任意阶的伽马通数字滤波器模型及其参数，语音分解阶段用M路伽马通滤波器采用浮点算法或定点算法将输入语音分解为M路信号；语音合成阶段在伽马通滤波器组中引入延时，以更加符合人耳特性，人耳基底膜延时与频率成反比关，最后进行语音合成操作。本发明参考了人耳的等响度曲线特性，改进了语音分解合成方法，使得最终语音合成效果接近了理想带通滤波器的效果。本发明可应用在手机、人工耳蜗、助听器等语音设备中。

主权项

一种基于听觉感知特性的数字语音实时分解/合成方法，其特征在于，该方法具体步骤如下：1)构建任意阶的伽马通数字滤波器模型：假设滤波器组数目为M，该M组滤波器对应着人耳基底膜上的M个位置，并在人耳基底膜上是均匀分布的，在频域上是对数分布的；具体包括：1.1)已知输入语音的采样率为f_s；设通过滤波器的语音频率范围为[f_L，f_H]，0≤f_L＜f_H≤f_s/2；1.2)根据表达式(1‑2)：得出中心频率f_c在ERBs域上的值分布为[ERBs(f_L)，ERBs(f_H)]，将其均分成M－1份得到等间距的M个ERBs值如式(1)所示：${\mathrm{ERBs}}_m=ERBs\left(f_L\right)+(m-1)\frac{ERBs\left(f_H\right)-ERBs\left(f_L\right)}{M-1}---\left(1\right)$其中，m∈[1,M]，代表通道号；1.3)根据式(1)的计算结果得到M组滤波器的中心频率f_c在ERBs域上的值如式(2)所示：$f_c\left({\mathrm{FRBs}}_m\right)=\frac{1000}{4.37}\times ({10}^{\frac{{\mathrm{ERBs}}_m}{21.4}}-1)---\left(2\right)$1.4)针对b(f_c)与ERB(f_c)的关系：基于b＝ERB(f_c)，根据帕塞瓦尔(Paseval)定理，得出N阶伽马通滤波器中滤波器的中心频率f_c的带宽函数b(f_c)表达式如式(2a)所示：$b\left(f_c\right)=\frac{(N-1){!}^2}{\pi (2N-2)!2^{-(2N-2)}}ERB\left(f_c\right)---\left(2a\right)$其中，b代表函数的带宽，N为任意正整数；1.5)用N级级联的二阶带通滤波器构成一个N阶的伽马通滤波器；对每个伽马通滤波器的时域表达式(1‑3)：进行Laplace变换得到s域表达式如式(2b)所示：将式(2b)分解成零极点相乘得到如表达式(2c)所示：$G\left(s\right)={\Pi }_{n=1}^N{g}_n{H}_n\left(s\right)={\Pi }_{n=1}^N{g}_n\frac{s-s_n}{{(s+B_c)}^2+w_c^2}---\left(2c\right)$使用冲激响应不变法得到N阶伽马通数字滤波器的z域表达式(2d)：$G\left(z\right)={\Pi }_{n=1}^N{g}_n{H}_n\left(z\right)={\Pi }_{n=1}^N{g}_n\frac{a_n{z}^{-1}+1}{b_2{z}^{-2}+b_1{z}^{-1}+1}---\left(2d\right)$其中n＝1,2,…，N，s_n为表达式分子的零点，a_n、b₁、b₂的含义分别为各级滤波器的抽头系数；a_n的表达式如(1‑10)所示：b₁、b₂的表达式如(1‑11)所示：1.6)计算归一化参数g_n：伽马通滤波器各级的二阶滤波器的最大增益如式(2e)所示：$\begin{array}{c}{\mathrm{Gain}}_n=\sqrt{H_n\left(z\right)\times H_n^{*}\left(z\right)}{|}_{z=e^{-{\mathrm{jw}}_{c}T}}\\ =\sqrt{\frac{b_2^2+b_1^2+2b_2\cos \left(2w_{c}T\right)+2(b_2+1)b_1\cos \left(w_{c}T\right)}{a_n^2+1+2a_n\cos \left(w_{n}T\right)}}\end{array}---\left(2e\right)$归一化参数g_n如式(2f)所示：$g_n=\frac{1}{{\mathrm{Gain}}_n}---\left(2f\right)$1.7)根据步骤1.5)中得到的N级级联的二阶带通滤波器来构成任意阶的伽马通数字滤波器模型，并获取模型的各参数值:用m表示第m组伽马通滤波器组，则由表达式(1‑10)、(1‑11)、(2e)和(2f)分别得出各个滤波器组的参数的值，其中是各个通道的滤波器抽头系数，为各个通道的归一化系数，如式(3)‑式(6)所示：$a_n^m=a_n\left(f_c\right({\mathrm{ERBs}}_m\left)\right)---\left(3\right)$$b_1^m=b_1\left(f_c\right({\mathrm{ERBs}}_m\left)\right)---\left(4\right)$$b_2^m=b_2\left(f_c\right({\mathrm{ERBs}}_m\left)\right)---\left(5\right)$$g_n^m=g_n\left(f_c\right({\mathrm{ERBs}}_m\left)\right)---\left(6\right)$2)语音分解阶段；利用步骤1)构建的伽马通数字滤波器模型，模仿人耳基底膜对语音进行分解：将输入语音实时地分解到M个子带上，使用M路伽马通滤波器采用浮点算法或定点算法将输入语音分解为M路信号；3)语音合成阶段；在伽马通滤波器组中引入延时，以更加符合人耳特性，人耳基底膜延时与频率成反比关系，伽马通滤波器的群延时用表达式(16)来描述：$t_m=\frac{N-1}{2\pi b\left(f_c\right)}---\left(16\right)$式中，m通道群延时t_m的单位是秒，第m组滤波器的中心频率f_c的单位是Hz；具体步骤包括：3.1)计算各通道延时:语音的采样率为f_s，则采样后的各个通道的延时d_m用如表达式(17)、(18)来进行计算：d_m＝D‑[f_st_m]  (17)$D=\underset{1\le m\le M}{max}\left[f_s{t}_m\right]---\left(18\right)$其中D为[f_st_m]中的最大值；3.2)对各个通道在总滤波器中所占比重进行加权，则合成语音用表达式(8)来计算；设m通道的权重为w_m，该权重合并到g_N中，调增后的g_N用如下表达式计算：$g_N=w_m/{\mathrm{Gain}}_N=w_m\sqrt{\frac{a_N^2+1+2a_{N}cos\left(w_{c}T\right)}{b_2^2+b_1^2+2b_2\cos \left(2w_{c}T\right)+2(b_2+1)b_{1}cos\left(w_{c}T\right)}}---\left(19\right)$此时，最终合成语音输出如式(20)所示：$\bar{x}\left(k\right)={\Sigma }_{m=1}^M{y}^m(k-d_m)---\left(20\right)$其中，当k≤d_m时y^m(k‑d_m)＝0；语音实时分解、合成任务完成。