技術領域

本發明涉及語音信號處理和模式識別技術，尤其涉及一種基于長時特征和短時特征的重疊語音與單人語音區分方法。

背景技術

重疊語音（Overlapped?Speech,OS）是指多人同時說話時所產生的語音。在多人會話語音中重疊語音頻繁出現，例如在ICSI會議語音數據庫中，6～14%的語音存在重疊。由于重疊語音與單人語音（一個發音人所產生的語音）的聲學特性不同，因此重疊語音的出現將導致目前處理單人語音的語音識別系統、說話人分割聚類系統的性能急劇下降。將重疊語音與單人語音區分開，對于提高多說話人語音識別的性能、說話人分割聚類性能、語音處理系統的實用性都具有非常重要的意義。

目前，文獻報道的重疊語音與單人語音的區分方法所采用的特征都是短時特征（Short-term?Features,SF），即從短時語音幀（20~40毫秒）中提取的特征。這些短時特征也被應用于語音識別、說話人識別中。例如，梅爾頻率倒譜系數（Mel-Frequency?Cepstral?Coefficients,MFCCs）、短時能量（Short?Time?Energy,STE）、過零率（Zero-Crossing?Rate,ZCR）等。盡管短時幀層的特征參數能夠較好地刻畫重疊語音與單人語音的某些差異，但它們卻不能刻畫上述兩種語音在統計意義的差異，例如特征的均值差異、最大值差異、最小值差異、中值差異、均方差的差異等。也就是說，短時特征參數不能有效表征重疊語音與單人語音的統計特性差異。

發明內容

本發明的目的在于解決現有技術所存在的不足，提供一種基于長時特征和短時特征的重疊語音與單人語音區分方法：

一種基于長時特征和短時特征的重疊語音與單人語音區分方法，包括如下步驟：

S1讀入語音：讀入記錄有重疊語音或單人語音的語音文件；

S2語音預處理：對讀入的語音文件進行預加重、分幀、加窗；

S3提取短時特征：從經過預處理的語音幀中提取短時特征，所述短時特征包括梅爾頻率倒譜系數及其一階差分、短時能量、過零率，將提取的短時特征拼接得到短時特征矩陣；

S4提取長時特征：計算短時特征矩陣的統計特征，所述統計特征包括均值、最大值、最小值、中值、均方差，得到長時特征矩陣；

S5訓練高斯混合模型：采用EM算法訓練四個高斯混合模型，包括單人語音的短時特征模型、單人語音的長時特征模型、重疊語音的短時特征模型、重疊語音的長時特征模型；

S6模型融合判決：將短時特征矩陣和長時特征矩陣分別輸入短時特征模型和?長時特征模型，所述短時特征模型包括單人語音的短時特征模型和重疊語音的短時特征模型，長時特征模型包括單人語音的長時特征模型和重疊語音的長時特征模型，并將這兩種模型的輸出概率進行加權得到總的概率輸出值，根據總的概率輸出值將測試語音判為重疊語音或單人語音，實現重疊語音與單人語音的區分。

所述S2中對讀入的語音文件進行預加重、分幀、加窗，具體步驟為：

S2.1預加重，具體為：設置數字濾波器的Z傳遞函數為H(z)=1-αz^-1，其中α取值為：0.9≤α≤1，讀入的語音通過數字濾波器后實現預加重；

S2.2分幀、加窗，具體步驟為：

S2.2.1設置語音幀的幀長為40毫秒、幀移為20毫秒，幀長和幀移所對應的采樣點個數分別為N=0.04×f_s和S=0.02×f_s，其中f_s為語音采樣頻率，將輸入語音分割成T個語音幀x′_t(n)，且每個語音幀包含N個采樣點；

S2.2.2計算漢明窗函數ω(n)：

S2.2.3對每一個語音幀x′_t(n)加漢明窗，得到x_t(n)：