论文部分内容阅读
语音是语言符号系统中信息的载体,是日常生活中应用最普遍的交流媒介。在语音信号中,基音是一个关键的特征,且发挥不可替代的作用,已广泛应用于语音合成、语音识别等领域。精确而高效地提取语音基音直接影响着语音识别的准确率、语音合成的自然度以及语音分离的清晰度等。目前,在纯净语音环境中提取语音基音已经取得了不错的效果,然而,在噪声环境下,由于谐波结构被严重破坏,检测噪声环境中语音的基音仍然是一项难度较大的工作。本文提出使用卷积神经网络(Convolutional Neural Network, CNN)来完成这项工作。CNN具有位移不变性,通过卷积核的移动,能够更好地刻画语谱中的谐波结构。在具体的实现中,本文使用CNN来选取候选基音,然后考虑到语音信号的连续性,再用动态规划(Dynamic Programing, DP)方法进行基音追踪,生成连续的基音轮廓。在相同的数据集上用不同的方法进行对比实验。实验结果表明,与其它方法相比,本文的方法具有明显的性能优势,能够得到较高的基音检测率(Detection Rate, DR)和较低的错误决策率(Voice Decision Error, VDE):与深度神经网络(Deep Neutral Network, DNN)、非线性幅度压缩法(以下简称’PEFAC’)和Jin and Wang(以下简称‘Jin’)相比,本文提出的方法,DR平均分别提升了5.58%、5.75%和16.41%；VDE则分别下降了1.91%、4.25%和10.04%,该方法对新的说话人和噪声有很好的泛化性能,具有更好的鲁棒性。并且随着测试集与训练集的相似性逐渐变小,我们所提出方法的优势也越来越明显。