语音信号基音检测的现状及展望

基音检测是语音处理中的一个非常重要的问题,但由于影响基音检测的因素众多,使得基音周期的准确估计非常困难。文中阐述了短时自相关函数法、短时平均幅度差函数法、倒谱法、小波变换法等几种经典的基音检测方法,分析它们各自的优点及存在的不足,并在预处理、后处理、语音信号的产生模型、语音信号的个性特征、发音时的情感及力度等基音检测的各个环节上提出了一些看法,并就一些可能出现的突破口做了一些展望。

第14卷　第3期微　机　发　展Vol.14　No.32004年3月　　　　　　　　　　　　　MicrocomputerDevelopment　　　　　　　　　　　　　　Mar.2004

语音信号基音检测的现状及展望

冯　康,时慧琨

(淮南师范学院,安徽淮南232007)

摘　要:基音检测是语音处理中的一个非常重要的问题,但由于影响基音检测的因素众多,使得基音周期的准确估计非常困难。文中阐述了短时自相关函数法、短时平均幅度差函数法、倒谱法、小波变换法等几种经典的基音检测方法,分析它们各自的优点及存在的不足,并在预处理、后处理、语音信号的产生模型、语音信号的个性特征、检测的各个环节上提出了一些看法,关键词:基音周期;短时自相关函数;短时平均幅度差函数;倒谱;;;中图分类号:TN912.3　　　　　　　文献标识码:A:-03-0095-04

TheCurrentofPitchDetection

FENGKang,SHIHui2kun

(HuainanNormalCollege,Huainan232007,China)

Abstract:ThePitchdetectionisimportantinspeechsignalprocession.Butitisdifficultindetectingpitchaccuratelybecausemanyfactorsaffectthedetection.Inthispaper,severalclassicalmethodsofpitchdetectionareproposedwithanalysisoftheirstrongpointsandweakpoints,theyareshorttimeautocorrelationfunction,shorttimeaveragemagnitudedifferencefunction,cepstrumandwavelettransform.Alsosomepeculiarviewsarepresentedonpro-procession,post-procession,modelofspeechsignal,characters,emotionsandphysicalpower,andfinallysomepossiblebreakthroughsareexpected.

Keywords:pitch;shorttimeautocorrelationfunction;shorttimeaveragemagnitudedifferencefunction;cepstrum;wavelettransform;pro-procession;post-procession

人在发浊音时,气流通过声门使声带产生张驰振荡式振动,产生一股准周期脉冲气流,这一气流激励声道就产生浊音,又称有声语音,它携带着语音中的大部分能量。这种声带振动的频率称为基频,相应的周期就称为基音周期(Pitch),它由声带逐渐开启到面积最大(约占基音周期的50%)、逐渐关闭到完全闭合(约占基音周期的35%)、完全闭合(约占基音周期的15%)三部分组成,基音周期具有时变性和准周期性,它的大小与个人声带的长短、厚薄、韧性和发音习惯有关,还与发音者的性别、年龄、发音时的力度及情感有关,是语音信号处理中的一个重要参数。基音周期的估计称为基音检测(PitchDetection),它在有调语音的辨意、低速率语音编码、说话人识别等方面起非常关键的作用,基音检测的最终目标是找出和声带振动频率完全一致的基音周期变化轨迹曲线,如不可能则找出尽量相吻合的轨迹曲线

[1]

检测方法,但在实现过程中,由于受声带激励波形不是一个完全的周期脉冲串,丰富的谐波成分、声道的影响很难去除,基音周期的定位困难,背景噪声的强烈影响,基音周期的变化范围较大,个人的发音习惯及性别、年龄、发音时的力度及情感对基音周期的定量影响不能准确确定等一系列因素影响,从而使这些方法在使用中,其健壮性、准确性都大打折扣,可以说,至今没有一种万能的方法在任何情况下都能准确可靠地估计出基音周期。目前的方法主要是基于传统的语音模型,最具代表性的就是自相关法、平均幅度差函数法、线性预测分析方法、小波变换法及在四种算法上的基础上的衍生算法(如小波变换和自相关相结合)。

1　短时自相关函数法

能量有限的语音信号{s(n)}的短时自相关函数定义

N-1-τ

。随着语音处理技术及相关

学科的发展,人们已经在理论上找到很多比较有效的基音

)=为Rn(τ

′

m=0

∑[s(n+

)w(mm)w(m)][s(n+m+τ

收稿日期:2003-08-15

基金项目:院级青年人才基金资助项目(2003LKQ01)

),男,安徽淮南人,硕士,讲师,研究方向为作者简介:冯　康(1969—

)],其中,τ为移位距离,w(m)是偶对称的窗函数。+τ

短时自相关函数有以下重要性质:

(1)如果{s(n)}是周期信号,周期是P,则R′(τ)也(τ)=R′(P+τ)。是周期信号,且周期相同,即R′

计算机系统结构、人工智能。

基音检测是语音处理中的一个非常重要的问题,但由于影响基音检测的因素众多,使得基音周期的准确估计非常困难。文中阐述了短时自相关函数法、短时平均幅度差函数法、倒谱法、小波变换法等几种经典的基音检测方法,分析它们各自的优点及存在的不足,并在预处理、后处理、语音信号的产生模型、语音信号的个性特征、发音时的情感及力度等基音检测的各个环节上提出了一些看法,并就一些可能出现的突破口做了一些展望。

　9　　　　　　　　　　　　　　　　　　　　　　微机发展　　　　　　　　　　　　　　　　　　　　第14卷 6

(2)当τ=0时,自相关函数具有最大值,即在抽样0,

时具有良好的局部化特性,它可以根据信号的不同频率成分,在时域和频域自动地调节取样的疏密,经过若干层次的小波变换后,其逼近部分变成一段很光滑的类似正弦波的信号,其中所含的主要信息就是振荡周期,即基音周期。

(1)检测原理:令小波Ψ和基小波Ψ 相对应,如果Ψ ∈L(R),满足允许性条件,即

2

±P,±2P,…,周期信号的自相关函数达到最大值。

(3)自相关函数是偶函数,即R′(τ)=R′(-τ)。

短时自相关函数法基音检测的主要原理大都是利用短时自相关函数的这一性质,通过比较原始信号和它的移位后的信号之间的类似性来确定基音周期的,如果移位距离等于基音周期,那么,两个信号具有最大类似性;或是直接找出短时自相关函数的两个最大值间的距离,即作为基音周期的初估值[2]。

在实际采用短时自相关函数法进行基音检测时,可以采用两种思路,一种是使用一个窗函数,窗不动,语音信号移动,这是经典的短时自相关函数法。窗口长度N的选择至少要大于基音周期的两倍,N越大,短时自相关函数波形的细节就越清楚,更有利于基音检测,但计算量较大,年来由于高速数字信号处理器(DSP),一算法简单有效,法、递归计算法等,,,为变形的短时自相关函数法。,如协方差函数法;也可以不等长,如短时互相关法。

自相关函数特别适用于噪声环境下的基音提取。但通常情况下,基音频率与第一共振峰频率比较接近,当声道响应的自相关峰大于基音周期的自相关峰时,单独使用自相关函数会导致半倍和双倍基音的提取误差。

(x)dx=0,则s(x)

∫Ψ

-∞

+∞

的小波变换的定义为:Wss(x)=s(x)3Ψ s(x),其中

Ψ s(x)= s(),Ψ s(x)称为小波。选择一个光滑实函

s

s

数θ(x),满足

∫

+∞-∞

θ(x)dx(x)=O(

1+x2

),

O(表示,θ(x)能量集中在

,δ(这里的Ψ, (x)= (x)满足允许性

dx

条件),记θs(x)=

Wss(x)

s

(),对s(x)进行小波变换

s

=s(x)3

S

=s(x)3Ψ s(x)

θ()

dx

=s

(s(x)3θs(x)),即小波变换Wss(x)可表示为信号dx

s(x)在尺度s上被θ通过比较s(x)平滑后的一阶导数。Wss(x)与信号s(x)的波形可以清楚地看到:Wss(x)的

幅值极大值点对应于s(x)的突变点x0和x2,如果选择小波为光滑函数的一阶导数,则由小波变换的极大值点可以检测到信号s(x)的突变点。而在语音信号中,一个突变点即对应着一次声门的瞬间闭合,相邻两次声门闭合的时间就是基音周期,所以可以使用合适的比例因子,利用小波变换可以进行基音检测[4]。

(2)优点:小波变换法不是建立在语音信号短时平稳

2　短时平均幅度差函数法(AMDF法)

语音信号{s(n)}的短时平均幅度差函数定义为:

Fn(k)=

R

N-1

n=0

∑|

s(n+m)w1(m)-s(n+m+k)w2(m

+k)|,其中,w(m)是窗函数,R是信号s(n)的平均值,

性的基础上的,所以它能提取出精确反映基音周期变化的动态基频包络,其他的短时分析的基音检测方法,由于都是基于短时平稳假设的基础上的,所以实际上求出的是基音周期在某一段时间的平均值。而小波变换法恰恰改正了这一固有的弱点,它能动态地随语音信号的周期性变化而变化,不会因为语音的准周期性或某一段无周期性而影响提取效果,所以,利用小波变换进行基音检测,可以随说话人的不同、语音段的不同精确地检测出基音周期,从而构成了真正反映基音周期变化的基频包络。

(3)缺点:当检测被噪声污染的语音信号时,随着信

因为语音信号的浊音段具有周期性,假设基音周期为p,则在浊音段,Fn(k)在k=p,2p,3p,…处将出现谷点,谷点间的距离即为基音周期[3]。

实际应用中,窗函数w1(m)和w2(m)取窗长为N和N+K的矩形窗,这样可使短时平均幅度差函数Fn(k)减法和取绝对值等的定义更简单。由于Fn(k)只需加法、计算,故算法简单,很易于硬件实现,从而使得短时平均幅度差函数法在基音检测中使用得相当普遍,著名的10阶线性预测声码器LPC-10声码器就采用(AMDF法)来进行基音周期的提取。研究表明,当语音信号的变化比较平缓时,AMDF进行基音周期估计可以得到较高的估计,即精度和可靠性,所需的计算量也比较小,但是当语音信号的幅度或频率变化比较快时,AMDF法的基音估计精度会明显下降。

噪比的减小,利用小波变换进行基音检测的误差越来越大。

4　倒谱法

倒谱定义为时间序列的z变换的模的对数的逆z变换,序列s(n)d的倒谱c(n)的傅里叶变换形式为c(n)

πω=1n|z(s(n))|ejndω。具体实现时,用DFT来2π-π

近似傅里叶变换,根据传统的语音产生模型及语音信号的

3　小波变换法

小波变换是一种时域—频域分析,它在时域—频域同

基音检测是语音处理中的一个非常重要的问题,但由于影响基音检测的因素众多,使得基音周期的准确估计非常困难。文中阐述了短时自相关函数法、短时平均幅度差函数法、倒谱法、小波变换法等几种经典的基音检测方法,分析它们各自的优点及存在的不足,并在预处理、后处理、语音信号的产生模型、语音信号的个性特征、发音时的情感及力度等基音检测的各个环节上提出了一些看法,并就一些可能出现的突破口做了一些展望。

第3期　　　　　　　　　　　　　冯　康等:语音信号基音检测的现状及展望 97

短时性。在频域内,语音信号的短时谱等于激励源频谱与滤波器频谱的乘积,浊音信号的短时谱中包含的快变化的周期性细致结构,必定对应着周期性脉冲激励的基频和各次谐波。语音的倒谱是将语音的短时谱取对数后再进行

IDFT得到的,所以浊音信号的周期性激励反映在倒谱上

波器,控制滤波器的带宽,可有效去除第二共振峰及部分第一共振峰的影响,实现框图见图2[5]

。

是同样周期的冲激,藉此,可从倒谱波形中估计出基音周期。一般把倒谱波形中第二个冲激,认为即是对应激励源的基频,即基音周期。下面给出一种倒谱法求基音周期的框图(见图1)

。

图2　一种基音检测的预处理方法

5.2　在后处理上下功夫

,在提取基音的过程实际情况是大部分段落吻

图1　,而在一些局部段落和区域中有一个或几个基音频率估计值偏离,甚至远离正常轨迹清/浊判错,基音周期估值落在实际基音频率的倍频或分频所对应的周期等情况时有发生,这种情况称为基音轨迹,产生了若干错误点。这些错误点主要包括倍频点、半频点和随机错误点,所以,为了去除这些错误点,对上述算法已经求得的基音轨迹进行平滑的后处理是非常必要的。好在语音信号的基频通常是连续地缓慢变化的,因此,用某种平滑技术来纠正个别估值的错误是可以的。常用的平滑技术主要有:中值滤波平滑处理、线形平滑、动态规划平滑处理。但这些后处理方法对有间隙的语音或基音频率连续有随机错误点的语音来说,平滑效果较差。近年来,一种搜索试探的平滑方法得到很大推广,它的主要思路是:根据清浊判决的结果,确定基音的开始和结束点,从起点开始搜索,对每一个基音频率点进行处理。设f1,f2,…,fN代表连续N帧的基音频率。当处理第I帧基音频率fi时,首先处理基音频率提取过程中出现的倍频和半频问题。

处理方法如下[6]:如果

|fi/2-fi-1|<c1,　则令fi=fi/2

′

5　改进方法

,但实际应用中,语音信号的环境千差万别,有的是安静环境,有的有强烈的背景噪声,有的方法没有考虑声道的影响,有的方法没有考虑发音者的个体差异,有的方法在预处理和后处理上欠妥,有的方法不管什么场合都采用传统的语音模型,而基音检测的健壮性及准确性却与对象、方法、环境密切相关,这使得上述方法在运用中,在安静的实验室环境下,有较高的准确性,但一到噪声环境,准确性剧减。有的对选定的人群有效,对任意的个体性能陡降,有的在说话者情绪平静时有效,但一遇情绪激动,则大打折扣。所以说,至今没有一种万能的方法在任何情况下都能准确可靠地估计出基音周期。但这并不能说明不能对此作一些改进,根据作者多年的研究,可以在以下方面作一些突破。

5.1　在预处理上下功夫

由于实际的语音信号常常混和着强烈的背景噪声及共振峰频率,从而使语音信号的波形变得非常复杂,这常常引起基音检测的错判和误判。预处理的主要任务是在基音检测前,尽量去除背景噪声的影响及第一共振峰的影响,这对自相关法和平均幅度差函数法是非常必要的,常用的方法有中心削波处理或用一个通带约800～900Hz的线性相位低通滤波器滤除高次谐波分量,这两种方法对去除高频噪声及第三共振峰非常有效,但对男性、女性在发韵母“u”及“o”时,第二共振峰的影响不能去除,对第一共振峰的影响无法去除。研究发现:汉语拼音七个韵母中,第一共振峰依次降低的顺序是“a”“e”、“、o”“er”、、“u”、“ü”“i”、,对于同一韵母,同一年龄段中,儿童高于成人,女性高于男性。借助于利用隐马尔可夫模型的连续语音识别的技术及说话人性别、年龄识别技术的成熟,用语音信号中的韵母成分及年龄、性别反馈于前端线性相位低通滤

则

(1)(2)(3)(4)(5)(6)(7)

如果

|23fi-fi-1|<c,　则令fi=23fi

′

处理完倍、半频的情况,就处理随机错误点的情况。

|fi-fi-1|>c1且|fi+1-fi-1|>c2

就得到

fi=2×fi-1-fi-2

′

如果有

|fi-fi-1|>c1,且|fi+1-fi-1|Φc2

′

fi=(fi-1+fi+1)/2

如果公式(3)和公式(5)都不满足,则

fi=fi

′

基音检测是语音处理中的一个非常重要的问题,但由于影响基音检测的因素众多,使得基音周期的准确估计非常困难。文中阐述了短时自相关函数法、短时平均幅度差函数法、倒谱法、小波变换法等几种经典的基音检测方法,分析它们各自的优点及存在的不足,并在预处理、后处理、语音信号的产生模型、语音信号的个性特征、发音时的情感及力度等基音检测的各个环节上提出了一些看法,并就一些可能出现的突破口做了一些展望。

　9　　　　　　　　　　　　　　　　　　　　　　微机发展　　　　　　　　　　　　　　　　　　　　第14卷 8

在上面几个公式中,fi′代表第I帧平滑后得到的基音频率,C1和C2是两个由实验决定的阈值。根据采样频率和人发音的频率范围,C1取10,C2取25。两个阈值和上面规则的作用就是限制相邻帧之间的基音频率变化不超过

C1,而隔一帧的相邻帧之间的基音频率值变化不超过C2,

5.4　适当考虑个性特征及情感、发音力度的影响

近年来国内外的研究表明,基音周期的大小与个人的发音习惯及性别、年龄、发音时的力度及情感有很大的关系,传统的基音检测都是以“冷漠的”语音为研究对象的,而在实际中,人在发音时,常常带着惊讶、喜悦、紧张、愤怒、悲伤等复杂的感情,有时,环境噪声引起Lombard效应

(说话人在高噪声环境中为了使自己的声音能被听到,有

从而达到对基音平滑的效果。按此规律迭代操作,直至基音频率的终点。

5.3　在语音信号的产生模型上寻找突破口

意或无意地提高嗓音,致使其发音速度及质量发生变化),在这些感情和力度的驱使下,人的声带开启到最大面积时间及关闭的速度与平静时相比,,同时,共振,4

传统的语音产生模型见图3,它起源于1930年Dud2

dley发明的声码器,其基本思想是将激励和系统相分离,

使语音信号解体来分别进行描述而不是直接研究信号波

形的本身。

图3　传统的语音信号产生的数字模型

上述基音检测方法都是建立在这个模型上的,使用中,对每帧语音信号只进行一次清浊判决,若判为浊音,则以基音周期间隔的脉冲序列作为该帧的激励信号;若为清音,则以随机噪声作为该帧的激励信号,实际中,清浊信号的过渡段是很难区分的,且激励信号也常常含有类噪声成分,很难以帧加以区分。

基于以上原因,近年来,一种新型的语音产生模型———多带激激励(MBE)语音产生模型广泛应用,它对每一帧的语音用一个随频率变化的清浊音判决器取代传统模型的清浊音开关,它先将每一帧语音信号的频谱划分为许多频带,然后,对语音频谱的每个频带进行分析,看其具有周期性还是类噪声特征,由此对每个频带作出清浊音判决,从而得到一个与短时谱相应的、具有清音和浊音混和成分的激励谱[7],基于MBE模型的基音检测算法就是典型的应用,MBE将每一帧的[-π,π]的整个频段,以基频ω0(基音周期的倒数)为宽度,划分为等间隔的P个频带,在每一频带内进行清浊判决,浊音带激励用周期谱

)表示,清音带激励用随机噪声谱Uw(ω)表示。Pw(ω

)和Uw(ω)混和构成Ew(ω),令第m频带内谱包络Pw(ω

图4　不同情感下的基音周期轨迹

可见不同的情感的影响是不同的,这些影响无疑使上述的基音检测方法的预处理及后处理变得复杂,国外的学者采用实时监控情感的变化,并把相应的影响修正基音轨迹加以平滑或动态改变窗的宽度,可以有效降低上述影响。近年来,基于线性预测分析频谱的Mel倒谱系数在处理带情感的语音识别取得很大的进展,能否将此种方法引入到相应状态下的基音检测,值得广大学者进行研究。

6　结　论

基音检测一直是语音信号处理中的一大难题,短时自相关函数法、短时平均幅度差函数法、倒谱法、小波变换法等几种经典的基音检测方法,都有各自的适用场合,同时也有其相应的不足,任何一种方法都不能作为万能和通用的方法,但如果能在基音检测的过程中,对预处理和后处理方法上进行一些改进,并突破传统的语音模型,适当考虑说话人的个体特征及发音时的情感及力度对基音检测的影响,定能增加基音检测的准确性及健壮性。

参考文献:

[1]　杨行俊,迟惠生1语音信号数字处理[M]1北京:电子工业

为定值Am,则,第m频带内的激励谱与原始谱的误差函

数定义为εm=2π

|S

am

bm

w

(ω)-Am Ew(ω)|2dω,其中,

)为加窗语am=(m-0.5)ω0,bm=(m+0.5)ω0,Sw(ω

音信号的傅里叶变换,对应εm最小时的ω0即为最佳基频。上述方法虽运算量大,但可在任意的分辨率下估计出基音周期。

出版社,19951

[2]　鲍长春1低比特率语音编码基础[M]1北京:北京工业大

学出版社,20011(下转第101页)

基音检测是语音处理中的一个非常重要的问题,但由于影响基音检测的因素众多,使得基音周期的准确估计非常困难。文中阐述了短时自相关函数法、短时平均幅度差函数法、倒谱法、小波变换法等几种经典的基音检测方法,分析它们各自的优点及存在的不足,并在预处理、后处理、语音信号的产生模型、语音信号的个性特征、发音时的情感及力度等基音检测的各个环节上提出了一些看法,并就一些可能出现的突破口做了一些展望。

第3期　　　　　　　　　　　张向波:基于模型的人机交互系统分析的符号学方法 101

准确地讲,任务模型描述交互活动如何执行来达到用户的目标。设计交互应用时,应该考虑相关人员(如设计者、开发者、应用领域的专家、最终用户和管理人员等)提出的需求。当设计一个新的应用系统或分析已有的应用系统时,应该有一个碰头会,综合考虑相关人员的意见和建议。

建立任务模型的主要目的是因为任务模型能够获取用户的意图并且从逻辑上描述用户为达到自己的目标而应该采取的活动。另外,使用模型也能够使设计者从功能和交互两方面进行全面描述从而改变主要集中于功能描述的传统的工程方法。任务分析并不是一个新内容,然而,目前仍然缺乏开发和使用的系统方法。

由此看来,任务模型的用途在于:理解应用领域,综合提出各方面的需求,交互系统的分析和可用性评价,用户支持,因此,一个新的系统,(1)设计者:,

可能发生的活动,这些符号能充分有效地描述交互和动态行为,这一点十分重要,这些符号应该是可读的,以便使没有背景知识的人也能够解释它。

3符号方法系统。这些方法需要支持任务模型的规范、分析和使用,简化开发过程,支持设计者在用户界面设计和评价中知识的使用;有一点需要提醒的是即使设计者也常常在开发许多任务分析和建模之后却并没有将它应用到用户界面的详细设计中去,原因在于缺乏结构化的方法,具体设计中任务模型如何使用信息的规则和建议没有给出。

3,因此,结构化和文档化方案3具有自动化工具。获得的自动化工具支持设计周期的各个阶段,包括可用性评价。例如,一旦设计的结构化方法认为可在自动化工具中加入其规则,支持设计者容易地解释有用信息的表示和解决方法,但仍然留下空间给设计者,来裁减和选择对具体问题的更合适的解决方法。

,重点在相关的逻辑内容,,随着人们对于交互复杂性问题的认可,研究表明,平均48%的代码、45%开发时间、50%执行时间、37%维护时间用于用户界面方面。

(2)最终用户:由于任务模型支持系统可用性的开发,

4　结　论

符号工具能比较有效地解决人机交互系统中表示的一致性问题。因此,符号工具和方法提供了解决交互复杂问题的新思路和新方法。目前对于符号工具的应用形成了计算机符号学、人机交互符号学、自然语言理解、符号工程化方法和原则等学科领域方向,由此看来,符号学理论和方法将获得将越来越多的应用。

参考文献:

[1]　PaterF.Model-BasedDesignandEvaluationofInteractive

Applications[M].London:Springer,1999.

[2]　马克斯 本泽1广义符号学及其在设计中的应用[M]1徐恒

不难理解用户界面可以辅助用户的活动,因为界面支持的生理活动能容易地映射到逻辑活动,并且所提供的表示形式能有效地支持任务。

这意味着任务模型可用于提高设计和开发过程,从而获得更为有用的交互方面的应用。广而言之,任务建模是一个领域,吸收了计算机科学和认知科学的成果,原因在于它是这两门学科的结合点,都关心设计的交互应用。这种结合形成了人机交互的研究方向(如图3所示)

。

醇译.北京:中国社会科学出版社,1992.

[3]　皮埃尔 吉罗1符号学概论[M].怀　宇译.成都:四川人民

出版社,1988.

[4]　美浓导彦1信息媒体工程[M].白玉林等译.北京:科学出

图3　任务模型方法版社,2001.

[5]　DavidB,CatrionaM.ScenariosandtheHCI-SEdesign

problem[J].InteractingwithComputers,2002,14:397-405.

然而,任务模型缺乏工程方法,应用符号工具的优势在于:

3符号表现灵活。获取的这些符号能够清楚地描述

(上接第98页)

[3]　易克初,田　斌,付　强1语音信号处理[M]1北京:国防

[6]　朱小燕1汉语声调识别中的基音平滑新方法[J]1中文信

工业出版社,20001

[4]　赵　铮1基于小波变换说话人识别技术的研究[J]1西安

息学报,2000,15(2):90-1031

[7]　KadambeS,Boundreaux-BartelsGF.AComparisonof

WaveletTransformforPitchDetectionofSpeechSignal[J].IEEETransactionsonInformationTheory,1992,13(2):917-9241

电子科技大学学报,2000,27(4):20-401

[5]　RabinerL,JuangBiing-Hwang1Fundamentalsofspeech

recognition[M]1北京:清华大学出版社,19991

本文来源：https://www.bwwdw.com/article/mtvi.html