# 02｜如何量化分析语音信号？

    你好，我是建元。

上一讲我们了解了音频信号的一些基础知识。因为语音和音乐是最常见的音频信号类型，所以接下来两节课我会分别从这两种类型入手，带你看看如何科学、量化地对音频信号进行分析，从而读懂音频信号所承载的内容和信息，以及了解音频现象产生的原因是什么。这些知识对音频工程师、开发者甚至是调音师、录音师、音乐制作者而言都是很重要的基础，所谓“听其然，更知其所以然”。

好的，那我们这节课就先从语音信号的分析开始说起吧。

## 语音的基本特征

语音按照发音原理可以分为清音和浊音，语音的音调、能量分布等信息可以用基频、谐波、共振峰等特征来分析。为了更好地分析语音，我们先来看看语音是如何产生的？

### 浊音和清音

我们可以结合图1的人体发音器官结构示意图来看一下我们的语音是如何产生的。

![](https://static001.geekbang.org/resource/image/70/42/70689eb8684f7b51f9bd6181e0a24d42.jpg?wh=10666x6000 "图1 人体发音器官结构示意图[br]新闻传播学大辞典：中国大百科全书出版社")

我们知道，声道就是声音传播所通过的地方。发音的声道主要是指我们的三个腔体，即咽腔、口腔和鼻腔。而语音是由声源和声道共同作用产生的。按照声源的不同我们把语音分成以下两类：

*   第一类是**声带振动作为声源产生的声音，我们把它们叫做浊音**。比如拼音中的 “a，o，e” 等。
*   第二类是**由气体在经过唇齿等狭小区域由于空气与腔体摩擦而产生的声音，我们把它们叫做清音。**比如拼音中的 “shi、chi、xi” 等。

那么清音和浊音的声源不同在频谱上有什么样的差异呢？我们先来看看语音的频谱图（如图2所示）。

![图片](https://static001.geekbang.org/resource/image/2d/17/2d3c7dddb85c8ccbcc74650da02ab117.png?wh=1006x645 "图2 语音的频谱图时域图(上)和频域图(下)")

图2中显示的是“实时音视频互动”这几个字的音频信号的时域图和频域图（频谱图）。**时域就是信号幅度和时间的关系，而频域指的是能量与时间和频率的关系。**

频域更方便我们观察不同频率的能量分布。我们可以看到浊音，比如最后两个字“互动”是明显的有规律的能量分布，即低频能量大于高频且有明显的能量比较集中的地方，如频谱图中的亮线。而“实时”和“视”这几个字，都有 “sh” 这个由牙齿间高速气流产生的清音。清音在频谱上显示为比较均匀的分布。在13kHz的高频，清音也有不少的能量。

根据这个简单的分布规律我们已经可以**从频谱上分辨清浊音**了。接下来我们再来看看，我们还能从有明显能量分布的浊音的频谱中得到哪些信息。

### 基频

在发浊音的时候，声带会振动从而产生一个声波，我们把这个声波叫做基波，并且把**基波的频率叫做基频**（一般用F0来表示）。**这个基频其实就可以对应到我们平时所说的音调。**比如，你唱歌音调比较高，其实就是你的声音基频比较高。

一般来说，男生的正常说话基频在100～200Hz之间，而女生的则会高一些，在140～240Hz之间。这就是为什么女生的声音听起来比男生的尖锐一些。基频会随年龄变化而变化，比如小孩的基频比较高，可以达到300Hz，而年龄越大则基频会越来越低。基频的能量对应的是浊音频谱中频率最低的亮线。

### 谐波

声带振动产生的基波，在传输过程中会在声道表面反复碰撞反射，从而产生许多频率倍数于基频的声波，我们通常把这些声波叫做谐波。按照谐波频率从低到高，我们依次叫1次谐波，2次谐波等等。图3中我们可以看一下基频信号和谐波信号在时域上的样子。

![](https://static001.geekbang.org/resource/image/ca/yy/ca20469a5943fa176a12f0d44c83d8yy.jpg?wh=10666x5027 "图3 基波与谐波")

**谐波频率和基频是浊音能量集中的地方**，这也就是为什么我们能看见浊音的频谱是一个栅格的形状。

### 共振峰

一个200Hz基频的浊音，大部分的能量都分布在200Hz以及200Hz的整数倍的频率上。那么是什么决定了哪个谐波的能量高、哪个谐波的能量低呢？

由于高次谐波是由低次谐波在腔体表面碰撞反射得到的，并且碰撞反射会导致能量的衰减，但我们在看频谱图的时候发现谐波信号并不是从低到高依次衰减的。这是为什么呢？

这是因为在这个浊音的产生过程中，声源的振动信号通过声道时，声道本身也会发生共鸣，与声道共振频率相近的能量会被增强，远离声道共振频率的部分则会被衰减，从而谐波的能量就组成了一组高低起伏的形状包络，**我们把这些包络中的巅峰位置叫做共振峰**。

比如图4中英文单词father中的 “a” 这个音我们可以看到明显的三个共振峰，频率分别为750Hz、1100Hz、2600Hz。

![](https://static001.geekbang.org/resource/image/98/3e/98cccc45109c9a28469c3790b8c6333e.jpg?wh=10666x6000 "图4 共振峰示意图[br]语音学：标音、产生、声学和感知，中国社会科学出版社")

频率从低到高我们分别用F1、F2、F3等来表示第一共振峰、第二共振峰、第三共振峰等。

从图4我们可以看到，发不同的音，比如 “a、i、u” 等，共振峰的位置和峰值都是不一样的。这是因为我们之前说的声道的三个腔体随发音的不同，开合、形状都会发生变化。从而形成了不同的腔体共振频率。所以，共振峰的位置和幅度就和发音可以一一对应起来了。这其实也是语音识别背后的原理之一，即**通过共振峰的位置和能量分布来识别音频代表的语音**。

## 语音信号的分析

好的，我们现在对语音是怎么产生的已经能够理解了，那接下来我们分别从时域、频域这两个方面来介绍几个常用的语音分析的方法。因为窗函数常作为时域或频域实时分析的前处理步骤，所以在介绍这些语音分析方法之前，我们先介绍一下窗函数。

### 窗函数

我们分析音频时域或频域特征随时间的变化时，需要按照时间把音频截断成一个个小片段，每个小片段也就是我们说的音频帧。比如10ms的切片为1帧。

但如果直接截断信号则会导致频谱泄漏，即出现不该有的频谱分量。比如，你对一个50Hz的单频信号直接截断，可能会出现60Hz、200Hz的能量分量。因此，**我们一般采用加窗，即在原有信号中乘一个两端为0的窗信号，来减少截断信号时的频谱泄漏。**常用的窗函数有Haning（汉宁窗）、Hamming（汉明窗）、Blackman（布莱克曼窗）等。在时域上加窗（Haning）的过程如图5所示：

![](https://static001.geekbang.org/resource/image/a1/ab/a1c2c0342f9b18fd826f9435825c36ab.jpg?wh=10666x5409 "图5 时域加窗过程")

可以看到图5中加窗的过程其实就是输入信号乘以窗函数，得到了一个两边小、中间高的新信号。

### 时域分析

好了，我们已经了解了窗函数，现在我们来聊聊时域分析。在时域上我们主要介绍两个指标，短时能量和短时平均过零率。

**短时能量**

由于语音的能量随时间的变化较快，比如能量小的时候可能就是没有在说话，而能量大的地方可能是语音中重读的地方。因此，短时能量常被用来判断语音的起止位置或者韵律。短时能量分析的定义如公式1所示：

$$E\_{n}=\\sum\_{m=-\\infty}^{\\infty}{\\left\[ x(m)w(n-m)\\right\]^{2}}$$

其中，$x$代表采样点，$w$代表窗函数。**第$n$个点的短时能量$E\_n$就是由加窗后的采样信号的平方和来表示的。**由于不涉及频谱分析，因此这里的窗可以使用简单的矩形窗。

**短时能量主要有以下3个方面的应用：**

1.  可以用来区分清浊音。一般来说，清音部分的能量比浊音部分的能量要小很多。
2.  可以用来区分有声段和无声段。比如，可以设置一个能量阈值作为判断该语音段是否为静音段的条件。
3.  能量的起伏在语音识别里也被用于判断韵律（比如重读音节）的特征。

**短时平均过零率**

短时平均过零率，顾名思义，就是每帧内信号通过零值的次数。连续的音频信号是围绕0值上下波动的，并且表现为音频信号正负号随时间不断切换。短时平均过零率可以通过公式2和3来计算。

$$Z\_{n}=1/2\\sum\_{m=n}^{n+\\text{N}-1}{\\left| sgn\[x(m)\]-sgn\[x(m-1)\] \\right|}$$

$$sgn\[x(n)\]=\\begin{cases}1, & {x(n)>= 0} \\\\-1, & {x(n)<0}\\end{cases}$$

其中，$\\text{N}$为一帧中包含的信号点数，$sgn$为符号函数，$x$为音频采样点。

如果是**正弦信号**，例如图3中的基频和谐波信号，它们的短时平均过零率，就是**信号的频率除以两倍的采样频率**。

短时平均过零率在一定程度上可以表示语音信号的频率信息。由于清音的频率集中的范围要高于浊音，所以浊音的过零率要低于清音，从而**我们可以初步用短时平均过零率来判断清浊音**。

除了判断清浊音。还可以**将短时能量和短时平均过零率结合起来判断语音起止点的位置**。在背景噪声较小的情况下，短时能量比较准确；但当背景噪声比较大时，短时平均过零率有较好的效果。因此，一般的音频识别系统就是通过这两个参数相结合，来判断待检测语音是否真的开始。

### 频域分析

上面我们讲了基于时域的两种语音分析方法，接下来我们来学习基于频域的两种语音分析方法：短时傅里叶变换和梅尔谱。

**短时傅里叶变换**

短时傅里叶变换（Short-time Fourier Transform）是音频频域分析最常用的方法之一，简称STFT。那它有什么作用呢？

我们在分析音频信号时经常会使用到频谱图（例如图2），**那你知道这个频谱图是怎么得到的吗？**

**结合短时傅里叶变换的步骤（如图6所示），**也许你就明白了：

*   首先，对时域信号加滑动窗，在把音频切成若干个短帧的同时，防止频谱泄漏（窗可以使用汉宁窗）。
*   然后，对每一帧做快速傅里叶变换（Fast Fourier Transform，简称FFT），把时域信号转换为复数频域信号。

![](https://static001.geekbang.org/resource/image/f1/c4/f16aef5cbf20fb62cbae2b8abba7c9c4.jpg?wh=10666x5410 "图6 短时傅里叶变换示意图[br]图片来源网络")

图6中的Hop Length代表滑动窗移动一次的距离，并且Overlap Length就是两个相邻滑动窗重叠的范围。

清楚了这些，我们就可以回答刚才的问题了。其实呢，**我们是把短时傅里叶变换的结果对复数频域信号求模，并取对数转换成分贝（dB），然后用热力图的形式展示出来**，这样就能得到图2中的频谱图。频谱图的横坐标为时间，纵坐标为频率，并且**热力图中的颜色代表每个频点在当前时刻的能量大小**。这样我们就可以通过频谱图来观察每个时刻的语音能量分布了。

**梅尔谱（Mel spectrum）**

上面我们通过短时傅里叶变换得到的频谱图通常也叫做声谱、线性谱或者语谱。

由于心理和听力系统的构造，其实人耳对以Hz为单位的频率并不是很敏感。比如，人类很难区分500Hz和510Hz的声音。我们平时能区分的音调都是以指数排列的。比如，我们说的高八度其实就是把原有频率乘以2。因此，用对数的频率坐标来表示可以更好地反映人的实际听感。

除此之外，人耳对不同频率声音大小的感知也是不同的。如图7所示，红线代表人耳感知到的响度和实际声压的对应关系，人耳感知的响度我们一般用phon（方）来表示。

![](https://static001.geekbang.org/resource/image/83/14/835448cb9cf92241342b91e69b20dd14.jpg?wh=10666x5421 "图7 人耳音量感知等响曲线[br]语音学：标音、产生、声学和感知，中国社会科学出版社")

由图7可以看到，人类在4kHz的频率对声音的响度比较敏感，而在两端的高频和低频则需要更强的声压，人类才能感知。这其实和人类的进化有关，4kHz多为猛兽的叫声能量分布范围，所以人耳对这类危险的频率较为警觉。

因此，为了结合人耳对频率的感知。需要使用对数的频率坐标，且通过分配滤波器组对频谱图的能量按照听感重新分配，于是就有了梅尔谱等表示形式。

Mel谱的计算步骤分为下面几步：

*   首先，对语音信号进行预加重（平衡高低频能量）；
*   然后，语音信号通过STFT得到频率谱；
*   最后，通过三角滤波器组对频率谱逐帧进行滤波。

三角滤波器组如图8所示。我们可以看到三角滤波器组把频率划分成了若干个频段。敏感的频段滤波器分布比较密集，而不敏感的频段比较稀疏，这样就能更好地表征人耳的实际听感。

![](https://static001.geekbang.org/resource/image/13/fd/137a6a039ebbb746a71b9e69b9e351fd.jpg?wh=10666x4794 "图8 梅尔谱中的三角滤波器")

梅尔谱以及对梅尔谱再进一步求倒谱系数得到的MFCC（梅尔倒谱系数），经常被用于语音识别、声音事件识别等领域。其实类似的基于人耳实际听感的表示还有[Bark谱](https://wikimili.com/en/Bark_scale)、[Gamma Tone Filter](https://www.sciencedirect.com/science/article/abs/pii/S0141933116300461) 等，这里就不一一赘述了。如果你有兴趣可以自行了解一下，并且有问题也可以发表在留言区。

## 小结

好了，这节课到这里就要结束了。我们先来回顾一下这节课的重点。

关于语音是如何产生的、在信号层面有何不同、语音是如何被人耳感知的这些都是这节课的重点。有了扎实的理论基础和分析方法，以后你再碰到语音算法设计、语音特征分析时就可以有针对性地进行选择了。

现在我给你简单总结一下，我们今天主要讲了哪些内容。

1.  语音根据发音原理的不同可分为清音和浊音，并且根据它们在频谱图上的分布规律，我们可以从频谱上分辨清浊音。
2.  只有浊音才有基频和谐波。我们将发浊音时声带振动产生的声音叫基波，并且将基波的频率叫做基频。基频对应我们平时所说的音调，而谐波是频率倍数于基频的声波。
3.  共振峰表示发音受腔体形状影响。共振峰的位置和幅度可以和发音一一对应，从而我们可以通过共振峰的位置和能量分布来识别音频代表的语音。
4.  在做音频分析的时候需要对音频信号进行截断，而这会导致频谱泄漏。加窗可防止频谱泄漏。
5.  短时能量和短时平均过零率是时域分析的常见指标。它们可用于判断清、浊音以及语音的起止位置。
6.  频域分析常使用短时傅里叶变换和梅尔谱等方法，并且梅尔谱更能反映人耳的实际听感。

## 思考题

最后，给你介绍一个常用的Python音频处理工具[librosa](http://librosa.org/doc/latest/index.html)，利用它可以快速地画出频谱图和梅尔谱。下面是示例代码，你可以尝试用自己的音频绘制一下频谱图和梅尔图，分析一下清、浊音在两个频谱上有什么不同。

```plain
#绘制STFT
import numpy as np
import librosa
import matplotlib.pyplot as plt
audio,sr=librosa.load('Path',sr=48000)
n_fft=1024
ft = np.abs(librosa.stft(y[:n_fft], hop_length = n_fft+1))
plt.plot(ft)
plt.title('Spectrum')
plt.xlabel('Frequency Bin')
plt.ylabel('Amplitude')
#绘制梅尔频谱
mel_spect = librosa.feature.melspectrogram(y=y, sr=sr, n_fft=2048, hop_length=1024)
mel_spect = librosa.power_to_db(spect, ref=np.max)librosa.display.specshow(mel_spect, y_axis='mel', fmax=8000, x_axis='time');
plt.title('Mel Spectrogram');
plt.colorbar(format='%+2.0f dB');

```

好了，这节课就到这里。你可以把你的问题和答案写下来，分享到留言区，与我一起讨论。我们下节课再见。