基本語音特徵擷取

在上一節中我們介紹了基本語音訊號處理過程，接著我們便要由已處理好的 語音資料中進行特徵的擷取，在本論文中，我們利用音量(energy)、音高(pitch)、

以及梅爾倒頻譜係數(Mel-frequency cepstral coefficients)來當作我們實驗用的特 徵向量。

一、音量偵測

在語音特徵中，聲音強度的變化是相當重要的訊息，聲音強度與波形振幅有 關，振幅越大音強(intensity)越大，在固定音框長度情況下，計算音框能量可以 表示為：

………(3-3) 由於人耳對音強的感知並非線性，而是接近於對數的曲線，將能量以對數方 式表示，其計算式如下所示：

20

………(3-4)

( 表示第幾個音框)

下圖為一語音訊號以及其能量曲線。

圖七、 語音波形與其相對的能量(energy) 二、 音高偵測

音高代表聲音頻率的高低，亦及聲音週期的倒數，本研究採用自相關函數

(Auto-correction function)的方法來作音高的計算。其方法說明如下，首先將音框 右移，然後將右移之後新的音框與原先的音框重疊部分做內積，因為一個音框內 包含著數個週期，在右移恰好一個週期的取樣點後，會產生一個內積的局部最大 值(local maximum)，因此便可知道週期長度為何，再取其倒數即為音高。圖八為 經過自相關函數計算之結果，圖八取第一點除外之最大值對應之頻率值即為音 高。

21

圖八、 ACF 之音高偵測

三、梅爾倒頻譜係數

對於一個音框的訊號 x(n)，n=0,1,2,…,N-1，經過傅立葉轉換，轉換到頻域上。

………(3-5)

其逆轉換為

………(3-6) 其中 為一個複數，可以分成絕對值(magnitude)跟相位(phase)兩個部分，

如果將絕對值取平方變成 ，然後再對此繪圖，就會得到能量頻譜(energy

22

spectrum)。

接著我們要設計一組 20 個頻帶的 Mel-frequency 的帶通濾波器，這 20 個三 角帶通濾波器在「梅爾頻率」（Mel Frequency）上是平均分佈的，而梅爾頻率和 一般頻率 f 的關係式如下：

Mel(f)=2595*log¹⁰(1+f/700) ………(3-7)

圖九、 一般頻率與 Mel 頻率的關係圖

使用三角帶通濾波器有的主要目的為對頻譜進行平滑化，並消除諧波的作用，

突顯原先語音的共振峰（因此一段語音的音調或音高，是不會呈現在 MFCC 參 數內，換句話說，以 MFCC 為特徵的語音辨識系統，並不會受到輸入語音的音 調不同而有所影響）。

將能量頻譜的上個頻率的能量乘以這組三角型濾波器，然後累加起來，就是

23

{Happy Angry Sadness Boredom Normal

Emo_in 為此斷句所對應的語音情緒。

接著選取長度為x的情緒子序列做為特徵向量，藉由 SVM-Based 分類器進行講 者闡述語音狀態的分析(如圖十所示)。在實驗時因為每位講者在講解以及非講解 時候語音情緒的內容皆不相同，因此需得請講者對於其影片內容進行講述重點以 及非講述重點時段的切割，來做為我們訓練分類時候的依據。