第二章 語音情緒特徵參數計算
2.2 語音特徵(Speech Feature)計算
2.2.1 音高(Pitch)
在一段語音信號的形成過程中，首先會先由聲音源(Sound source) 發出一定頻率的弦波訊號後，接著聲音經由口腔、舌和嘴唇等所形成
的濾波器(Filters)，將聲源信號做調變，便可以發出不同聲調的聲音。
而所謂的音高(或者稱為基頻, Pitch)，意指發音源最原始的振動頻 率；通常要精確的去找出音高是不太容易的事，一般常用的方法，有 自相關函數分析(Autocorrelation Function Analysis) [53]、倒頻譜演算 法(Cepstrum Algorithm) [43]以及小波轉換(Wavelet Transform)[31]等。
音高為語音辨識中重要的特徵之一，只有在有聲語音(Voiced signal)中，才會有音高的存在，而人類的情緒則是隱藏於有聲的語音 信號中，圖 2-7為一段語音訊號經由自相關函數分析所計算出來的音 高輪廓(Pitch contour)，本文之音高計算將採用自相關函數分析作為音 高的計算方法，其主要步驟如下：
(1)、取出一段經過音框化之語音訊號，將此語音訊號序列經過快速 傅立葉轉換後，得到一頻譜參數序列。
n m
FFT
x
nFSpectrum ; (2.2.1) 其中m表示第m個音框，x
n 表示第m個音框內的語音訊號序列。(2)、設定一頻寬(50~1000Hz)，將此頻率範圍內之音框頻譜做自相關 分析，如式(2.2.2)所示。
1
1
; )
; (
; _
n
i
m i
FSpectrum m
i FSpectrum
m i FSpectrum ACF
(2.2.2)
(3)、找出自相關分析ACF_FSpectrum
i;m 除了第一個值外，最大值 的位置，並由式(2.2.3)計算出對應的頻率。
1
k N
pitch Fs (2.2.3)
其中，N為音框長度，k表示除了第一個值外，最大值的位置點。
2.2.2 共振峰(Formant)
人類的聲帶振動經過聲道以及口腔後，會產生共振發出聲音，取 一段經音框化後之音頻訊號，將音頻訊號利用快速傅立葉轉換將訊號 轉換到頻譜上，將傅立葉轉換之頻譜取其包絡線，可得到一條較為緩 和的頻譜曲線，在曲線上可以看到若干個高點，這些高點代表能量集 中的頻率位置，這些能量集中的位置就是共振峰(Formant)之所在位 置。如圖 2-8 所示，第一個高點通常為音高位置，標示為 F0，第二 個高點稱為第一共振峰，標示為 F1，第三個高點稱為第二共振峰，
標示為 F2，依次類推。如果發出的聲音是聲帶不動的輔音，則在頻 譜上就看不到基頻與共振峰，而且能量會比較集中在高頻處。
2.2.3 音框能量(Frame Energy)
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，振幅越大音強越大，在固定音框長度的情況下，音框 能量可以以式(2.2.4)表示
m
N mL n
n x m
En
1
2 (2.2.4) 其中，m為音框編號，音框與音框相距為 L。
由於人耳對音強的感知並非線性，而是接近於對數的曲線，所以
一般時候我們會將能量以對數方式表示，
m
N mL n
n x m
En
1
log 2 (2.2.5) 我們從訊號起始端開始，第一個音框編號為 1，以此類推，我們 可以得到一音框能量變化的序列，圖 2-9為一語音訊號的音框能量曲 線，
2.2.4 梅爾頻率倒頻譜係數(Mel-frequency Cepstral coefficient, MFCC)
人耳在頻域上的感知並非全頻域有相同的敏感度，在正常的情況 下，對於低頻有較高的解析度，也就是在低頻可以分辨較小的頻率差 異，此外還有臨界頻帶的現象，在1kHz 頻率以下的臨界頻帶寬度約 為 100Hz，1kHz 頻率以上的臨界頻帶寬度成指數增加。因此，配合 人耳聽覺特性，在頻域中以梅爾(Mel-frequency)劃分頻帶，將屬於一 個頻帶中的頻率成分，合在一起當作一個能量強度，然後將這些頻帶 強度，以離散餘弦轉換(DCT)，轉換成倒頻譜，其轉換方法如下，首 先，設計一組梅爾頻率的帶通濾波器，來得到通過帶通的音強，用以 計算倒頻譜，圖 2-10 為三角形濾波器所組成的梅爾濾波器組，梅爾 頻率刻度是以 1kHz 以下為等間距，1kHz以上為對數間隔，在 4kHz 範圍內設計成20 個頻帶，其中心頻率設定成；100，200，300，400， 500，600，700，800，900，1000，1148，1318，1514，1737，1995， 2291，2630，3020，3467，4000Hz。以數學式表示，第 m 個濾波器
的函數式如下： Cosine Transform, DCT)，得到梅爾頻率倒頻譜。