參數抽取

上節介紹完聽覺頻譜圖的(Auditory Spectrogram)的原理後，本節將介紹，如何從 聽覺頻譜圖抽取出我們想要的參數，並加以利用，由 1-4 之圖 1.6 可知，流程中說明，

在作參數抽取後，將由參數作基本的聲音變化偵測器(Voice Activity Detector)，此 外在訓練高斯混和模型(Gaussian Mixture Model, GMM)時亦須要一組參數來做比對。

因此，在參數抽取的部分，可分為兩大類:

(1) 語音模型訓練及判別語音品質之參數。

(2) 聲音變化偵測器的參數。

‚ 2.3.1 正規化(Normalization)

由於不同語料庫的音檔長短及能量不同，因此在任何語音進入參數抽取步驟前

‚ 2.3.2 判別語音品質之參數

在判別語音品質參數的選擇上，自以往有很多種不同的選擇，例如，梅爾倒頻譜參 數(Mel Frequency Cepstral Coefficients)、PLP 參數(Perceptaul Linear Prediction Coefficients[26])…，而這些參數的共同點為，皆對人耳前端的反應做了基本的模擬，

並用離散的逆傅立業轉換(IDFT)或餘旋轉換(DCT)，將頻譜端的波形與人耳特性結合並 取出，以下作 MFCC, PLP, ACC 的流程比較:

圖 2.7 MFCC 流程

圖 2.8 PLP 流程

圖 2.9 ACC 流程

由 2.1 節我們已知聽覺頻譜圖所包含的聽覺資訊，而由上頁可知，聽覺倒頻譜參數 (ACC, Auditory Cepstral Coefficients)的擷取，其後面之步驟與 MFCC 的取法類似，

即是用餘弦轉換(Cosine-Transform)來模擬語音能量的曲線變化，並且可以捉取語音諧 波成分(harmonic parts)之變化。

‚ 2.3.3 聲音變化偵測器(VAD，Voice Activity Detector)之參數

在本論文中，聲音變化偵測器扮演重要的角色，除了一開始訓練乾淨語料時，須從 乾淨語音中分出 ＂母音(voice)＂、＂子音(unvoice)＂、＂無聲(inactive)＂，再加 以訓練出乾淨之模型外，在接收到失真語料時，也需要經由聲音變化偵測器，分出＂母 音＂，＂子音＂，＂無聲＂三類，在進入各自的乾淨模型測試。

聲音變化偵測器的參數，是由聽覺頻譜圖(Auditory Spectrogram)中抽出，事實上，

我們若以肉眼辨識頻譜圖中的特徵，可由頻譜圖中頻率高低、諧波成分、發聲時間長短、

與能量大小等方式來看出｢發聲與否｣和｢子音或母音｣。

實作方式上，為了能夠抽取語音的能量特徵，同時必須兼具能夠提出頻率的能量分 佈特性，先將聽覺頻譜圖切割成多個時間音框(time-frame)，以每 16ms 取一個音框，

接著對每個音框作頻率的解析，將每個音框以不同「頻寬密度(scale)」的濾波器組(濾 波庫，filter banks)做濾波的動作，不同濾波庫所得到的輸出會因｢音框的語音特性(諧 波能量的疏密、能量大小)｣和｢濾波庫的頻寬疏密｣而有所不同，再將每個音框在不同濾 波庫所解析出之能量作為一項特徵，如此，不同頻寬密度的濾波庫，就有不同的能量特 徵，而每個音框就會有多個不同的能量特徵，形成一多維向量，此多維向量即為聲音變 化偵測器之參數。

更多詳細的過程及驗證，在第三章中討論。