笔记本电脑2台：ThinkPad X200（2.26GHz 2.27GHz CPU, 4GB RAM Windows 7 专业版）; Adobe Audition 1.5专业音频编辑软件; 语音质量及声学参数相似度评价工具（PESQ算法、感知线性预测系数、信道因子和DTW算法）; RS AM3000 型“ 人工嘴” ：在距离“ 人工嘴” 嘴唇固定位置处提供一个持续稳定的, 低失真的宽频信号, 在输入电压为1 V（0.25 W）的驱动下, 25 mm MRP位置处最小持续声压级为106 dBSPL, 频带范围为100~10 000 Hz, 稳定工作的最大输入功率为10 W; 麦克风：AKG C-4000B, 电容式, 指向性：可在心型、超心型及全指向型之间进行切换, 灵敏度：-32 dBV, 频响范围：20~20 000 Hz。

图1表示测试语音采集系统, 通过音频线将PC机与“ 人工嘴” 相连, 用PC机播放实验音源通过人工嘴放音, 比照使用者在使用麦克风录音时, 嘴与麦克风的距离(A-B)大约为13.5 cm, 固定人工嘴与麦克风的相对位置。并定义接收语音为测试语音。

图1

Fig.1

	Figure Option ViewDownloadNew Window
	图1 测试语音采集系统Fig.1 Setup for acquisition of tested speech

1.3.1 单频信号

选取初始值f₀=100 Hz, △ t₀=10 s, f_k= kf₀(k=1、2、3……34)的一组单频信号作为音源, 每5个音频信号为1组（t=60 s）, 100~3400 Hz区间可分为7组, 如表1所示。

表1

Table 1

表1(Table 1)

表1 单频信号频率与强度的取值范围 Table 1 Collected frequencies and intensities of single-frequency signal 组别 频率及强度 第1组 100 Hz/58.8 dB、200 Hz/62.4 dB、300 Hz/73.6 dB、400 Hz/68.7 dB、500 Hz/69.4 dB 第2组 600 Hz/74.6 dB、700 Hz/71.1 dB、800 Hz/67.6 dB、900 Hz/80.7 dB、1000 Hz/90.8 dB 第3组 1100 Hz/83.5 dB、1200 Hz/80.3 dB、1300 Hz/82.1 dB、1400 Hz/76.2 dB、1500 Hz/85.4 dB 第4组 1600 Hz/59.6 dB、1700 Hz/73.2 dB、1800 Hz/74.8 dB、1900 Hz/75.6 dB、2000 Hz/77.9 dB 第5组 2100 Hz/86.3 dB、2200 Hz/69.5 dB、2300 Hz/94.3 dB、2400 Hz/60.4 dB、2500 Hz/76.4 dB 第6组 2600 Hz/73.1 dB、2700 Hz/79.7 dB、2800 Hz/79.2 dB、2900 Hz/81.6 dB、3000 Hz/86.8 dB 第7组 3100 Hz/91.1 dB、3200 Hz/72.6 dB、3300 Hz/95.1 dB、3400 Hz/88 dB

表1 单频信号频率与强度的取值范围 Table 1 Collected frequencies and intensities of single-frequency signal

1.3.2 语音信号

1段时长为60 s的男性说话人读说语音。

由于单频信号不符合PESQ、共振峰和信道因子的测试要求, 这里仅比较二者的基频和能量（FP、SP、LP及PLP）, 如表2及图2所示。不同次测试语音与源语音之间存在时长不等, 同一音素无法自然对齐的现象, 因此在分析过程中引入DTW算法, 用于满足一定条件下测试语音和源语音之间的对应关系, 通过时间规整函数求取两段语音匹配时累计的最小距离。DTW表达式为:

这里Q, C分别代表发送语音和源语音。

表2

Table 2

表2(Table 2)

表2 单频信号各参数的数据 Table 2 Parameters of single-frequency signal 单频信号 频率/Hz FP DTW距离 SP DTW距离 LP DTW距离 PLP DTW距离 100~500 0.977 0.973 0.972 0.207 600~1000 0.990 0.989 0.988 0.275 1100~1500 0.979 0.976 0.975 0.303 1600~2000 0.962 0.955 0.954 0.308 2000~2500 0.932 0.920 0.916 0.275 2600~3000 0.947 0.937 0.935 0.264 3100~3400 0.976 0.972 0.971 0.314

表2 单频信号各参数的数据 Table 2 Parameters of single-frequency signal

图2

Fig.2

	Figure Option ViewDownloadNew Window
	图2 单音频信号基频和能量参数Fig.2 Curves of single-frequency signal into its fundamental frequency and energy

由图2知, “ 人工嘴” 对单频信号在FP、SP、LP三个特征参数上总体的变化趋势基本一致, 任意一条语音的得分结果均为FP> SP> LP。在100~3400 Hz频域范围内, 得分最大值出现在600~1000 Hz之间, 最小值均出现在2000~2500 Hz之间, 反映出单频信号在600~1000 Hz区间的基频和能量相对稳定, 与源信号最相近; 在2000~2500 Hz频域范围内基频和能量参数变化较明显, 与源信号差异相对较大。

表2最后一列为感知线性预测系数的分析结果, 在100~3400 Hz频域范围内, 该项分值不足0.32。分析原因主要是由于感知线性预测系数描述的是更深层的语音声学特征及语音对人耳听觉造成的影响等, 单频信号不能很好反映这些特性, 故得分结果明显低于其他参数。

为避免单次放音存在的不足, 将实验音源（一段时长为60 s的男性说话人读说语音）重复播放150遍, 各声学参数取均值和方差（表3）, 来评估经过“ 人工嘴” 放音后的语音与源语音的异同。

表3

Table 3

表3(Table 3)

表3 语音信号各参数的数据 Table 3 Data on parameters of speech signal 参数名称 均 值 方 差 PESQ 3.404 2.046E-02 FP 0.996 0.000E+00 LP 0.972 1.000E-06 SP 0.990 0.000E+00 共振峰 0.986 0.000E+00 PLP 0.873 2.000E-06 信道因子 0.879 1.500E-05

表3 语音信号各参数的数据 Table 3 Data on parameters of speech signal

由表3可知, 在基频和能量（FP、LP、SP）、共振峰、感知线性预测系数（PLP）、信道因子的分析中测试语音与源语音得分结果均较高, 说明“ 人工嘴” 这一放音装置对于语音在这几项参数中影响均较小。

值得注意的是, 由于测试语音所包含的信息量较单频信号更加丰富, 测试语音的感知线性预测系数分析结果较之前的结果要高, 基于感知线性预测系数提取的信道因子的得分也相对较高。感知线性预测系数作为一种深层的语音声学特征, 它每帧提取到的是一个39维的特征向量, 能够反映出比其他参数更加明显的特征差异, 因此它的得分结果相对其他参数要低。

PESQ的正常得分区间在1.0~4.5之间^[8], 经过“ 人工嘴” 放音后的语音得分为3.404; PESQ是目前与平均意见值（mean opinion score, MOS）评分相关度最高的客观语音质量评价算法, 通常在数字语音通信中, MOS值在3.0分以上的语音可以被认为拥有比较好的语音质量^{[9, 10]}; 因此, “ 人工嘴” 对测试语音在PESQ语音质量评测结果影响不大, 适用于相关领域的进一步研究。

方差反映出不同次测试语音得分与总分均值之间差异, 方差结果小, 说明各参数不同次测试语音之间的差异小、稳定性较高, 即“ 人工嘴” 的稳定性较高, 适用于重复性实验。