[论文解读] On a cepstrum-based speech detector robust to white noise

Sergei Skorik, Frédéric Berthommier|ArXiv.org|Oct 10, 2000

Speech and Audio Processing参考文献 4被引用 6

一句话总结

本文提出了一种基于倒谱的语音检测器，使用加权倒谱系数之和（记为 V）来区分语音与白噪声。该方法在信噪比高于 5 dB 时实现了鲁棒的分类，语音与噪声的 V 值分布明显分离，证明了在低信噪比环境下实现噪声鲁棒语音检测的可行性。

ABSTRACT

We study effects of additive white noise on the cepstral representation of speech signals. Distribution of each individual cepstrum coefficient of speech is shown to depend strongly on noise and to overlap significantly with the cepstrum distribution of noise. Based on these studies, we suggest a scalar quantity, V, equal to the sum of weighted cepstral coefficients, which is able to classify frames containing speech against noise-like frames. The distributions of V for speech and noise frames are reasonably well separated above SNR = 5 dB, demonstrating the feasibility of robust speech detector based on V.

研究动机与目标

• 为解决在加性白噪声环境下检测语音的挑战，传统倒谱表示在此类环境中严重失真。
• 分析白噪声对各个倒谱系数及其统计分布的影响。
• 提出一个标量特征 V，以有效区分语音帧与噪声帧。
• 在不同信噪比条件下评估 V 作为语音检测器的性能。
• 证明基于倒谱特征的鲁棒语音检测系统在噪声环境中的可行性。

提出的方法

• 作者分析了在加性白噪声下各个倒谱系数的分布，观察到语音与噪声分布之间存在显著重叠。
• 提出一个标量特征 V，定义为加权倒谱系数的和，以增强语音与噪声之间的判别能力。
• 通过最大化语音帧与噪声帧在 V 上的分布分离程度，选择倒谱系数的权重。
• 该方法依赖于在噪声条件下对倒谱系数的统计建模，利用噪声以可预测方式扭曲倒谱的特性。
• 通过在不同信噪比水平下比较语音帧与噪声帧的 V 值分布，评估 V 的性能。
• 检测阈值基于 V 值分布的分离程度设定，在信噪比高于 5 dB 时表现出最优性能。

实验结果

研究问题

• RQ1 加性白噪声如何影响语音信号中各个倒谱系数的分布？
• RQ2 语音与白噪声的倒谱分布重叠程度如何，这种重叠能否被缓解？
• RQ3 能否通过加权倒谱系数导出的单一标量特征 V，有效区分语音与噪声？
• RQ4 在何种信噪比水平下，特征 V 能够实现语音与噪声分布的可靠分离？
• RQ5 基于倒谱的方法是否适用于在白噪声环境中实现鲁棒语音检测？

主要发现

• 语音中每个单独的倒谱系数分布均显著受加性白噪声影响，导致与噪声分布产生强烈重叠。
• 所提出的基于加权倒谱系数之和的标量特征 V，在信噪比高于 5 dB 时，语音帧与噪声帧的 V 值分布表现出良好分离。
• 信噪比 > 5 dB 时 V 值分布的分离表明，该方法可可靠地区分语音帧与噪声帧。
• 该方法证明了在低信噪比环境下，利用倒谱特征实现鲁棒语音检测的可行性，即使在低信噪比条件下也有效。
• 结果表明，V 是一种稳定且有效的判别特征，适用于噪声条件下的语音活动检测。
• 研究证实，当权重合理设计时，基于倒谱的特征可克服个体倒谱系数在噪声环境中性能受限的问题。