语音处理:音频信号短时平稳性分析

背景


音频信号中,许多特征变换如短时傅里叶变换,都要求一个前提:语音信号短时平稳性。

那么语音信号短时稳定性这样一个假设,该如何直观理解呢?

短时平稳含义


先看下面两张图:

图1,音乐信号

图2,噪声信号

以上图中截取观测了时长不到1ms内音频的短时时域信号变化,可以看出图1是时域平稳的,图2是非平稳的。

语音信号短时平稳的原因是,人或乐器发音时,在一个音素发音区间内(通常为20-30ms),信号是有周期规律的,否则就是噪音了。

具体特征:

  • 音乐信号,如图1
    • 时域短时平稳的,连续的
    • 能量较弱,mdct较集中
  • 白噪信号,如图2
    • 时域短时突变的,不连续
    • 能量较强,mdct都很大,且分散

结语


正是因为语音信号有这样的特点,我们才能截取10ms左右的音频数据,进行傅里叶变换,分析其中的频率组成。