本文介绍了音频分类的一种方法，通过结合子带音调个数比与频谱倾斜度来区分语音和音乐信号。首先，分析了不同音频类型在子带音调分布上的差异，并提出利用频谱倾斜度特征来弥补单纯子带音调区分的不足。接着详细阐述了子带音调个数比的计算和平滑处理，以及频谱倾斜度的估算和判断标准。最后，提出使用平滑技术来处理分类过程中的单帧误判问题，提高分类准确性。
能用来区分语音和音乐信号的音频特征有很多种，如感觉特性、能量、功率谱和Mel频标倒谱(MFCC)系数,能量、平均过零率、基频和功率谱峰值等。以下介绍一种基于子带音调个数比与频谱倾斜度相结合的区分方法。
一、基本原理
不同类型的音频，其音调分量在各个子带的分布有所不同。语音的音调分量绝大部分分布在低频处，而音乐的音调分量在各个子带的分布则相对较均匀。利用该特性可区分音乐与语音信号。
由于某些敲打式的突变音乐信号，其音调分布特性较接近于语音的音调分布特性。因此仅用子带音调分量区分准确度不高。为解决这一问题，引入频谱倾斜度特征。一般来说，语音与音乐的平均频谱倾斜度主要分布在[0.650，0.995]的范围内，但对于一些敲打式的突变音乐信号，其频谱倾斜度的值很小，小于0.650。另外，有些音乐频谱倾斜度的值可达到很高，大于0.995。该特性能较好的区分子带音调分量不能区分的突变音乐信号。
二、方法实现
2.1子带音调个数比
对信号进行分帧处理，帧长为N。用汉明窗对每帧输入时域信号进行加窗，然后对加窗信号进行FFT变换，并计算其功率密度谱X(k)，x(k)也称为频谱系数。由于FFT是关于N12对称的N/2，因此只需计算前N/2个频谱。
将频域划分为4个子带SBi，分别为 [0，N/16]，[N/16，N/8]，[N/8，N/4]和[N/4，N/2]。当频谱系数X(k)符合X(k-1)<X(k)<
最低0.47元/天 解锁文章
扫一扫
4431
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
