语音信号时域处理

短时能量和短时平均幅度

设语音波形时域信号为 x(n) 、加窗函数 w(n) 分帧处理后得到的第 i 帧语音信号为 y_i (n), 则 y_i (n) 满足:
$$y_i(n)=w(n)\ast x((i-1)\ast inc+n)$$
式中, w(n) 为窗函数, 一般为矩形窗或汉明窗; y_i (n) 是一帧的数值, n=1,2,⋯,L,i=1, 2,⋯,fn,L 为帧长; inc 为帧移长度; fn 为分帧后的总帧数。
计算第 i 帧语音信号 y_i (n) 的短时能量公式为
$$E(i)=\sum _{(n=0)}^{(L-1)}{y}_i^2(n),1⩽i⩽fn$$

短时平均过零率

如果输人信号中包含漂移, 即信号在通往 AD 转换器前就有一个直流分量, 使 AD 转换后继续带有这个直流分量。直流分量的存在影响了短时平均过零率的正确估算, 所以建议在语音信号处理前先消除直流分量；短时平均过零率即离散信号相邻的取样值改变符号, 那它们的乘积一定为负数
$$y_i(n)y_i(n+1)<0$$
$$Z(i)=1/2\sum _{n=0}^{(L-1)}|sgn[y_i(n)]-sgn[y_i(n-1)]|,1⩽i⩽fn$$

%% audio enframe
clc;
clear all;
close all;
[audiodata,fs]=audioread("test.wav");
audiodata=audiodata-mean(audiodata);%elimate dc 
 % we can divided into fn enframe:fn=(N-overlap)/inc
 % startIndex= 1, inc, 2*inc....
 audiolen=length(audiodata);
 audiot=audiolen/fs;
 time= (0:audiolen-1)/fs;
 wlen=fs*0.05;%there should be  0.05 but for figure
 inc=0.5*wlen;
 fn=floor((audiolen-(wlen-inc))/inc);
 enframeaudio=zeros(wlen,fn);
 energy=zeros(fn);
 energytime=zeros(fn);
 zcr=zeros(fn);
 for i=1:fn
     startindex=inc*(i-1)+1;
     enframeaudio(:,i)=audiodata(startindex:startindex+wlen-1);
     enframetime=(startindex+wlen/2)/fs;
     %we get frame audio signal then cal energy
     energy(i)= sum(enframeaudio(:,i).*enframeaudio(:,i));
     energytime(i)=enframetime;
     data=enframeaudio(:,i);
     for j=1:wlen-1
         if data(j)*data(j+1)<0
             zcr(i)=zcr(i)+1;
         end
     end
 end

figure(1);
subplot(211);
plot(time,audiodata);
title("原始音频时域图形");
subplot(212);
plot(energytime,zcr);
title("短时平均过零率")
% plot(energytime,energy);
% title("短时平均能量")