语音短时能量计算——Python实现

介绍

刚开始学习计算机视听觉，第一个实验是端点检测算法。这个算法实现起来还是比较简单的，主要是该算法利用到的两个数据——语音短时能量和短时过零率。今天先分享一下我计算短时能量的方法。

语音短时能量，顾名思义就是计算较短时间内的语音能量。这里的较短时间，通常指的是一帧。也就是说，一帧时间内的语音能量就是短时能量，语音的短时能量就是将语音中每一帧的短时能量都计算出来，然后我们就可以利用这个短时能量数组做很多事情了。通常而言，短时能量用途有以下几个方面：

1. 区分清音和浊音
2. 判定有声段和无声段
3. 对声母和韵母分界
4. 可以作为辅助的特征参数用于语音识别中，经常是识别系统中的特征一维

端点检测利用的就是短时能量的前两个用途——将语音文件中的语音分离出来。

介绍完定义后，再来看看短时能量的计算公式。

计算

语音能量的计算，通常是 $E={x(n)}^2$。由语音短时能量的定义，就可以得到短时能量的计算公式：
$$E_n=\sum _{m=-\infty }^{\infty }[x(m)w(n-m){]}^2={x(n)}^2\ast h(n)$$
其中，$h(n)={w(n)}^2$ ， $w(n)$ 是窗口函数

也可以简写成：

$$E_n=\sum _{m=-\infty }^{\infty }[x(m)w(m){]}^2$$

由于短时能量是语音的时域特征，因此，在不使用傅里叶变换的情况下，这里的窗口是一种方窗，即：

$$w(n)=\{\begin{array}{ll}1& \text{0 <= n <= N - 1}\\ 0& \text{其它}\end{array}$$

因此，可以得出，这里的语音短时能量就相当于，每一帧中所有语音信号的平方和。

Python 实现短时能量

首先读取语音文件，我这里是 .wav 类型的，不同类型可能文件格式不一样，我们只需要读取到语音的采样点部分就可以了。

f = wave.open("./语料/" + str(i + 1) + ".wav","rb")
# getparams() 一次性返回所有的WAV文件的格式信息
params = f.getparams()
# nframes 采样点数目
nchannels, sampwidth, framerate, nframes = params[:4]
# readframes() 按照采样点读取数据
str_data = f.readframes(nframes)            # str_data 是二进制字符串

# 以上可以直接写成 str_data = f.readframes(f.getnframes())

# 转成二字节数组形式（每个采样点占两个字节）
wave_data = np.fromstring(str_data, dtype = np.short)
print( "采样点数目：" + str(len(wave_data)))          #输出应为采样点数目
f.close()

计算语音短时能量函数如下：

# 计算每一帧的能量 256个采样点为一帧
def calEnergy(wave_data) :
    energy = []
    sum = 0
    for i in range(len(wave_data)) :
        sum = sum + (int(wave_data[i]) * int(wave_data[i]))
        if (i + 1) % 256 == 0 :
            energy.append(sum)
            sum = 0
        elif i == len(wave_data) - 1 :
            energy.append(sum)
    return energy

最后直接调用：

energy = calEnergy(wave_data)

总结

最后，语音短时能量是一个比较简单的语音时域特征，也是一个语音学中经常使用的特征，希望这篇文章能够帮助大家。

由于本人刚开始学习语音部分，学的还很有限，如有书写错误的地方，希望大家帮助改正，谢谢。