语音短时过零率计算——Python实现

概念

上一篇文章介绍了语音短时能量，这篇介绍一下语音的短时过零率。短时过零率也是一个比较基础的语音时域特征，下面就来介绍一下。

短时过零率就是单位时间穿过坐标系横轴的次数，计算公式如下：

$$Z_n=\sum _{m=-\infty }^{\infty }|sgn[x(m)]-sgn[x(m-1)]|w(m)$$

其中，$sgn(n)$为符号函数：

$$sgn[x(n)]=\{\begin{array}{ll}1& x(n)\ge 0\\ -1& x(n)<0\end{array}$$

$w(n)$ 函数用来计算比：

$$w(n)=\{\begin{array}{ll}1/2N& 0\le n\le N-1\\ 0& \text{其它}\end{array}$$

我们可以通过计算每一帧时间内穿过的横轴的次数，然后除以每帧内采样点的数目，就可以得到语音每帧内的短时过零率。

门限过零率

由于短时过零率很容易受到低频的干扰，因此，在计算时，加上门限，来过滤掉低频带来的影响，如图所示：

计算公式如下：

$$Z_n=\sum _{m=-\infty }^{\infty }|sgn[x(m)-T]-sgn[x(m-1)-T]|+|sgn[x(m)+T]-sgn[x(m-1)+T]|w(m)$$

这样，利用添加门限的方式，就可以过滤掉低频带来的影响。

Python 实现

首先，还是先要读取语音文件：

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()

写一个计算短时过零率的函数，我这里的语音，每帧有个采样点：

# 自定义函数，计算数值的符号。
def sgn(data):
    if data >= 0 :
        return 1
    else :
        return 0
#计算过零率
def calZeroCrossingRate(wave_data) :
    zeroCrossingRate = []
    sum = 0
    for i in range(len(wave_data)) :
        if i % 256 == 0:
            continue
        sum = sum + np.abs(sgn(wave_data[i]) - sgn(wave_data[i - 1]))
        if (i + 1) % 256 == 0 :
            zeroCrossingRate.append(float(sum) / 255)
            sum = 0
        elif i == len(wave_data) - 1 :
            zeroCrossingRate.append(float(sum) / 255)
    return zeroCrossingRate

最后，调用即可：

zeroCrossingRate = calZeroCrossingRate(wave_data)

所有过零率数据都存储在 zeroCrossingRate 数组里了 。

写在最后

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，十分感谢。