第一篇 语音信号处理基础 1
第1章 绪论 1
1.1 语音信号处理的发展历史 1
1.2 语音信号处理的主要研究内容及发展概况 3
1.3 本书的内容 7
思考与复习题 8
第2章 语音信号处理的基础知识 9
2.1 概述 9
2.2 语音产生的过程 9
2.3 语音信号的特性 12
2.3.1 语言和语音的基本特性 12
2.3.2 语音信号的时间波形和频谱特性 13
2.3.3 语音信号的统计特性 15
2.4 语音产生的线性模型 16
2.4.1 激励模型 17
2.4.2 声道模型 18
2.4.3 辐射模型 20
2.4.4 语音信号数字模型 21
2.5 语音产生的非线性模型 22
2.5.1 FM-AM模型的基本原理 22
2.5.2 Teager能量算子 22
2.5.3 能量分离算法 23
2.5.4 FM-AM模型的应用 24
2.6 语音感知 24
2.6.1 听觉系统 24
2.6.2 神经系统 25
2.6.3 语音感知 26
思考与复习题 29
第二篇 语音信号分析 30
第3章 时域分析 30
3.1 概述 30
3.2 数字化和预处理 31
3.2.1 取样率和量化字长的选择 31
3.2.2 预处理 33
3.3 短时能量分析 34
3.4 短时过零分析 36
3.5 短时相关分析 39
3.5.1 短时自相关函数 39
3.5.2 修正的短时自相关函数 40
3.5.3 短时平均幅差函数 42
3.6 语音端点检测 42
3.6.1 双门限前端检测 43
3.6.2 多门限过零率前端检测 43
3.6.3 基于FM-AM模型的端点检测 43
3.7 基于高阶累积量的语音端点检测 44
3.7.1 噪声环境下的端点检测 44
3.7.2 高阶累积量与高阶谱 44
3.7.3 基于高阶累积量的端点检测 46
思考与复习题 48
第4章 短时傅里叶分析 50
4.1 概述 50
4.2 短时傅里叶变换 50
4.2.1 短时傅里叶变换的定义 50
4.2.2 傅里叶变换的解释 51
4.2.3 滤波器的解释 54
4.3 短时傅里叶变换的取样率 55
4.4 语音信号的短时综合 56
4.4.1 滤波器组求和法 56
4.4.2 FFT求和法 58
4.5 语谱图 59
思考与复习题 61
第5章 倒谱分析与同态滤波 62
5.1 概述 62
5.2 同态信号处理的基本原理 62
5.3 复倒谱和倒谱 63
5.4 语音信号两个卷积分量复倒谱的性质 64
5.4.1 声门激励信号 64
5.4.2 声道冲激响应序列 65
5.5 避免相位卷绕的算法 66
5.5.1 微分法 67
5.5.2 最小相位信号法 67
5.5.3 递推法 69
5.6 语音信号复倒谱分析实例 70
5.7 Mel频率倒谱系数 72
思考与复习题 73
第6章 线性预测分析 74
6.1 概述 74
6.2 线性预测分析的基本原理 74
6.2.1 基本原理 74
6.2.2 语音信号的线性预测分析 75
6.3 线性预测方程组的建立 76
6.4 线性预测分析的解法（1）——自相关和协方差法 77
6.4.1 自相关法 78
6.4.2 协方差法 79
6.4.3 自相关和协方差法的比较 80
6.5 线性预测分析的解法（2）——格型法 81
6.5.1 格型法基本原理 81
6.5.2 格型法的求解 83
6.6 线性预测分析的应用——LPC谱估计和LPC复倒谱 85
6.6.1 LPC谱估计 85
6.6.2 LPC复倒谱 87
6.6.3 LPC谱估计与其他谱分析方法的比较 88
6.7 线谱对（LSP）分析 89
6.7.1 线谱对分析原理 89
6.7.2 线谱对参数的求解 91
6.8 极零模型 91
思考与复习题 93
第7章 语音信号的非线性分析 94
7.1 概述 94
7.2 时频分析 94
7.2.1 短时傅里叶变换的局限 95
7.2.2 时频分析 96
7.3 小波分析 97
7.3.1 概述 97
7.3.2 小波变换的定义 97
7.3.3 典型的小波函数 99
7.3.4 离散小波变换 100
7.3.5 小波多分辨分析与Mallat算法 100
7.4 基于小波的语音分析 101
7.4.1 语音分解与重构 101
7.4.2 清／浊音判断 102
7.4.3 语音去噪 102
7.4.4 听觉系统模拟 103
7.4.5 小波包变换在语音端点检测中的应用 103
7.5 混沌与分形 104
7.6 基于混沌的语音分析 105
7.6.1 语音信号的混沌性 105
7.6.2 语音信号的相空间重构 106
7.6.3 语音信号的Lyapunov指数 108
7.6.4 基于混沌的语音、噪声判别 109
7.7 基于分形的语音分析 110
7.7.1 概述 110
7.7.2 语音信号的分形特征 111
7.7.3 基于分形的语音分割 112
思考与复习题 113
第8章 语音特征参数估计 114
8.1 基音估计 114
8.1.1 自相关法 115
8.1.2 并行处理法 117
8.1.3 倒谱法 118
8.1.4 简化逆滤波法 120
8.1.5 高阶累积量法 122
8.1.6 小波变换法 123
8.1.7 基音检测的后处理 124
8.2 共振峰估计 125
8.2.1 带通滤波器组法 125
8.2.2 DFT法 126
8.2.3 倒谱法 127
8.2.4 LPC法 129
8.2.5 FM-AM模型法 130
思考与复习题 131
第9章 矢量量化 132
9.1 概述 132
9.2 矢量量化的基本原理 133
9.3 失真测度 134
9.3.1 欧氏距离——均方误差 135
9.3.2 LPC失真测度 135
9.3.3 识别失真测度 137
9.4 最佳矢量量化器和码本的设计 137
9.4.1 矢量量化器最佳设计的两个条件 137
9.4.2 LBG算法 138
9.4.3 初始码书生成 138
9.5 降低复杂度的矢量量化系统 139
9.5.1 无记忆的矢量量化系统 140
9.5.2 有记忆的矢量量化系统 142
9.6 语音参数的矢量量化 144
9.7 模糊矢量量化 145
9.7.1 模糊集概述 146
9.7.2 模糊矢量量化 147
9.8 遗传矢量量化 148
9.8.1 遗传算法 148
9.8.2 遗传矢量量化 150
思考与复习题 151
第10章 隐马尔可夫模型 152
10.1 概述 152
10.2 隐马尔可夫模型的引入 153
10.3 隐马尔可夫模型的定义 155
10.4 隐马尔可夫模型三个问题的求解 156
10.4.1 概率的计算 157
10.4.2 HMM的识别 159
10.4.3 HMM的训练 160
10.4.4 EM算法 161
10.5 HMM的选取 162
10.5.1 HMM的类型选择 162
10.5.2 输出概率分布的选取 163
10.5.3 状态数的选取 163
10.5.4 初值选取 163
10.5.5 训练准则的选取 165
10.6 HMM应用与实现中的一些问题 166
10.6.1 数据下溢 166
10.6.2 多输出（观察矢量序列）情况 166
10.6.3 训练数据不足 167
10.6.4 考虑状态持续时间的HMM 168
10.7 HMM的结构和类型 170
10.7.1 HMM的结构 170
10.7.2 HMM的类型 172
10.7.3 按输出形式分类 173
10.8 HMM的相似度比较 174
思考与复习题 175
第三篇 语音信号处理技术与应用 176
第11章 语音编码 176
11.1 概述 176
11.2 语音信号的压缩编码原理 178
11.2.1 语音压缩的基本原理 178
11.2.2 语音通信中的语音质量 179
11.2.3 两种压缩编码方式 180
11.3 语音信号的波形编码 180
11.3.1 PCM及APCM 180
11.3.2 预测编码及自适应预测编码 183
11.3.3 ADPCM及ADM 185
11.3.4 子带编码（SBC） 187
11.3.5 自适应变换编码（ATC） 189
11.4 声码器 191
11.4.1 概述 191
11.4.2 声码器的基本结构 192
11.4.3 通道声码器 192
11.4.4 同态声码器 194
11.5 LPC声码器 195
11.5.1 LPC参数的变换与量化 196
11.5.2 LPC-10 197
11.5.3 LPC-10e 198
11.5.4 变帧率LPC声码器 199
11.6 各种常规语音编码方法的比较 200
11.6.1 波形编码的信号压缩技术 200
11.6.2 波形编码与声码器的比较 200
11.6.3 各种声码器的比较 201
11.7 基于LPC模型的混合编码 201
11.7.1 混合编码采用的技术 202
11.7.2 MPLPC 204
11.7.3 RPELPC 207
11.7.4 CELP 209
11.7.5 CELP的改进形式 211
11.7.6 基于分形码本的CELP 213
11.8 基于正弦模型的混合编码 214
11.8.1 正弦变换编码 215
11.8.2 多带激励（MBE）编码 215
11.9 极低速率语音编码 217
11.9.1 400～1.2 kb/s数码率的声码器 217
11.9.2 识别－合成型声码器 218
11.1 0语音编码的性能指标 219
11.1 1语音编码的质量评价 221
11.1 1.1 主观评价方法 221
11.1 1.2 客观评价方法 222
11.1 1.3 主客观评价方法的结合 225
11.1 1.4 基于多重分形的语音质量评价 226
11.1 2语音编码国际标准 227
11.1 3语音编码与图像编码的关系 228
小结 229
思考与复习题 229
第12章 语音合成 231
12.1 概述 231
12.2 语音合成原理 232
12.2.1 语音合成的方法 232
12.2.2 语音合成的系统特性 234
12.3 共振峰合成 235
12.3.1 共振峰合成原理 235
12.3.2 共振峰合成实例 237
12.4 LPC合成 237
12.5 PSOLA语音合成 239
12.5.1 概述 239
12.5.2 PSOLA的原理 240
12.5.3 PSOLA的实现 240
12.5.4 PSOLA的改进 242
12.5.5 PSOLA语音合成系统的发展 243
12.6 文语转换系统 243
12.6.1 组成与结构 243
12.6.2 文本分析 244
12.6.3 韵律控制 245
12.6 4语音合成 248
12.6.5 TTS系统的一些问题 248
12.7 基于HMM的参数化语音合成 249
12.8 语音合成的研究现状和发展趋势 253
12.9 语音合成硬件简介 255
思考与复习题 256
第13章 语音识别 257
13.1 概述 257
13.2 语音识别原理 260
13.3 动态时间规整 264
13.4 基于有限状态矢量量化的语音识别 266
13.5 孤立词识别系统 267
13.6 连接词识别 270
13.6.1 基本原理 270
13.6.2 基于DTW的连接词识别 271
13.6.3 基于HMM的连接词识别 273
13.6.4 基于分段K－均值的最佳词串分割及模型训练 273
13.7 连续语音识别 274
13.7.1 连续语音识别存在的困难 274
13.7.2 连续语音识别的训练及识别方法 275
13.7.3 连续语音识别的整体模型 276
13.7.4 基于HMM统一框架的大词汇非特定人连续语音识别 277
13.7.5 声学模型 278
13.7.6 语言学模型 280
13.7.7 最优路径搜索 282
13.8 说话人自适应 284
13.8.1 MAP算法 285
13.8.2 基于变换的自适应方法 285
13.8.3 基于说话人分类的自适应方法 286
13.9 鲁棒的语音识别 287
13.1 0关键词确认 289
13.1 1可视语音识别 291
13.1 1.1 概述 291
13.1 1.2 机器自动唇读 291
13.1 1.3 双模态语音识别 293
13.1 2语音理解 296
13.1 2.1 MAP语义解码 297
13.1 2.2 语义结构的表示 297
13.1 2.3 意图解码器 298
小结 299
思考与复习题 299
第14章 说话人识别 300
14.1 概述 300
14.2 特征选取 301
14.2.1 说话人识别所用的特征 301
14.2.2 特征类型的优选准则 302
14.2.3 常用的特征参数 303
14.3 说话人识别系统 303
14.3.1 说话人识别系统的结构 303
14.3.2 说话人识别的基本方法概述 304
14.4 说话人识别系统实例 305
14.4.1 DTW型说话人识别系统 305
14.4.2 应用VQ的说话人识别系统 306
14.5 基于HMM的说话人识别 307
14.6 基于GMM的说话人识别 310
14.7 说话人识别中需进一步研究的问题 312
14.8 语种辨识 313
思考与复习题 316
第15章 智能信息处理技术在语音信号处理中的应用 317
15.1 人工神经网络 317
15.1.1 概述 317
15.1.2 神经网络的基本概念 319
15.2 神经网络的模型结构 320
15.2.1 单层感知机 320
15.2.2 多层感知机 321
15.2.3 自组织映射神经网络 323
15.2.4 时延神经网络 324
15.2.5 循环神经网络 325
15.3 神经网络与传统方法的结合 325
15.3.1 概述 325
15.3.2 神经网络与DTW 326
15.3.3 神经网络与VQ 326
15.3.4 神经网络与HMM 327
15.4 神经网络语音识别 328
15.4.1 静态语音识别 328
15.4.2 连续语音识别 330
15.5 基于神经网络的说话人识别 330
15.6 基于神经网络的语音信号非线性预测编码 332
15.6.1 语音信号的非线性预测 332
15.6.2 基于MLP的非线性预测编码 333
15.6.3 基于RNN的非线性预测编码 334
15.7 基于神经网络的语音合成 335
15.8 支持向量机 336
15.8.1 概述 336
15.8.2 支持向量机的基本原理 337
15.9 基于支持向量机的语音分类识别 339
15.1 0基于支持向量机的说话人识别 340
15.1 0.1 基于支持向量机的说话人辨认 340
15.1 0.2 基于支持向量机的说话人确认 340
15.1 1基于混沌神经网络的语音识别 342
15.1 1.1 混沌神经网络 342
15.1 1.2 基于混沌神经网络的语音识别 342
15.1 2分形在语音识别中的应用 344
15.1 3智能优化算法在语音信号处理中的应用 344
15.1 4各种智能信息处理技术的融合与集成 346
15.1 4.1 模糊系统与神经网络的融合 347
15.1 4.2 神经网络与遗传算法的融合 347
15.1 4.3 模糊逻辑、神经网络及遗传算法的融合 348
15.1 4.4 神经网络、模糊逻辑及混沌的融合 349
15.1 4.5 混沌与遗传算法的融合 349
思考与复习题 350
第16章 语音增强 351
16.1 概述 351
16.2 语音、人耳感知及噪声的特性 352
16.3 滤波器法 354
16.3.1 固定滤波器 354
16.3.2 变换技术 354
16.3.3 自适应噪声对消 354
16.4 非线性处理 357
16.5 基于相关特性的语音增强 358
16.6 减谱法 359
16.6.1 减谱法的基本原理 359
16.6.2 减谱法的改进形式 360
16.7 基于Wiener滤波的语音增强 361
16.8 基于语音产生模型的语音增强 362
16.9 基于小波的语音增强 364
16.9.1 概述 364
16.9.2 基于小波的语音增强 364
16.9.3 基于小波包的语音增强 366
16.1 0基于信号子空间分解的语音增强 367
16.1 1语音增强的一些新发展 370
小结 371
思考与复习题 372
第17章 基于麦克风阵列的语音信号处理 373
17.1 概述 373
17.2 麦克风阵列语音处理技术的难点 374
17.3 声源定位 375
17.3.1 去混响 375
17.3.2 近场模型 376
17.3.3 声源定位 377
17.4 语音增强 381
17.4.1 概述 381
17.4.2 方法与技术 382
17.4.3 应用 386
17.4.4 本节小结 387
17.5 语音盲分离 387
17.5.1 瞬时线性混合模型 388
17.5.2 卷积混合模型 393
17.5.3 非线性混合模型 395
17.5.4 需进一步研究的问题 396
思考与复习题 396
汉英名词术语对照 398
参考文献 407