CN102144257A - 用于瞬时峰值电平管理和语音清晰度提高的方法 - Google Patents

Abstract

提供了一种方法，该方法用于提高轻柔和中度幅度的声音以获得更高清晰度和感知的益处，并且同时在无延迟的情况下去除高电平幅度峰值且为听力感觉器官提供保护。该方法不需要用于实现这种处理的反馈机制，并且充分利用了时间积分的心理声学现象，该时间积分的心理声学现象降低持续时间短的信号的可听性，其中持续时间短的信号包括与削峰相关联的失真。与由短暂持续时间波形峰值所提供的用于进行信号能量积分以获得可听性的时间相比，人类听觉系统需要的这种时间更多。

Description

用于瞬时峰值电平管理和语音清晰度提高的方法

相关申请的优先权

本申请要求于2009年1月28日提交的第12/361508号美国实用新型申请的权益，该第12/361508号美国实用新型申请要求于2008年1月30日提交的第61/024858号美国临时申请的权益，以引用方式将这两个申请的每一个的全部内容并入本文。

技术领域

本发明一般涉及音频信号处理。更具体地，本发明涉及用于瞬时音频信号峰值动态调整的改进的系统和方法，其中瞬时音频信号峰值动态调整用于提高辅音的可听度并同时保留元音的音质以及用于消除可能有害的声音冲激瞬态以有益于听力保护。

背景技术

在一些情况下通过数字控制方法实现的信号处理的科学与技术已经实现许多信号变换方法的发展，包括陡峭且灵活的滤波、动态范围压缩、音高变换和多种减少噪声方案。尤其在信号幅度的动态范围压缩领域中，大多数现有技术方法需要反馈环，在反馈环中使用某种检测阈值和电压控制机制来降低超过已限定输出电平的输出。这些方法必然引入用于进行调整的某一时间常数或时间延迟，该时间常数或时间延迟通常持续几十毫秒。可感知的干扰经常产生于这种延迟时间。此外，短暂的瞬态峰值可能在自适应过程期间通过，这可能损害内耳毛细胞。通常，与由持续时间更长的噪声所引起的听觉损害相比，冲激噪声损害更可能发生，这主要是由于人类听觉系统的响度体验所需要的积分时间大约是100到200毫秒。换种方式来说，身体损伤强度级可能没有以促使听者撤离的方式被该听者在心理听觉上察觉到或体验到。

在授予Orban的第4,249,042号美国专利中公开了旨在降低过高峰值强度和/或控制动态电平的信号处理设计，其需要频带分离和使用增益控制反馈环。虽然该方法使用削波技术进行过冲保护，但是将要表明在关于使用削波方面，本发明相对于‘042公开而言具有重要且创新的差异。

也授予Orban的第4,208,548号和第5,168,526号美国专利更具体地提出了用于在模拟电压放大系统中控制削波的方法，而且还采用高频滤波器方法来去除不想要的失真。应当注意，高频滤波没有去除复杂信号中的低频互调失真分量。本发明具有几项可辨别的检测特征，并且不需要滤波器技术来去除可感知的失真。

授予Bhattacharya等的第5,815,532号美国专利公开了用于处理无线电广播信号的方法，在该无线电广播信号中可以通过控制边带来细分载波频率。最近以来，Ishimitsu等在第5,255,325号美国专利中描述了用于对产生于反馈环的延迟进行调整的又一种带有时间常数表的自动增益控制方法。类似地，授予Allred的第6,757,396号美国专利清楚地介绍了与反馈环的设计有关的延迟。另一方面，授予Yamada的第7,233,200号美国专利公开了一种方法，该方法根据对输入信号的以输入信号的周期为单位的信号电平所进行的检测来对适合的恢复时间常数做出估计。但是，Yamada公开的方法趋向用于记录目的且不适合于实时应用。显然，本发明的系统和方法适合于记录音频处理和现场音频处理。

本发明的处理方法通过放弃通常使用的反馈环以及提供受控的削峰和信号检测的创新方法克服了现有技术没有解决的这些和其它问题。该方法引入轻柔声音和中度声音的精确计算的放大，以有利于听觉细节感知而且特别有利于语音理解。它同时以瞬时方式减少持续时间短的高电平冲激尖峰。这有效地减弱了作用在耳蜗至关重要的纤毛上的应力，从而向听者提供了宝贵的听力保护益处。众所周知，对娱乐、电信、和其它电子音频设备的高电平输出与延长的收听时间的结合导致永久性感觉神经听力损伤。通过减少向在甚至只是几个小时的音频信号传输过程中发生的数以千计的冲激峰值的暴露，从本发明的操作所处理的音频信号的系统和方法中可以预期得到确定的保护性和预防性的益处。

附图说明

图1是本发明的处理级的流程图；

图2是音乐记录段落的示例的声波图的图形表示，其图示了平均能量分布位于峰值能量值以下10dB处(峰值的32％)；

图3是图2的声波图的放大图，其图示了由超过10dB的偏离对总功率的贡献小于由剩余信号所贡献的功率的一半；

图4是图示从图2的波形进行10dB峰值功率的峰值切除之后的视图；

图5图示了在削波之后放大(或者以10dB“过驱动”)的图2-图4的信号；

图6图示了对于人类听者的经典时间积分模式，其示出了检测能力作为持续时间的函数的陡降；直到信号持续时间达到大约100毫秒，响度才完全积分；

图7图示了没有进行本发明的处理的情况下单句语音样本的平均谱。低频自然在强度上更大，这使得较高频率辅音的感知更加困难；

图8图示了在由本发明处理之后的图7中所示的语音句子，其示出了通过对低频区进行滤波以使平均谱变平而没有导致不希望出现的对频率响应的偏置；

图9a图示了女性说话者对单词“Intuition”发音的声音波形；

图9b图示了在由本发明处理之后的图9的波形，其示出了软辅音已经增强，导致可听见的清晰度改进；

图10a图示了同时叠加有一系列尖锐的、高强度的冲激的男性说话者对句子发音的声音波形。在由本发明处理之后(图10b)，明显去除了冲激尖峰。同时，轻柔语音已经得到增强，有利于更高的清晰度；以及

图10b图示了在由本发明处理之后的图10a的波形，其示出了伴随有轻柔语音增强和可听见的声音清晰度改进的冲激尖峰的去除。

具体实施方式

应注意，本说明书通过指示性示例实现，并且本文提供的概念不限于适合任何单个音频处理设备的使用或者应用。因此，尽管本文所描述的处理创新的细节是为了便于进行与示例性实施方式有关的说明和解释，所公开的原理可应用于音频电子信号传输的其它类型和应用。它们可在数字结构和模拟结构中实现。如果在模拟结构中，那么可以采用对RC时间常数的灵巧选择来实现在以下段落中描述的本发明独特的检测和处理级；然而，在数字形式中，其与规划适合的参数有关。

现在参照图1，依赖于幅度变化率，动态变化的信号如图2中所示的记录的音乐段落的信号或者图7中所示的人类语音模式的信号在的三个分离的时间分析窗内得到检查和处理。无失真快速检测器向短暂冲激或者幅度的通常快速变化施加2毫秒(msec.)的启动和释放时间(attack and release)；作为示例，幅度变化发生在大约2毫秒到大约2秒的范围内。幅度的快速降低引起快速释放元素(element)。因此，启动时间和释放时间依赖于输入幅度变化率。

更慢变化的信号幅度如有韵律的发音模式通过2000毫秒(2秒)的启动和释放时间被管理。该时间段覆盖几个口语单词并使得一般水平的说话音能够被识别。当输入信号幅度变化率大于大约2秒时，本质上，该方法的这个部分对语音信号的接收电平保持连续监视以最佳保持信号输出中的清晰度和逼真度并降低削波步骤的速度。

本发明充分利用人类听觉系统中时间积分的心理声学特征。这是该方法的至关重要的方面。众所周知，信号的响度在大约100毫秒的时间窗内进行积分。因此，持续时间较短的冲激尖峰听起来相当轻柔且经常感觉不到。对此的说明在图3和图4中示出。在该示例中，以示例方式图示了音乐段落的特定动态幅度模式，该特定动态幅度模式具有通过本发明去除的10dB的幅度峰值降低，该幅度峰值降低因心理声学地确定的时间积分而具有的净结果是仅0.2dB的响度降低。由于短暂瞬态发生的总时间仅为大约10毫秒或者100毫秒响度积分窗的1/10，因此峰值电平在100毫秒听觉积分窗中将仅贡献总功率的1/20。这将导致10(log(1+1/20))或者仅0.2dB的响度增加。因此，可以看出，峰值功率的瞬时限制没有明显影响响度；但是，可能有害的尖峰已被去除。现有技术对削波所引起的失真的可听度做出的假设以传统的测量方法为基础，传统的测量方法大大地延长实际上非常短暂的视觉分析信号且对于该信号而言经常“冻结”。对短暂信号失真如产生于削波的谐波的感知结果的这种常见错误描绘与本方法的独特特征直接相关。

现在参照图5，其中示出了经削波之后放大的或者以10dB“过驱动”的图3和图4的音频信号。持续时间长的信号的平均电平增加，这为轻柔的和中度的声音产生了增加的响度，其净效果是增强信号的细节和清晰度。

极快速的高电平冲激，即小于2秒的高电平冲激由图1中所示的第三级瞬时地向下调整，图1中所示的第三级施加无任何时间延迟的受控削波。由于图6中所示的以及之前所解释的时间积分滚降的原因，这些信号的极度短暂使得与削波相关联的失真达到通常感觉不到的程度。

音频系统以及相当嘈杂的输入环境中的语音清晰度经常受到低频的、较高能量的元音的较高强度的损害，低频的、较高能量的元音趋于掩盖较高频率的、较低强度的辅音。传统的方法经常应用滤波器技术以减少低频噪声和说话音分量。在一些情况下，方法是偏置频谱以有利于高频。两种方法都具有形成不希望的尖细声音的效果并且都对说话音质量产生负面感知的作用。本发明通过在不使用滤波或者频率偏置的情况下增强所有轻柔的和中度的声音来避免这个问题。所应用的增益值的范围处于大约1dB与40dB之间。当轻柔语音声音通过系统时，完成了频谱的整平(flattening)，使元音和发音特性未受到干扰，但却明显增加了更轻柔的清辅音的强度和可感知性。在图7和图8中对此进行了非常清晰地示出。此外，图9示出了女性说话者对多音节单词“intuition”发音的时序波形。显然，软辅音如“T”和“SH”在通过使用本发明进行处理的样本中得到增强。值得注意的是，这种处理没有改变基本的发音特性并瞬时地产生清晰度的提高。

突然尖锐的短暂听觉尖峰既令人烦恼又可能损害内耳的柔弱毛细胞结构。本发明瞬时地去除这种冲激(图10)，而不存在通常与现有方法相关联的延迟或者添加的失真。

一串脉冲冲激(或者在连续的正弦或复杂信号中的峰)被当作长期(Long Term)信号处理。因为启动和释放时间是指数函数，所以语音中元音的结尾处的恢复相对较快，这允许例如音乐中的辅音或者其它低电平声音得到几乎完全的放大。

在不背离上述方法、设备和结构的范围的条件下，可以对其进行改变。因而应注意，在以上描述中所包含的和/或在附图中所示出的内容应当被解释为说明性的而非具有限制意义的。权利要求旨在涵盖本文所描述的所有一般特征和具体特征以及对本方法、设备和结构的范围的所有陈述，从语言角度来讲，可以说对本方法、设备和结构的范围的所有陈述落入一般特征与具体特征之间。

Claims (9)

1.一种用于提高听觉语音信号清晰度的方法，包括：

连续测量输入信号的平均电平；

以预定的系数向语音信号应用至少一个增益值；以及

同时将输入语音信号的峰值削波预先计算的量，从而使轻柔的高频清辅音口语成分可感知地增强。

2.如权利要求1所述的方法，还包括连续测量输入信号的波形幅度和波形幅度变化率。

3.如权利要求2所述的方法，包括响应于所测量的波形幅度变化率调整削波步骤的速度。

4.如权利要求3所述的方法，其中，当波形幅度变化率小于2.0毫秒时，瞬时地执行所述削波步骤。

5.如权利要求3所述的方法，其中，当所述波形幅度变化率大于2.0毫秒时，降低所述削波步骤的速度。

6.如权利要求5所述的方法，其中，当所述波形幅度变化率大于2.0秒时，进一步降低所述削波步骤的速度。

7.如权利要求1所述的方法，其中，所应用的增益值的范围处于大约1dB与大约40dB之间。

8.如权利要求1所述的方法，其中，所述输入信号包括宽带信号。

9.如权利要求1所述的方法，其中，所述输入信号包括多个频带分离的信号。

Images