[发明专利]音乐/非音乐的实时检测方法和装置

说明书

技术领域

本发明涉及通信领域，具体而言，涉及一种音乐/非音乐的实时检测方法和装置。

背景技术

在语音通信领域中，常常因为传输带宽的约束需要进行非连续传输(Discontinued Transmission，DTX)，其中最关键的步骤就是语音活动检测(Voice Activity Detection，VAD)。随着多媒体业务的不断丰富，通信中除了语音和环境声学噪声之外，常常有彩铃等音乐信号加入，而在DTX传输条件下，一般的VAD会把部分音乐信号当作噪声进行处理，使得音乐信号无法正常传输，并且音乐信号的编码方式也有别于非音乐(包括噪声、语音、和静音等)，因此必须及时检测出这些音乐信号，进而采用合适的编码算法进行传输。另外，噪声抑制(Noise Reduction，NR)中，如果音乐信号也采用非音乐的方式进行处理，会使音乐信号严重失真，因此也有必要做音乐/非音乐的判断。

在音频通信应用中，音乐/非音乐的检测难度在于音乐的多变以及语音中的噪声的多变。许多研究内容都分析了音乐与语音的差异，但因为音乐的多变使得这些差异只对部分音乐有效。通常语音的静默片断出现的概率大、能量变化大，但在节奏很快的音乐中也有类似现象；许多音乐的高频信息丰富，但在歌唱时也并非如此；音乐的基音频率要么变化小、要么突变，但和声和复调音乐使基音频率的提取有时非常困难；音乐有节奏感，但却并非简单的周期重复。使问题更为棘手的是语音中包含的噪声，尤其是谐波噪声，这些谐波噪声在较短的时间内与乐声很像，只是因为持续时间长才成为噪声。

目前的音乐/非音乐分类方案主要存在以下不足：(1)从音频信号短时处理出发提取的短时特征仅仅利用了很少量的信息，不足以反映两类信号的差异。实际上在较短的时间内看，音乐、语音和噪声常常没有明显的界限；(2)长时分析缺乏有力的特征描述，要么时间片要求较长，例如对整个音频文件的分类，不适于实时通信领域的要求，要么是从音频动态特征衍生出来新的统计特征，但其分类能力却无法保证；(3)常常需要获得音乐和语音及噪声的精细结构及其变化，对采样率和计算量要求较高，难以满足在嵌入式平台上应用；(4)所用的测试数据不充分，很难满足复杂的通信环境的要求。

在实现本发明过程中，发明人发现总之，实际应用对音乐/非音乐检测的要求是实时、稳健性、有效，能够为后续处理奠定基础，而目前的问题是——短时分析有用信息太少，难以反映两者的差异；长时分析可以较好地反映两者差异，但是计算量大，延时长；特征不够稳健，对音乐和语音及噪声内在的区别没有充分的反映。

发明内容

本发明旨在提供一种音乐/非音乐的实时检测方法和装置，能够解决现有的短时分析和长时分析上述各自存在的问题。

在本发明的实施例中，提供了一种音乐/非音乐的实时检测方法，包括以下步骤：对信号进行预处理；计算预处理过的信号的短时特征；达到一个分析步长之后，计算累计短时能量均方根，以判定信号是否为静默状态；如果确定为非静默状态，则根据短时分析参数计算长时特征参数；根据计算的长时特征参数进行统计分类，根据混合高斯模型确定当前分析区间内的声音类别是音乐/非音乐；以及对信号进行后处理，以消除突变状态。

优选的，对信号进行预处理具体包括：入口参数控制、模型库加载、输入文件或数据格式处理，以及预加重、分帧加窗、参数和缓冲区初始化。

优选的，入口参数控制包括设置语音信号或噪声信号检测得分的额外加分spS和nsS；模型库加载包括加载事先经过大量数据训练过的语音、噪音、音乐三者的统计模型，静音是以短时能量判断；输入文件或数据格式处理采用8kHz采样16比特量化；预加重系数取系数为-0.80；分帧加窗取帧长为32毫秒，256个采样点；参数和缓冲区初始化为帧移10毫秒，80个采样点，窗函数采用256点的海明窗。

优选的，计算预处理过的信号的短时特征具体包括：计算时域短时能量特征、幅度谱以及频谱特征、实倒谱、谱起伏程度参数、Mel域子带能量以及短时调性强度特征，并标记当前帧的调性。