【语⾳合成】基于matlab线性预测系数和基⾳参数语⾳合成【含Matlab源码563
发面馒头
期】
⼀、获取代码⽅式
获取代码⽅式1：
完整代码已上传我的资源：
获取代码⽅式2：
通过紫极神光博客主页开通CSDN会员，凭⽀付凭证，私信博主，可获得此代码。
获取代码⽅式3：
通过订阅紫极神光博客付费专栏，凭⽀付凭证，私信博主，可获得此代码。
备注：开通CSDN会员，仅只能免费获得1份代码（有效期为开通⽇起，三天内有效）；
订阅紫极神光博客付费专栏，可免费获得2份代码（有效期为订阅⽇起，三天内有效）；三角形相似的判定定理
⼆、线性预测合成简介
线性预测合成⽅法是⽬前⽐较简单和实⽤的⼀种语⾳合成⽅法，它以其低数据率、低复杂度、低成本，受到特别的重视。20世纪60年代后期发展起来的L.PC语⾳分析⽅法可以有
效地估计基本语⾳参数，如基⾳、共振峰，谱、声道⾯积函数等，可以对语⾳的基本模型给出精确的估计， ⽽且计算速度较快。因此，LPC语⾳合成器利⽤LPC语⾳分析⽅法， 通过分析⾃然语⾳样本， 计算出LPC系数， 就可以建⽴信号产⽣模型， 从⽽合成出语⾳。线性预测合成模型是⼀种“源⼀滤波器”模型，由⽩噪声序列和周期脉冲序列构成的激励信号，经过选通、放⼤并通过时变数字滤波器(由语⾳参数控制的声道模型)，就可以再获得原语⾳信号。这种参数编码的语⾳合成器的原理框图如图10-2所⽰。图10-2所⽰的线性预测合成的形式有两种：⼀种是直接⽤预测器系数a构成的递归型合成滤波器；另⼀种合成的形式是采⽤反射系数k构成的格型合成滤波器。
直接⽤预测器系数a，构成的递归型合成滤波器机构如图10-3所⽰。⽤该⽅法定期地改变激励参数u(n)和预测器系数a，能合成出语⾳。这种结构简单⽽直观，为了合成⼀个语⾳样本，需要进⾏p次乘法和
p次加法。合成的语⾳样本由下式决定：
式中，a；为预测器系数；G为模型增益；u(n)为激励；合成语⾳样本为s(n)；p为预测器
阶数。
直接式的预测系数滤波器结构的优点是简单、易于实现，所以曾被⼴泛采⽤，其缺点是合成语⾳样本需要很⾼的计算精度。这是因为这种递归结构对系数的变化⾮常敏感，系数的微⼩变化都可以导致滤波器极点位置发⽣很⼤变化，甚⾄出现不稳定现象。所以，由于预测系数a，的量化所造成的精度下降，使得合成的信号不稳定，容易产⽣振荡的情况。⽽且预测系数的个数p变化时，系数a，的值变化也很⼤，很难处理，这是直接式线性预测法的缺点。
另⼀种合成的形式是采⽤反射系数构成的格型合成滤波器。合成语⾳样本由下式决定：
式中，G为模型增益；u(n)为激励；k，为反射系数；b，(n)为后向预测误差；p为预测器
阶数。
由式(10-2)可看出，只要知道反射系数、激励位置(即基⾳周期)和模型增益就可由后向误差序列迭代计算出合成语⾳。合成⼀个语⾳样本需要(2p-1)次乘法和(2p-1)次加法。采⽤反射系数k，的格型合成滤波器结构，虽然运算量⼤于直接型结构，却具有⼀系列优点：其参数k，具有|k，|<1的性质，因⽽滤波器是稳定的；同时与直接结构形式相⽐，它对有限字长引起的量化效应灵敏度较低。此外，基⾳同步合成需对控制参数进⾏线性内插，以得到每个基⾳周期起始处的值。然⽽预测器系数本⾝却不能直接内插，但可以证明，可对部分相关系数进⾏内插，如果原来的参数是稳定的，则结果必稳定。⽆论选⽤哪⼀种滤波器结构形式， LPC合成模型中所有的控制参数都必须随时间不断修正。
在实际进⾏语⾳合成时，除了构成合成滤波器之外，还必须在有浊⾳的情况下，将⼀定基⾳周期的脉冲序列作为⾳源；在清⾳的情况下，将⽩噪声作为⾳源。由此可知，必须进⾏浊⾳/清⾳的判别和确定⾳源强度。
对于基⾳周期的检测，上述章节已经进⾏了相关介绍。对于语⾳合成来说，常采⽤去掉
共振峰影响后的最后⼀级残差信号eP(前向预测误差)的⾃相关函数的⽅式。这个残差信
号的⾃相关函数也叫变形⾃相关函数r，(n)，它除了可⽤来检测基⾳周期之外，也可⽤来区别浊⾳/清⾳等。在r，(0)之后找出r，(n)取峰值时的T，即从n=0开始，搜索基⾳周期可能存在的3~15ms的区间，从⽽求出这个周期。同样对于浊⾳/清⾳的判别⽅法，也可以采⽤误差信号r，(n)。采⽤r.(n)的⼀个⽅法是利⽤r，(T)/r，(0)这个⽐值，如果是浊⾳的话，r.(T)则相当于r.(n)的⼀个极值。所以可以设定r，(T)/r，(0)的⽐值在0.18以下为清⾳，在0.25以上为浊⾳。
三、部分源代码
clear all; clc; clo all;
[xx, fs, bits]=wavread('C7_2_y.wav');%读⼊数据⽂件
xx=xx-mean(xx);%去除直流分量
x=xx/max(abs(xx));%归⼀化
x=xx/max(abs(xx));%归⼀化
N=length(x);%数据长度
time=(0:N-1)/fs;%时间刻度
wlen=240;%帧长
inc=80;%帧移
overlap=wlen-inc;%重叠长度
tempr1=(0:overlap-1)'/overlap;%斜三⾓窗函数w1
tempr2=(overlap-1:-1:0)'/overlap;%斜三⾓窗函数w2
刘青霞故居
n2=1:wlen/2+1;%正频率的下标值
wind=hanning(wlen);%窗函数
怎么设置锁屏X=enframe(x,wind,inc)';%分帧
fn=size(X,2);%帧数
T1=0.1; r2=0.5;%端点检测参数
miniL=10;%有话段最短帧数
mnlong=5;%元⾳主体最短帧数
ThrC=[1015];%阈值
p=12;% LPC阶次
frameTime=FrameTimeC(fn,wlen,inc,fs);%计算每帧的时间刻度
for i=1: fn %计算每帧的线性预测系数和增益
u=X(:,i);
[ar,g]=lpc(u,p);
AR_coeff(:,i)=ar;
Gain(i)=g;
dnf安图恩end
%基⾳检测
[voiceg,vosl,SF,Ef,period]=pitch_Ceps(x,wlen,inc,T1,fs);%基于倒谱法的基⾳周期检测
Dpitch=pitfilterm1(period,voiceg,vosl);%对T0进⾏平滑处理求出基⾳周期T0
房地产交易网tal=0;%初始化前导零点
zint=zeros(p,1);
银行存折
for i=1:fn;
ai=AR_coeff(:,i);%获取第i帧的预测系数
sigma_square=Gain(i);%获取第i帧的增益系数
sigma=sqrt(sigma_square);
if SF(i)==0%⽆话帧
excitation=randn(wlen,1);%产⽣⽩噪声
[synt_frame,zint]=filter(sigma,ai,excitation,zint);%⽤⽩噪声合成语⾳
el%有话帧
PT=round(Dpitch(i));%取周期值
exc_syn1 =zeros(wlen+tal,1);%初始化脉冲发⽣区
exc_syn1(mod(1:tal+wlen,PT)==0)=1;%在基⾳周期的位置产⽣脉冲，幅值为1
exc_syn2=exc_syn1(tal+1:tal+inc);%计算帧移inc区间内脉冲个数
index=find(exc_syn2==1);
excitation=exc_syn1(tal+1:tal+wlen);%这⼀帧的激励脉冲源
if impty(index)%帧移inc区间内没有脉冲
tal=tal+inc;%计算下⼀帧的前导零点
el%帧移inc区间内有脉冲
eal=length(index);%计算有⼏个脉冲
tal=inc-index(eal);%计算下⼀帧的前导零点
end
gain=sigma/sqrt(1/PT);%增益
[synt_frame,zint]=filter(gain, ai,excitation,zint);%⽤脉冲合成语⾳
end
if i==1%若为第1帧
output=synt_frame;%不需要重叠相加，保留合成数据
el
M=length(output);%按线性⽐例重叠相加处理合成数据
output=[output(1:M-overlap);output(M-overlap+1:M).*tempr2+synt_frame(1:overlap).*tempr1;synt_frame(overlap+1:wlen)]; end
end
ol=length(output);%把输出output延长⾄与输⼊信号xx等长
if ol<N
output1=[output;zeros(N-ol,1)];
el
el
output1=output(1:N);
end
四、运⾏结果
五、matlab版本及参考⽂献
1 matlab版本
2014a
2 参考⽂献美丽的词语
[1]韩纪庆，张磊，郑铁然.语⾳信号处理（第3版）[M].清华⼤学出版社，2019.
[2]柳若边.深度学习：语⾳识别技术实践[M].清华⼤学出版社，2019.
