Question

我对Matlab很新，我正在尝试编写一个简单的基于频率的语音检测算法。最终目标是在wav文件上运行脚本，并为每个语音段输出开始/结束时间。如果使用代码：

fr = 128;
[ audio, fs, nbits ] = wavread(audioPath);
spectrogram(audio,fr,120,fr,fs,'yaxis')

我得到了一个有用的频率强度与时间的关系曲线：

enter image description here

通过观察它，很容易看出语音何时发生。我可以编写一种算法，通过查看每个x轴框架来自动化检测过程，确定哪些频率占优势（具有最高强度），测试主导频率以查看它们是否足够超过某个强度阈值（图中的黄色和红色之间的差异，然后将该帧标记为语音或非语音。一旦标记了帧，就可以很容易地获得每个语音段的开始/结束时间。

我的问题是我不知道如何访问这些数据。我可以使用代码：

[S,F,T,P] = spectrogram(audio,fr,120,fr,fs);

获取光谱图的所有功能，但该代码的结果对我没有任何意义。 S，F，T，P阵列和矩阵的界限与我在图表上看到的任何内容都不相关。我查看了帮助文件和API，但是当他们开始抛出算法名称和首字母缩略词时我感到困惑 - 我的DSP背景非常有限。

如何获得此频谱图分析每帧的频率强度值数组？我可以从那里找出其余部分，我只需要知道如何获得适当的数据。

Answer 1

Why don't you use fft with `fftshift：

  %% Time specifications:
   Fs = 100;                      % samples per second
   dt = 1/Fs;                     % seconds per sample
   StopTime = 1;                  % seconds
   t = (0:dt:StopTime-dt)';
   N = size(t,1);
   %% Sine wave:
   Fc = 12;                       % hertz
   x = cos(2*pi*Fc*t);
   %% Fourier Transform:
   X = fftshift(fft(x));
   %% Frequency specifications:
   dF = Fs/N;                      % hertz
   f = -Fs/2:dF:Fs/2-dF;           % hertz
   %% Plot the spectrum:
   figure;
   plot(f,abs(X)/N);
   xlabel('Frequency (in hertz)');
   title('Magnitude Response');

为什么要使用复杂的东西？

https://dsp.stackexchange.com/questions/1522/simplest-way-of-detecting-where-audio-envelopes-start-and-stop

中可以找到一个很好的完整解决方案

Answer 2

看看STFT（短时傅立叶变换）或（甚至更好）DWT（离散小波变换），它们都会估计数据块（窗口）中的频率内容，这就是你需要的想要检测某些（“语音”）频率的幅度的突然变化。

不要使用FFT ，因为它计算信号整个持续时间内的相对频率内容，因此无法确定何时某个频率出现在信号。

Answer 3

您要做的是语音活动检测。有许多方法，最简单的可能是一个简单的带通滤波器，它通过语音最强的频率，这在1kHz到8kHz之间。然后，您可以将总信号能量与带通限制进行比较，如果大部分能量在语音频段中，则将帧分类为语音。这是一个选择，但也有其他选择。

要获得峰值频率，您可以使用FFT获取频谱，然后使用peakdetect.m。但这是一种非常天真的方法，因为你会得到很多峰值，属于基本正弦的谐波频率。

理论上你应该使用某种倒谱（也称为频谱），它可以减少谐波在频谱中与基频的周期性，然后将其与峰值检测结合使用。或者，您可以使用现有工具，例如praat。

请注意，语音分析通常在大约30ms的帧上完成，步进10ms。您可以通过确保在N个连续帧中检测到共振峰来进一步滤除错误检测。

Answer 4

如果你仍然使用内置的STFT功能，那么要绘制最大值，你可以使用以下命令

plot(T,(floor(abs(max(S,[],1)))))

Matlab：在音频数据帧中查找主要频率

4 个答案: