【语音合成】基于matlab线性预测系数和预测误差语音合成【含Matlab源码 564期】

一、获取代码方式

获取代码方式1：
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。

获取代码方式2：
完整代码已上传我的资源：【语音合成】基于matlab线性预测系数和预测误差语音合成【含Matlab源码 564期】

备注：
订阅紫极神光博客付费专栏，可免费获得1份代码（有效期为订阅日起，三天内有效）；

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; close all;[x, fs] = audioread('girl.wav');           % 读入数据文件

四、运行结果

五、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[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.