三、时域分析：短时能量、短时过零率、短时自相关函数、时域参数的提取与应用

语音信号本质上是非平稳的时变信号，其统计特性（如幅度分布、频谱形状）随时间快速变化。然而，在10~30ms的短时间内，语音的声学特性可视为相对稳定，这一假设构成了语音信号“短时分析”的基石。时域分析直接对采样后的波形样本进行操作，不涉及傅里叶变换，因此具有计算量小、物理意义直观、实时性强的优点。本章将系统讲解三种最核心的时域参数——短时能量、短时过零率、短时自相关函数——的数学定义、提取流程、工程实现要点及其在语音端点检测、基频估计等任务中的典型应用。

上图展示了时域分析的整体技术链路：原始语音经过预加重、分帧、加窗后，并行计算三种核心参数，最终服务于端点检测、基频估计和清浊音判别等具体任务。下面逐一深入剖析每种参数的原理与工程实现。

3.1 短时能量：语音响度与清浊音区分的基石

3.1.1 核心原理

短时能量反映了语音信号在某一帧内的平均功率或幅度大小。对于第n帧信号，其短时能量定义为：

E_n = Σ_{m=0}^{N-1} [x(m)·w(n-m)]²

其中，x(m)为输入语音序列，w(n-m)为窗函数（常用汉明窗或矩形窗），N为帧长。从物理意义上看，能量值直接对应人耳感知的响度。清音（如/s/、/f/）的幅度通常较小，能量值低；浊音（如/a/、/i/）的幅度较大，能量值高。此外，静音段的能量接近于零（仅含环境噪声）。

在实际工程中，为了减少计算量并避免平方运算带来的动态范围过大问题，常采用对数能量或平均幅度差函数（AMDF）替代纯能量计算。对数能量将能量值压缩到线性可比的范围内，便于设置统一门限。

3.1.2 提取流程与参数选择

1. 预加重：通过一阶高通滤波器 y(n)=x(n)-αx(n-1)（α通常取0.95~0.97），提升高频分量，避免语音信号高频段能量过低导致分析偏差。
2. 分帧：帧长取20~30ms（对应16000Hz采样率下320~480个采样点），帧移取帧长的50%（即10~15ms），保证相邻帧之间的平滑过渡。
3. 加窗：推荐使用汉明窗 w(n)=0.54-0.46cos(2πn/(N-1))，其旁瓣衰减较大，可减少频谱泄漏；矩形窗频率分辨率高但旁瓣高，适合瞬态分析。
4. 计算能量：对加窗后的帧内样本逐点平方求和，得到该帧能量值。

3.1.3 案例拆解：基于能量的静音段剔除

在智能音箱的唤醒词检测模块中，麦克风采集的音频流包含大量静音和背景噪声。假设采样率16kHz，帧长20ms（320点），帧移10ms。初始环境噪声能量约为50（归一化幅度平方和），语音唤醒词“小度小度”的能量峰值可达2000以上。设置双门限：高门限TH_H=500，低门限TH_L=150。当连续3帧能量超过TH_H时判定语音起始；当连续5帧能量低于TH_L时判定语音结束。该方案在安静环境下准确率超过98%，但在信噪比低于10dB时误检率显著上升，需结合过零率进行二次确认。

3.2 短时过零率：区分清音与浊音、噪声的利器

3.2.1 核心原理

短时过零率（Zero Crossing Rate, ZCR）定义为在一帧内信号波形穿越零轴的次数。其数学表达式为：

Z_n = ½ Σ_{m=1}^{N-1} |sgn[x(m)] - sgn[x(m-1)]|

其中sgn[·]为符号函数。浊音信号具有明显的周期性，波形平滑，过零率较低（通常为10~30次/10ms）；清音信号类似随机噪声，波形高频振荡剧烈，过零率较高（通常为50~100次/10ms）。因此，ZCR是区分清音和浊音的有效特征。

3.2.2 改进与工程实现

直接计算过零率对噪声非常敏感，尤其是低频噪声容易产生虚假过零。工程上常采用以下改进措施：

• 门限过零率：设置一个正负门限（如±0.1倍峰值），只有信号跨越门限才计为一次过零，可有效抑制小幅噪声抖动。
• 带通滤波预处理：先通过200~4000Hz带通滤波器，去除低频干扰和高频噪声，再计算过零率。
• 平滑处理：对过零率序列进行中值滤波或滑动平均，消除帧间抖动。

3.2.3 实战场景：清浊音判别与语音端点细化

在语音识别前端，仅靠能量无法区分清音起始位置（如“四”的/s/音头）。此时采用“能量+过零率”双门限法：能量门限负责检测浊音段，过零率门限负责检测清音段。具体流程为：先用高能量门限找到语音主体，再向两侧扩展搜索，若过零率连续3帧超过阈值（如50次/10ms），则判定为清音段并纳入语音范围。该方法在电话语音识别系统中将端点检测准确率从85%提升至94%。

3.3 短时自相关函数：基频估计与周期性检测的核心工具

3.3.1 核心原理

短时自相关函数（Short-Time Autocorrelation Function, STACF）描述了一帧信号与其自身延迟k个样本后的相似度。其定义为：

R_n(k) = Σ_{m=0}^{N-1-k} x_n(m)·x_n(m+k)

对于周期信号（如浊音），自相关函数在延迟等于基音周期T₀处会出现明显的峰值。因此，通过检测R_n(k)的第一个极大值位置，即可估计基频F0=fs/k_max。对于非周期信号（清音、噪声），自相关函数随k增大迅速衰减，无显著峰值。

3.3.2 计算优化与注意事项

直接计算自相关函数的计算复杂度为O(N²)，实时性差。工程上常用以下优化方法：

• FFT加速：利用维纳-辛钦定理，先计算帧信号的功率谱，再逆变换得到自相关函数，复杂度降为O(NlogN)。
• 归一化处理：使用归一化自相关 r_n(k)=R_n(k)/R_n(0)，消除幅度影响，便于设置统一峰值门限。
• 峰值搜索范围限制：基频范围通常为70~400Hz（对应延迟k=fs/400~fs/70），在此范围内搜索峰值，避免搜索到高次谐波对应的伪峰。

3.3.3 案例拆解：基于自相关的基频检测与错误分析

在歌声合成系统中，需要精确提取歌手基频。输入为44.1kHz采样率的歌唱信号，帧长2048点（约46ms），帧移512点。对每帧计算归一化自相关函数，在延迟范围k∈[110, 630]（对应70~400Hz）内搜索最大值。初始结果中，部分高音区（如女声F5，约698Hz）出现“半频错误”——检测到的峰值位于实际基频的1/2处。分析发现，这是因为信号中二次谐波能量强于基波，自相关在2T₀处出现更高峰值。解决方案：在峰值搜索时加入“峰值对比度”约束，要求候选峰值的幅度至少为R(0)的0.3倍，且与相邻峰值的间距不小于T₀/2。修正后，基频检测准确率从89%提升至97%。

3.4 时域参数的综合应用与工程复盘

3.4.1 多参数融合的端点检测策略

单一参数在复杂声学环境下均存在局限性：能量易受噪声影响，过零率对低频干扰敏感，自相关计算量大。实际系统中采用“能量-过零率-自相关”三级判决：第一级用能量粗检语音活动区间；第二级用过零率细化清音边界；第三级用自相关峰值确认浊音段并剔除突发噪声。该策略在车载噪声（60~80dB）环境下，端点检测准确率仍能保持在92%以上。

3.4.2 案例复盘：智能会议系统的说话人切换检测

某智能会议系统需要实时检测参会人说话起止时间。初始方案仅使用短时能量，在空调噪声（约45dB）环境下误检率高达15%。分析日志发现，空调启停瞬间能量波动与语音能量重叠。改进方案：将能量门限提升至噪声基底+6dB，同时要求过零率在语音范围内（20~80次/10ms），且自相关峰值超过0.4。经过三轮迭代优化，误检率降至3%以下。复盘经验：时域参数必须组合使用，且门限需根据环境噪声动态调整（如每5秒更新噪声基底）。

3.4.3 总结与设计建议

时域分析是语音信号处理中最直观、计算效率最高的前端技术。设计时需遵循以下原则：

1. 参数互补：能量反映幅度信息，过零率反映频率粗糙度，自相关反映周期性，三者不可互相替代。
2. 门限自适应：固定门限仅适用于实验室环境，实际系统需根据噪声估计动态调整。
3. 计算复杂度权衡：嵌入式设备优先选择能量+过零率组合，云端系统可加入自相关分析。
4. 验证闭环：每个参数提取模块需配套可视化工具（波形+参数曲线叠加显示），便于快速定位异常。