简 介： 对比了实际录制的手机音频信号的波形以及频谱，可以看到，录制双音频信号出现了较大的变化： 拨码的幅值降低了很多，需要放大20倍才能够与录制的双音频相当； 双音频中的高频区的分量很弱，几乎看不到；通过分析，猜测在 原来的电路设计中，对于音频发送电路可能存在着较大的问题，特别是输出音频模拟信号在耦合到电话线中的时候： 耦合和频带宽度严重不足，造成发送出的音频信号的高频区的信号被衰减更大； 输出音频功率不足，有可能是发送电路的阻抗与电话线阻抗不匹配，噪声输出信号幅值较小；至于为什么会出现部分拨码会严重失真，双音频信号全部消失，还无法确认其原因。

关键词： 电话拨号，双音频，阻抗匹配

§00 背  景

  在 电话双音频拨号声音中的干扰信号 测试了 旧电话改造设备 在外拨码过程出错的波形。显示在出现识别错误的拨码的音频的波形和频谱都出现很大的变化。

  今天（2022-01-14）又收到两端直接使用录音播送以及接受出错的音频波形。下面进行波形和频谱进行对照分析。

*山那边： 卓老师，您好，我们用直接播放录音文件到线路也有类似错，但相对之前的方式出错率比较低，不知道这个出错波形跟之前的波形有什么区别，麻烦您对比分析一下，谢谢！

§01 拨号音频

  仍然在 AI Studio中的BML-CodeLab的双音频识别算法工程 中进行分析。

from headm import *                 # =

from scipy.io   import wavfile

filename = ('origin.wav', 'record.wav')
wavedir = '/home/aistudio/work/wavefile'

def showwave(wavefile):
    fn = os.path.join(wavedir, wavefile)
    sample_rate,sig = wavfile.read(fn)

    printt(sample_rate|, type(sig)|, sig.shape|)

    plt.clf()
    plt.figure(figsize=(12,8))
    plt.plot(sig)
    plt.xlabel("sample")
    plt.ylabel("amplitude")
    plt.grid(True)
    plt.tight_layout()
    plt.savefig('/home/aistudio/stdout.jpg')
    plt.show()

showwave(filename[0])

  

 

  
1
  
2
  
3
  
4
  
5
  
6
  
7
  
8
  
9
  
10
  
11
  
12
  
13
  
14
  
15
  
16
  
17
  
18
  
19
  
20
  
21
  
22
  
23
  
24
 

1.1 音频文件

  音频文件存储在：work/wavefile中。

• origin.wav: 这是我录制的十一位手机号标准双音频
• record.wav: 这是出错时采集的音频信号

1.2 波形分析

1.2.1 原始声音波形

sample_rate: 8000
type(sig): <class 'numpy.ndarray'>
sig.shape: (20160,)

  

 

  
1
  
2
  
3
 

1.2.2 出错音频

sample_rate: 8000
type(sig): <class 'numpy.ndarray'>
sig.shape: (18321,)

  

 

  
1
  
2
  
3
 

  观察录制出错的音频，其中出现的问题：

• 双音频的幅值比较小；相对于开始的摘机空号声音；
• 发送的时间间隔不同；
• 在第一个音频位置，出现较大的波动；

gifpath = '/home/aistudio/GIF'
if not os.path.isdir(gifpath):
    os.makedirs(gifpath)
gifdim = os.listdir(gifpath)
for f in gifdim:
    fn = os.path.join(gifpath, f)
    if os.path.isfile(fn):
        os.remove(fn)

from tqdm import tqdm

def gifwave(wavefile):
    fn = os.path.join(wavedir, wavefile)
    sample_rate,sig = wavfile.read(fn)

    gif_num = 200
    start = 7500
    length = 500
    step = length // 8
    wavelength = len(sig)

    stepnum = (wavelength - start - length) // step
    stepnum = 50

    print("stepnum: {}\n".format(stepnum))

    for i in tqdm(range(stepnum)):
        plt.clf()
        plt.figure(figsize=(10,5))
        plt.plot(sig[start+i*step:start+i*step+length])
        savefile = os.path.join(gifpath, '%03d.jpg'%i)
        plt.savefig(savefile)

gifwave(filename[1])

  

 

  
 
 

  
1
  
2
  
3
  
4
  
5
  
6
  
7
  
8
  
9
  
10
  
11
  
12
  
13
  
14
  
15
  
16
  
17
  
18
  
19
  
20
  
21
  
22
  
23
  
24
  
25
  
26
  
27
  
28
  
29
  
30
  
31
  
32
  
33
  
34
 

1.3 频谱分析

（1）正常手机的频谱

（2）错误双音频信号

  实现的音频的视频联合分布，可以看到：

• 音频中的实际拨码信号的频谱很小，几乎看不到了。
• 第一个拨码的频谱基本不存在了。
  ▲ 图1.3.2 错误音频的频谱

  下面是将音频信号乘以20之后现实的频谱。放大之后：

• 可以显示出拨码的音频的双音频的频谱；
• 可以看到对于高频的分量的频谱很弱，对比前面正常的信号频谱可以看到它们之间的区别。
  ▲ 图1.3.3 声音增强后对应的频谱

※ 结  论 ※

  对比了实际录制的手机音频信号的波形以及频谱，可以看到，录制双音频信号出现了较大的变化：

• 拨码的幅值降低了很多，需要放大20倍才能够与录制的双音频相当；
• 双音频中的高频区的分量很弱，几乎看不到；

  通过分析，猜测在 原来的电路设计中，对于音频发送电路可能存在着较大的问题，特别是输出音频模拟信号在耦合到电话线中的时候：

• 耦合和频带宽度严重不足，造成发送出的音频信号的高频区的信号被衰减更大；
• 输出音频功率不足，有可能是发送电路的阻抗与电话线阻抗不匹配，噪声输出信号幅值较小；

  至于为什么会出现部分拨码会严重失真，双音频信号全部消失，还无法确认其原因。

2.1 建议后续工作

  建议，对于电话线输出电路信号使用示波器进行观察，对于输出信号的幅值，频率进行实时在线分析。 对于所使用的的电话线的耦合阻抗进行测试，对比电路的输出阻抗是是否满足匹配。测试输出电路的信号频带宽度，寻找为何它对于高频区的信号衰减这么大？

■ 相关文献链接:

• 电话双音频拨号声音中的干扰信号
• 拨回旧时光
• AI Studio中的BML-CodeLab的双音频识别算法工程

● 相关图表链接:

• 图1.2.1 原始音频波形
• 图 正确声音信号
• 图1.2.3 出错误音频波形
• 图 出错误的音频波形
• 图1.3.1 录制正常手机音频信号
• 图1.3.2 错误音频的频谱
• 图1.3.3 声音增强后对应的频谱

● 信号处理程序：

#!/usr/local/bin/python
# -*- coding: gbk -*-
#============================================================
# TEST1.PY                     -- by Dr. ZhuoQing 2022-01-03
#
# Note:
#============================================================

from headm import *                 # =

from scipy.io   import wavfile
from scipy      import signal


#------------------------------------------------------------
filename = ('origin.wav', 'record.wav')
wavedir = '/home/aistudio/work/wavefile'


def showwave(wavefile):
    fn = os.path.join(wavedir, wavefile)
    sample_rate,sig = wavfile.read(fn)

    printt(sample_rate|, type(sig)|, sig.shape|)


    plt.clf()
    plt.figure(figsize=(12,8))
    plt.plot(sig)
    plt.xlabel("sample")
    plt.ylabel("amplitude")
    plt.grid(True)
    plt.tight_layout()
    plt.savefig('/home/aistudio/stdout.jpg')
    plt.show()

#showwave(filename[1])
#------------------------------------------------------------

gifpath = '/home/aistudio/GIF'
if not os.path.isdir(gifpath):
    os.makedirs(gifpath)
gifdim = os.listdir(gifpath)
for f in gifdim:
    fn = os.path.join(gifpath, f)
    if os.path.isfile(fn):
        os.remove(fn)

from tqdm import tqdm

def gifwave(wavefile):
    fn = os.path.join(wavedir, wavefile)
    sample_rate,sig = wavfile.read(fn)


    gif_num = 200
    start = 7500
    length = 500
    step = length // 8
    wavelength = len(sig)

    stepnum = (wavelength - start - length) // step
    stepnum = 50

    print("stepnum: {}\n".format(stepnum))

    for i in tqdm(range(stepnum)):
        plt.clf()
        plt.figure(figsize=(10,5))
        plt.plot(sig[start+i*step:start+i*step+length])
        savefile = os.path.join(gifpath, '%03d.jpg'%i)
        plt.savefig(savefile)


#gifwave(filename[1])

#------------------------------------------------------------

def spectwave(wavefile):
    fn = os.path.join(wavedir, wavefile)
    sample_rate, sig = wavfile.read(fn)

    sig = sig*20

    f,t,Sxx = signal.spectrogram(sig, fs=sample_rate, nperseg=512, noverlap=256, nfft=8192)


    plt.figure(figsize=(12, 8))
    plt.pcolormesh(t, f[:2400], Sxx[:2400][:], cmap='Blues') #, shading='gouraud'
    plt.ylabel('Frequency[Hz]')
    plt.xlabel('Time[sec]')
    plt.savefig('/home/aistudio/stdout.jpg')
    plt.show()

spectwave(filename[1])

#------------------------------------------------------------
#        END OF FILE : TEST1.PY
#============================================================

  

 

  
 
 

  
1
  
2
  
3
  
4
  
5
  
6
  
7
  
8
  
9
  
10
  
11
  
12
  
13
  
14
  
15
  
16
  
17
  
18
  
19
  
20
  
21
  
22
  
23
  
24
  
25
  
26
  
27
  
28
  
29
  
30
  
31
  
32
  
33
  
34
  
35
  
36
  
37
  
38
  
39
  
40
  
41
  
42
  
43
  
44
  
45
  
46
  
47
  
48
  
49
  
50
  
51
  
52
  
53
  
54
  
55
  
56
  
57
  
58
  
59
  
60
  
61
  
62
  
63
  
64
  
65
  
66
  
67
  
68
  
69
  
70
  
71
  
72
  
73
  
74
  
75
  
76
  
77
  
78
  
79
  
80
  
81
  
82
  
83
  
84
  
85
  
86
  
87
  
88
  
89
  
90
  
91
  
92
  
93
  
94
  
95
  
96
  
97
  
98
  
99
 

文章来源: zhuoqing.blog.csdn.net，作者：卓晴，版权归原作者所有，如需转载，请联系作者。

原文链接：zhuoqing.blog.csdn.net/article/details/122503898