一、声音以具有诸如频率、带宽、分贝等参数的音频信号的形式表示，典型的音频信号可以表示为幅度和时间的函数。这些声音有多种格式，使计算机可以读取和分析它们，例如：mp3格式、WMA（Windows Media Audio）格式、wav（波形音频文件）格式。根据声波的特征，可把音频信息分类为规则音频和不规则声音。其中规则音频又可以分为语音，音乐和音效。规则音频是一种连续变化的模拟信号，可用一条连续的曲线来表示，称为声波。
声音的三个要素是音调，音强和音色，声波或正弦波有三个重要参数：频率、幅度和相位，这也就决定了音频信号的特征，语音识别等应用离不开音频特征的提取，Python有一些很棒的音频处理库，比如Librosa和PyAudio。
二、过零率：N为一帧的长度，n为对应的帧数，按帧处理。过零率体现的是信号过零点的次数，体现的是频率特性。因为需要过零点，所以信号处理之前需要中心化处理。
三、MFCC梅尔频率倒谱系数：声音信号是连续变化的，为了将连续变化信号简化，我们假设在一个短时间尺度内音频信号不发生改变。因此将信号以多个采样点集合成一个单位，称为"讯框"。一个讯框多为20-40毫秒，如果讯框长度更短，那每个讯框内的采样点将不足以做出可靠的频谱计算，但若长度太长，则每个讯框信号会变化太大。预强化的目的就是为了消除发声过程中，声带和嘴唇造成的效应，来补偿语音信号受到发音系统所压抑的高频部分。并且能突显高频的共振峰。由于信号在时域上的变化通常很难看出信号的特性，所以通常透过傅里叶变换将它变换成频域上的能量分布来观察，不同的能量分布，就能代表不同语音的特性。由于能量频谱中还存在大量的无用信息，尤其人耳无法分辨高频的频率变化，因此让频谱通过梅尔滤波器。梅尔滤波器，也就是一组
1万+
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
