对语音处理很多都基于时频谱进行特征的提取，例如STFT、melspec以及MFCC等。这类特征基于傅里叶变换，傅里叶变换对信号本身有要求：信号是平稳的。
- 平稳信号：信号的统计特性不随时间变化，在时域上进行大量测量，根据各态历经性，可以获得信号所有特性。语音信号是非平稳随机信号，不能直接进行傅里叶变换（？？？）-> 解释一下：非平稳信号不同时间进行采样得到的时序序列统计特征不同，那么每次傅里叶变换得到的结果就不同，故简单进行傅里叶变换完全没有意义。但是如果要说能否进行傅里叶变换，当然是可以的，但是傅里叶变换的结果很难反映信号本身的特征 => 所以对于非平稳信号，通常采用短时傅里叶变换，同时进行时域和频域的分析，这时信号特征随时间变换特征也能够展示出来
- 事实上现实场景中，非平稳信号更为常见
语音信号是非平稳的信号，为了对其分析需要采用时频分析手段，最常见的就是STFT。
- 语音信号是非平稳的，直接统计分析得到的结果意义不大；语音变换是一个连续的过程，人发的声音可以分为一系列比较短的帧，在每一帧中语音信号都是平稳的，对其进行统计可以得到更有价值的特征
- 语音帧：由于其为平稳信号，可以通过分析对其加以识别 -> 识别帧的组合 -> 复杂问题
- 一帧的长度应小于音素（最小语音单位）的长度，通常取值：20ms - 50ms （大于男女生基频对应的时间）
- 分帧本质就是一个加矩形窗的过程，矩形窗很容易导致频谱泄漏，所以往往会加一些渐变窗，从而降低频谱泄漏。渐变窗使得两端信号被压缩，中间信号更被重视，所以分帧时相邻帧往往有重叠来降低影响
人对声音的感知是非线性的，人类对低频信号分辨能力更强。故对于 STFT 谱，往往进行非线性变换得到 melspec
- 对低频信号灵敏度更高
- 为什么一定要去模仿人类对声音的感知呢？对人体声音感知进行模仿，从而提升语音分析精度
- 实现：采用Mel滤波器组实现，Mel滤波器组在低频密集，高频稀疏
对梅尔谱进行对数操作，然后进行傅里叶反变换就得到梅尔倒谱，在梅尔倒谱上可以进一步得到 MFCC
若有收获，就点个赞吧
0 人点赞
