文章插图
- ：在汉语里 ， 最小的语音单位是音素 ， 是从音色的角度分出来的 。
- ：一个音素单独存在或几个音素结合起来 ， 叫做音节 。可以从听觉上区分 ， 汉语一般是一字一音节 ， 少数的有两字一音节（如“花儿”）和两音节一字 。
文章插图
2.2 信号的数字化和预处理 接下来就要将收集到的语音转化为一系列的数值 ， 这样机器才可以理解 。a）数字化 声音是作为波的形式传播的 。将声波转换成数字包括两个步骤：采样和量化 。
文章插图
为了将声波转换成数字 ， 我们只记录声波在等距点的高度 ， 这被称为采样（sampling） 。采样定理（Nyquist theorem）规定 ， 从间隔的采样中完美重建原始声波——只要我们的采样频率比期望得到的最高频率快至少两倍就行 。
文章插图
经过采样 ， 我们获取了一系列的数字 ， 这些数字才可以在机器上进行建模或计算 。我们每秒读取数千次 ， 并把声波在该时间点的高度用一个数字记录下来 。把每一秒钟所采样的数目称为采样频率或采率 ， 单位为HZ（赫兹） 。「CD 音质」的音频是以 44.1khz（每秒 44100 个读数）进行采样的 。但对于语音识别 ， 16khz（每秒 16000 个采样）的采样率就足以覆盖人类语音的频率范围了 。b）采样信号预处理 这里的预处理主要指 ， 分帧处理 。因为语音信号是不平稳的、时长变化的 ， 如下图：
文章插图
我们把它分隔为一小段一小段（10毫秒-40毫秒）的短语音 ， 我们认为这样的小片段是平稳的 ， 称之为 。在每个帧上进行信号分析 ， 称为语音的短时分析 。
文章插图
图中 ， 每帧的长度为25毫秒 ， 每两帧之间有25-10=15毫秒的交叠 。我们称为帧长25ms、帧移10ms的分帧 。帧移的事情就不详细解释了 ， 它是为了保证语音信息的完整性 。感兴趣的同学可以查一下 ， 加窗/窗函数 。那为什么需要平缓的分帧呢？因为我们需要做傅里叶变化 ， 它适用于分析平稳的信号 。（想弄明白傅里叶变换的 ， 之后可以参考文章末尾的链接） 人类是根据振动频率判断声音的 ， 而以时间为横轴（时域）的波形图没有振幅描述 ， 我们需要做傅里叶变换 ， 将它变成以频率为横轴（频域）的振幅描述 。2.3 特征提取 特征提取就是从语音波形中提取出能反映语音特征的重要信息 ， 去掉相对无关的信息（如背景噪声） ， 并把这些信息转换为一组离散的参数矢量。a）特征提取 如何提取呢？我们经过采样 ， 预处理 ， 将这些数字绘制为简单的折线图 ， 如下所示 ， 我们得到了 20 毫秒内原始声波的大致形状：
以上关于本文的内容，仅作参考！温馨提示：如遇健康、疾病相关的问题，请您及时就医或请专业人士给予相关指导!
「四川龙网」www.sichuanlong.com小编还为您精选了以下内容，希望对您有所帮助：- 健身前需了解的4大基础知识 1/2
- 新手必备6种花店经营模式 无基础开花店运营方案
- 要成功需要培养的五大素质 人生发展中3个基础的素质
- 手机无法识别usb设备怎么办
- 车牌识别系统设置
- u盘无法识别怎么办 u盘坏了无法识别怎么办
- 涂bb霜之前要涂什么步骤 做好基础的保湿工作
- 一个国家的什么决定这个国家的经济基础
- 人脸识别产品 人脸识别监控摄像头干嘛用
- 电工基础知识有哪些？电工专业基础知识