正如我们需要处理文本和图像以获取其重要属性一样，音频数据也需要转换成AI模型能够理解和处理的格式。原始音频通常是波形。这个波形是信息的丰富来源，但它也复杂且维度高。将原始音频直接输入模型可能计算成本高昂，并且不总能带来最佳表现。相反，我们提取特征：即音频内容更紧凑、信息量更大的表示形式。
音频特征提取的主要目标是将声音信号转换为数值序列或向量 (vector)，以突出重要的声学属性。这些特征理想情况下应捕捉与当前任务相关的特性，无论是语音理解、声音识别还是音乐分析。
我们可以从音频中得到哪些特征？
有几种我们通常从音频中提取的特征。让我们看一下几个基本类型：
-
时域特征： 这些是直接根据原始音频信号的随时间变化的振幅值计算得出的。
- 过零率 (ZCR)： 这仅仅是音频信号改变其符号（从正到负或反之）的速率。高ZCR通常表示嘈杂或打击乐声（如钹声或静电声），而低ZCR在音调声音或有声语音中很常见。例如，“snake”中的“s”音将比“boat”中的“o”音具有更高的ZCR。
- 均方根能量 (RMS)： 此特征衡量音频信号在短时间内的响度或强度。较高的RMS值对应于更响亮的声音。它对于音频分段或识别静默期与活动期很有用。
-
频域（频谱）特征： 这些特征提供有关音频信号中频率分布的信息。为了获取这些特征，音频通常首先使用傅里叶变换等技术转换为频域。
- 频谱图： 如我们在第二章中讨论的，频谱图是信号频率频谱随时间变化的视觉表示。虽然有时直接用作输入（像图像一样），但频谱图内的数据也可以作为其他特征的依据。
- 梅尔频率倒谱系数 (MFCCs)： 这些可能是语音识别和声音分类中应用最广泛的特征。MFCC旨在基于非线性频率尺度（梅尔尺度）来表示声音的短期功率谱，该尺度近似于人类听觉感知。本质上，它们捕捉声音的音色或音质。例如，无论说话者是谁，元音“a”的MFCC都将与“i”的不同。
- 色度特征： 这些对音乐分析特别有用。色度特征表示音频片段中12个标准音高类别（C、C#、D、D#、E、F、F#、G、G#、A、A#、B）中每个音高相关的强度。这有助于识别旋律、和声与和弦，因为它能够很好地应对音色或配器变化。
- 谱质心： 这衡量频谱的“质心”。它表明声音中主导频率的位置。更高的谱质心意味着更多的高频内容，通常与“更明亮”的声音相关。例如，长笛通常比大号有更高的谱质心。
- 谱通量： 这衡量信号的功率谱变化的速度。它对于检测新声音的出现或音频内容的变化很有用。
音频特征提取的一般流程
提取这些特征通常包含几个常见步骤：
- 分帧（或加窗）： 音频信号是动态的，并且随时间变化。为了捕捉这些变化，音频通常被分成短的、通常重叠的帧。常见的帧大小为20-40毫秒。重叠有助于确保帧之间的平滑过渡。
- 每帧特征计算： 对于这些短帧中的每一个，都会计算所选特征（如ZCR、RMS、MFCC）。这会产生一个特征向量 (vector)序列，其中每个向量对应一个音频帧。
- 聚合（可选）： 有时，特别是对于需要整个音频片段单一表示的任务，这些帧级特征可能会被聚合。这可能涉及计算所有帧中特征值的平均值、中位数、标准差或其他统计量。
下图说明了导出MFCC（一种常见且重要的音频特征）的简化流程。
一系列操作，将原始音频波形转换为梅尔频率倒谱系数（MFCC）。每个步骤处理上一步的输出，最终得到一组数值特征。
这些特征为何对多模态 (multimodal)系统很重要？
一旦我们有了这些音频数据的数值特征向量 (vector)，它们就准备好输入机器学习 (machine learning)模型了。在多模态系统中，这些音频特征将与从其他模态中提取的特征（如文本嵌入 (embedding)或图像特征向量，我们将在后面讨论）结合使用。例如，如果我们正在构建一个理解视频中情感的系统，我们可能会从音轨中提取MFCC，将它们与视觉帧（如面部表情）的特征以及转录语音的特征结合起来。
通过将复杂的音频信号转换为更易于管理和更有意义的数值表示，我们使AI模型能够有效地从声音中学习并进行预测。这些特征作为原始音频感官输入与我们AI分析能力之间的桥梁。
