预加重与分帧

原始音频信号数字化后，我们不能直接将整个数据流输入机器学习 (machine learning)模型。语音是一种复杂的信号，其特性持续变化。为了进行分析，我们必须首先应用两个重要的预处理步骤：预加重和分帧。这些技术有助于平衡信号属性，并将其分解为易于处理和分析的片段。

预加重：提升高频内容

典型的语音信号的频率成分，大部分能量集中在低频。高频分量在区分音素（如“s”与“f”）方面也有作用，但其能量通常低很多。这种不平衡对特征提取中使用的算法可能会造成影响。

预加重是一种滤波技术，旨在通过提升高频分量的能量来解决此问题。它主要有两个目的：

1. 平衡频谱，使信号在所有频率上更均匀。
2. 帮助降低噪声影响，并提高信噪比（SNR）。

这个过程简单明了。我们应用一个简单的高通滤波器，基于原始信号$x(t)$计算出一个新的信号$y(t)$。预加重公式为：

$$y(t) = x(t) - \alpha \cdot x(t-1)$$

在此等式中，$x(t)$是当前样本的值，$x(t-1)$是前一个样本的值。系数$\alpha$（阿尔法）是预加重因子，其值通常在0.95到0.97之间。通过从当前样本中减去前一个样本的一部分，我们有效地放大了样本之间的差异，这些差异在高频处更为明显。

分帧：将信号分割成可分析的片段

语音信号并非平稳；当我们说出不同的词和声音时，其属性会随时间变化。例如，“she”中的“sh”音与随后的“e”音具有非常不同的频率特性。一次性分析整个句子，会平均掉所有这些重要的细节。

然而，在很短的间隔内，通常在20到30毫秒左右，语音信号可以被认为是“准平稳的”，这意味着其属性相对稳定。这一观察是分帧的根据。

分帧是将预加重信号切分成小的、重叠的片段的过程，这些片段被称为帧。每一帧都足够短，可以被视为一个稳定的声学单元。两个参数 (parameter)定义此过程：

• 帧大小（或帧长）：每帧的持续时间。标准值为25毫秒（ms）。这足够长以包含足够的声学信息，但又足够短以保持平稳假设。
• 帧步长（或帧移）：开始新帧的间隔。常用值为10毫秒。

请注意，帧步长（10毫秒）短于帧大小（25毫秒）。这意味着帧会重叠。在此示例中，每帧与前一帧重叠15毫秒（25毫秒 - 10毫秒）。这种重叠很重要，因为它确保了帧之间的平滑过渡，并防止我们丢失可能发生在帧边缘的信息。没有重叠，我们可能会意外地将音素切成两半，从而使其难以识别。

音频信号被分割成重叠的帧。每帧有固定大小（例如25毫秒），新的帧以固定的间隔开始，这个间隔称为帧步长（例如10毫秒）。

经过预加重和分帧后，我们不再处理单个、长时间的音频信号。取而代之的是一系列短的、重叠的帧。这些帧现在已准备好进行处理流程的下一步：应用窗函数，为频率分析做准备。