ApX 标志ApX 标志

趋近智

大模型显存计算器硬件课程定价
ApX 标志ApX 标志

趋近智

大模型显存计算器硬件课程定价

所有课程

语音识别入门
章节 1: 语音识别的基本原理
什么是自动语音识别(ASR)?
自动语音识别系统简史
语音识别处理流程的组成要素
语音识别的类型:说话人相关型与说话人无关型
语音识别的分类:孤立词识别与连续语音识别
计算机如何处理声音:数字音频基础
语音单位与言语基本组成部分简介
章节 2: 处理音频信号
从声波到数字数据:采样与量化
了解音频格式(WAV、MP3、FLAC)
语音可视化:波形图与频谱图
预加重与分帧
窗口函数详解
特征提取简介
生成梅尔频率倒谱系数 (MFCC)
动手实践:音频文件可视化与处理
章节 3: 声学模型
什么是声学模型?
将声音映射到音素
早期方法:高斯混合模型 (GMMs)
隐马尔可夫模型 (HMM) 在序列数据中的应用
GMM与HMM的结合
基于神经网络的声学模型介绍
语音模型在ASR系统中的作用
章节 4: 语言模型
什么是语言模型?
语音中的歧义问题
N-gram 语言模型:二元语法和三元语法
词语序列概率的计算
困惑度详解
语言模型如何提高准确性
神经网络语言模型简介
章节 5: 解码与系统集成
解码器的作用
确定最可能的词语序列
搜索算法概览
理解维特比算法
完整的ASR流程:回顾
评估表现:词错率 (WER)
语音识别中的常见挑战
章节 6: 构建你的第一个语音识别应用程序
语音识别API与库简介
配置Python环境
使用预训练模型进行转录
从文件中转录音频
实时获取并转录麦克风输入
处理 API 响应和错误
实践:构建一个简单的语音命令工具

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)x(t)x(t)计算出一个新的信号y(t)y(t)y(t)。预加重公式为:

y(t)=x(t)−α⋅x(t−1)y(t) = x(t) - \alpha \cdot x(t-1)y(t)=x(t)−α⋅x(t−1)

在此等式中,x(t)x(t)x(t)是当前样本的值,x(t−1)x(t-1)x(t−1)是前一个样本的值。系数α\alphaα(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。

  • Digital Processing of Speech Signals, Lawrence R. Rabiner and Ronald W. Schafer, 1978 (Prentice-Hall) - 一本基础性教科书,全面介绍了数字语音处理,包括预加重和分帧等信号分析技术。
  • Discrete-Time Processing of Speech Signals, John R. Deller, John H.L. Hansen, and John G. Proakis, 2000 (IEEE Press / Wiley-Interscience) DOI: 10.1109/9780470544402 - 一部关于数字语音处理的权威著作,侧重于离散时间方法,详细介绍了语音信号表示和短时分析,包括分帧和预加重。

© 2026 ApX Machine Learning