本文是读书笔记。个人比较浅显的理解,其中有一些专业词汇也是个人自己的翻译,如果有不对的希望大家指正。
来自论文《An overview of text-independent speaker recognition: From features to supervectors》的第三章节的特征提取部分。
===================================分割线=========================================
由于关节活动,语音信号是不断变化的。因此信号需要分割成为20-30ms的帧。在一帧的时间内,我们可以假定信号是不变的,并从每一帧中提取特征矢量。
一 short-term spectral features 短时谱特征
首先需要进行的步骤是预加重(pre-emphasized)和加窗。
预加重是为了提升高频部分的表现。(因为语音从嘴唇发出后,会有高频损失,为弥补这些高频损失,需要做预加重处理)
加窗是为了平滑信号,减少信号在两端处的误差,避免频谱出现“破碎”的情况。通常使用的窗函数有:矩形窗、汉明窗、汉宁窗。
由于信号在时域(Time domain)上的变化通常很难看出信号的特性,所以通常将它转换成频域(Frequency domain)上的能量分布来观察,不同的能量分布,就能代表不同语音的特性。所以在乘上汉明窗后,每个音框还必需再经过 FFT 以得到在频谱上的能量分布。
乘上汉明窗的主要目的ÿ