为什么ASR的输入要使用频谱特征

语音数据的raw data 一般是波形数据，波形数据画出图来后，纵轴是信号的幅度，横轴是时间。波形图是声音信号采样来的，采样点一般会比较多。比如用16kHZ采样，那么每秒就会有16000个数据点，这个输数量太大了。因此转换为频谱，数据量会少。但是这个说法我觉得不靠谱。一段20s录音，采样点是1600020 = 320,000。将这段录音用stft进行变换，得到161个窗口，每个窗口的维度是2501，总的数据量是1612501=402,661，这个数据量不比原始的小。
还有一种说法是对于同一个字，同一个人用不同的响度说出来，波形图会不一样，不同人说同一个字的波形图也会不一样。那么这种情况对于语音识别干扰是很大的，但是，当把同一个字的不同语音转换为频谱时，频谱的分布一般是一致的。因此，使用了频谱做为输入数据。
明天把这个事情彻底搞懂再补图。