ASR-声学特征提取

方法一：MFCC特征提取

step 1:A/D转换（采样）

通过采样将连续的模拟信号转换为离散的数字信号，便于后续的数字化处理

step 2:预加重

正常的音频一般低频成分比高频成分多，通过预加重提升语音信号的高频部分，使频谱光滑
1.目的：增加高频成分，使频谱光滑
2.方法：

3.效果图：

step 3:加窗分帧

数字化的语音信号是一个不平稳的时变信号，具有短时平稳性。因此在对语音信号进行分析前，
需要对其进行分帧，通常将每帧的长度设为20ms，相邻两帧之间有10ms的帧移

1.目的：利用音频信号的短时平稳性，分帧后的信号更便于后续处理

2.方法：帧长20ms，帧移10ms进行帧

3.效果图：

step 4:DFT+取平方

离散傅里叶变换的目的就是将音频信号从时域转换到频域

1.目的：将音频信号从时域转到频域

2.方法：

step 5:Mel滤波

将线性频率转换成人类听觉敏感的Mel频率，同时对频谱进行平滑（消除谐波的影响，突出原始
语音的共振峰）和降低信息量

1.目的：将之前得到的线性频率转换为符合人耳频率的Mel频率

2.转换公式：

3.Mel滤波器：

step 6:取对数

采用log压缩动态范围，人类对信号能量的感知是对数的

step 7:IDFT

得到倒谱系数，平滑对数功率谱

step 8:动态特征

描述倒谱系数随时间的变化。一阶差分是计算当前时刻的后一时刻与前一时刻的差值，二阶差分是
将一阶差分结果作为当前序列，计算当前时刻的后一时刻与前一时刻的差值

方法二：深度学习特征提取

step 1:采样

对于语音识别，16KHz的采样率就足以覆盖人类语音的频率范围了。16KHz即每秒采样16000个样本点，
下图给出的是前100个采样点的截图，其中每个点的值表示声波在1/16000处的振幅。

step 2:分帧

直接把这16000个数字输入到神经网络中分析采样来进行语音识别仍然很困难。所以可以通过对音频数据进行一些预处理来使问题变得更容易。比如首先将采样音频分成每份20ms长的音频块，下图给出的第一 个20ms的音频（即前320个采样点）：

step 3:傅里叶变换

通过傅里叶变换将复杂的声波分解为一系列简单声波的叠加。有了这些单独的声波后就可以将每一份频段所包含的能量加在一起，最终得到的结果就是从低音到高音，每个频率范围的重要程度。以50Hz为一个频段的话，20ms的音频所含有的能量从低频到高频就可以表示为下图，其中每个数字表示50Hz的频段所含的能量：

对每20ms的音频块重复这个过程，最终得到一个频谱图（每一列从左到右都是一个20ms的块）：

step 4:识别字符

有了格式易于处理的音频，再将它输入到神经网络中去。神经网络的输入便是这些20ms的音频块，对于每个小的音频切片，神经网络都将尝试找出当前正在说的声音所对应的字母。

step 5:获取映射图

通过神经网络跑完整个音频剪辑（一次一块）之后，将最终得到一份映射（mapping），其中标明了每个音频块和其最有可能对应的字母。