姓名：成杰 学号：21021210653 学院：电子工程学院
转自：https://zhuanlan.zhihu.com/p/450655248
【嵌牛导读】
语音是人类在讲话时所发出的声音，语音的最小基本单位是音素。由音素构成音节，音节构成不同的词或单词。音素分为元音和辅音。音素是区别单词声音的基础。
【嵌牛鼻子】
音素、人机交互、语音的产生与感知
【嵌牛提问】
如何从语音信号中提取出特征信息？
【嵌牛正文】
2.1 语音信号分帧
分帧的目的：语音信号是快速变化的非平稳参数信号，分帧后，每一帧的信号都可以近似看作平稳信号。一般把帧长取为20~50ms，这样一帧内既有足够多的周期，又不会变化太剧烈。每帧信号通常要与一个平滑的窗函数相乘，让帧两端平滑地衰减到零，这样可以降低傅里叶变换后旁瓣的强度，取得更高质量的频谱。
帧移存在的目的：语音信号是时变的，在短时范围内特征变化较小，所以作为稳态来处理，但是超出这短时范围语音信号就有变化了。在相邻两帧之间基音发生了变化，如正好是两个音节之间，或者是声母向韵母过渡等等，这时，其特征参数有可能变化较大，但为了使特征参数平滑地变化，需要在两个不重叠的帧之间插入一些帧来提取特征参数，这就形成了帧移。这样帧与帧之间会有重叠，否则，由于帧与帧连接处的信号会因为加窗而被弱化，这部分的信息就丢失了。帧移一般取帧长的1/3~1/2。
设帧移为inc，帧长为wlen，语音时长为N，采样频率为fs，共可分为fn帧。
2.2 窗函数
窗函数一般具有低通的特性，不同窗函数的选取会带来不同的带宽和频谱泄露，常见窗函数如下：
2.3 短时时域处理
2.3.1 短时能量和短时平均幅度
主要用途：区分清音段和浊音段（浊音的E(i)值比清音的E(i)值大）；区分声母和韵母的分界和无话段与有话段的分界
设语音波形时域信号为x(n)，加窗函数w(n)分帧处理后得到的第i帧语音信号为yi(n)，则有
计算第 i 帧语音信号yi(n)的短时能量公式为：
语音信号的平均幅度定义为：
M(i) 也是一帧语音信号能量大小的表征，它与E(i)的区别在于计算时不论采样值的大小，不会因取二次方而造成较大差异，在某些领域会带来一些好处。
2.3.2 短时平均过零率
主要应用：判断清音和浊音（浊音过零率较低，清音过零率较高）、有话段和无话段（背景噪声较小时，用平均能量识别更有效，背景噪声较大时，用短时平均过零率识别较有效）
短时平均过零率：一帧语音中语音信号波形穿过横轴（零电平）的次数。
连续语音信号：过零：时域波形通过时间轴
离散信号：过零：相邻的取样值改变符号
2.3.3 短时平均幅度差函数（AMDF）
主要用途：基因周期检测，在基音周期处会出现谷值，并随时间的增加，谷值深度也会减退
每帧数据的短时平均幅度差函数定义为：
