ASR 聲學特徵提取

方法二：深度學習特徵提取

通過取樣將連續的模擬訊號轉換為離散的數碼訊號，便於後續的數位化處理

正常的音訊一般低頻成分比高頻成分多，通過預加重提公升語音頻號的高頻部分，使頻譜光滑

1.目的：增加高頻成分，使頻譜光滑

2.方法：

3.效果圖：

數位化的語音頻號是乙個不平穩的時變訊號，具有短時平穩性。因此在對語音頻號進行分析前，

需要對其進行分幀，通常將每幀的長度設為20ms，相鄰兩幀之間有10ms的幀移

1.目的：利用音訊訊號的短時平穩性，分幀後的訊號更便於後續處理

2.方法：幀長20ms，幀移10ms進行幀

3.效果圖：

離散傅利葉變換的目的就是將音訊訊號從時域轉換到頻域

1.目的：將音訊訊號從時域轉到頻域

2.方法：

將線性頻率轉換**類聽覺敏感的mel頻率，同時對頻譜進行平滑（消除諧波的影響，突出原始

語音的共振峰）和降低資訊量

1.目的：將之前得到的線性頻率轉換為符合人耳頻率的mel頻率

2.轉換公式：

3.mel濾波器：

採用log壓縮動態範圍，人類對訊號能量的感知是對數的

得到倒譜係數，平滑對數功率譜

描述倒譜係數隨時間的變化。一階差分是計算當前時刻的後一時刻與前一時刻的差值，二階差分是

將一階差分結果作為當前序列，計算當前時刻的後一時刻與前一時刻的差值

對於語音識別，16khz的取樣率就足以覆蓋人類語音的頻率範圍了。16khz即每秒取樣16000個樣本點，

下圖給出的是前100個取樣點的截圖，其中每個點的值表示聲波在1/16000處的振幅。

直接把這16000個數字輸入到神經網路中分析取樣來進行語音識別仍然很困難。所以可以通過對音訊資料進行一些預處理來使問題變得更容易。比如首先將取樣音訊分成每份20ms長的音訊塊，下圖給出的第一個20ms的音訊（即前320個取樣點）：

通過傅利葉變換將複雜的聲波分解為一系列簡單聲波的疊加。有了這些單獨的聲波後就可以將每乙份頻段所包含的能量加在一起，最終得到的結果就是從低音到高音，每個頻率範圍的重要程度。以50hz為乙個頻段的話，20ms的音訊所含有的能量從低頻到高頻就可以表示為下圖，其中每個數字表示50hz的頻段所含的能量：

對每20ms的音訊塊重複這個過程，最終得到乙個頻譜圖（每一列從左到右都是乙個20ms的塊）：

有了格式易於處理的音訊，再將它輸入到神經網路中去。神經網路的輸入便是這些20ms的音訊塊，對於每個小的音訊切片，神經網路都將嘗試找出當前正在說的聲音所對應的字母。