那麼一幀有多長呢？幀長要滿足兩個條件：
從巨集觀上看，它必須足夠短來保證幀內訊號是平穩的。
前面說過，口型的變化是導致訊號不平穩的原因，所以在一幀的期間內口型不能有明顯變化，即一幀的長度應當小於乙個音素的長度。
正常語速下，音素的持續時間大約是 50~200 毫秒，所以幀長一般取為小於 50 毫秒。
從微觀上來看，它又必須包括足夠多的振動週期，因為傅利葉變換是要分析頻率的，只有重複足夠多次才能分析頻率。
語音的基頻，男聲在 100 赫茲左右，女聲在 200 赫茲左右，換算成週期就是 10 毫秒和 5 毫秒。既然一幀要包含多個週期，所以一般取至少 20 毫秒。
這樣，我們就知道了幀長一般取為 20 ~ 50 毫秒，20、25、30、40、50 都是比較常用的數值，甚至還有人用 32（在程式猿眼裡，這是乙個比較「整」的數字）。
取出來的一幀訊號，在做傅利葉變換之前，要先進行「加窗」的操作，即與乙個「窗函式」相乘，如下圖所示：
加窗的目的是讓一幀訊號的幅度在兩端漸變到0。
漸變對傅利葉變換有好處，可以讓頻譜上的各個峰更細，不容易糊在一起（術語叫做減輕頻譜洩漏），具體的數學就不講了。
加窗的代價是一幀訊號兩端的部分被削弱了，沒有像**的部分那樣得到重視。彌補的辦法是，幀不要背靠背地擷取，而是相互重疊一部分。相鄰兩幀的起始位置的時間差叫做幀移，常見的取法是取為幀長的一半，或者固定取為10毫秒。
對一幀訊號做傅利葉變換，得到的結果叫頻譜，它就是下圖中的藍線：
圖中的橫軸是頻率，縱軸是幅度。頻譜上就能看出這幀語音在480和580赫茲附近的能量比較強。
語音的頻譜，常常呈現出「精細結構」和「包絡」兩種模式。「精細結構」就是藍線上的乙個個小峰，它們在橫軸上的間距就是基頻，它體現了語音的音高——峰越稀疏，基頻越高，音高也越高。
「包絡」則是連線這些小峰峰頂的平滑曲線（紅線），它代表了口型，即發的是哪個音。
包絡上的峰叫共振峰，圖中能看出四個，分別在500、1700、2450、3800赫茲附近。
有經驗的人，根據共振峰的位置，就能看出發的是什麼音。
對每一幀訊號都做這樣的傅利葉變換，就可以知道音高和口型隨時間的變化情況，也就能識別出一句話說的是什麼了。
在開始語音識別之前，有時需要把首尾端的靜音切除，降低對後續步驟造成的干擾。這個靜音切除的操作一般稱為vad，需要用到訊號處理的一些技術。要對聲音進行分析，需要對聲音分幀，也就是把聲音切開成一小段一小段，每小段稱為一幀。分幀操作一般不是簡單的切開，而是使用移動窗函式來實現，這裡不詳述。幀與幀之間一般是有交疊的，就像下圖這樣：
圖中，每幀的長度為25毫秒，每兩幀之間有25-10=15毫秒的交疊。我們稱為以幀長25ms、幀移10ms分幀。圖中，每幀的長度為25毫秒，每兩幀之間有25-10=15毫秒的交疊。我們稱為以幀長25ms、幀移10ms分幀。
分幀後，語音就變成了很多小段。但波形在時域上幾乎沒有描述能力，因此必須將波形作變換。常見的一種變換方法是提取mfcc特徵，根據人耳的生理特性，把每一幀波形變成乙個多維向量，可以簡單地理解為這個向量包含了這幀語音的內容資訊。這個過程叫做聲學特徵提取。實際應用中，這一步有很多細節，聲學特徵也不止有mfcc這一種，具體這裡不講。
至此，聲音就成了乙個12行（假設聲學特徵是12維）、n列的乙個矩陣，稱之為觀察序列，這裡n為總幀數。觀察序列如下圖所示，圖中，每一幀都用乙個12維的向量表示，色塊的顏色深淺表示向量值的大小。
接下來就要介紹怎樣把這個矩陣變成文字了。首先要介紹兩個概念：
音素：單詞的發音由音素構成。對英語，一種常用的音素集是卡內基梅隆大學的一套由39個音素構成的音素集，參見the cmu pronouncing dictionary。漢語一般直接用全部聲母和韻母作為音素集，另外漢語識別還分有調無調，不詳述。
狀態：這裡理解成比音素更細緻的語音單位就行啦。通常把乙個音素劃分成3個狀態。
第一步，把幀識別成狀態（難點）；
第二步，把狀態組合成音素；
第三步，把音素組合成單詞。
如下圖所示：
圖中，每個小豎條代表一幀，若干幀語音對應乙個狀態，每三個狀態組合成乙個音素，若干個音素組合成乙個單詞。也就是說，只要知道每幀語音對應哪個狀態了，語音識別的結果也就出來了。圖中，每個小豎條代表一幀，若干幀語音對應乙個狀態，每三個狀態組合成乙個音素，若干個音素組合成乙個單詞。也就是說，只要知道每幀語音對應哪個狀態了，語音識別的結果也就出來了。
那每幀音素對應哪個狀態呢？有個容易想到的辦法，看某幀對應哪個狀態的概率最大，那這幀就屬於哪個狀態。比如下面的示意圖，這幀對應s3狀態的概率最大，因此就讓這幀屬於s3狀態。
MATLAB實現語音頻號分幀
為了分析讀入資料，通常進行分幀處理。在分幀中，往往設定在相鄰兩幀之間有一部分重疊，如下圖所示 設語音檔案的資料存放在y中，y的長度為n，取樣頻率為fs，取每幀長為wlen，後一幀對前一幀的位移量用inc表示，相鄰兩幀之間的重疊部分overlap wlen inc。f enframe x，win,in...
語音頻號處理
濁音的聲帶振動基本頻率 fundamental frequency 稱為基音頻率。濁音的基音頻率 pitch 語音生成系統和語音感知系統 語音頻號生成的數學模型 語音頻號的特性分析 語音頻號處理是以語音語言學和數字訊號處理為基礎的綜合性學科，是用數字訊號處理技術對語音頻號進行處理的一門學科。說話人識...
語音增強演算法研究系列筆記 語音頻號加窗分幀處理
幀移參考鏈結 語音頻號屬於一種非平穩時變訊號，其產生過程與發聲器官地運動緊密相關，而發聲器官地狀態速率相對聲音振動地速率來說慢很多，因此語音頻號可以視為短時平穩訊號，因此，對其進行加窗分幀可將語音頻號視為乙個平穩訊號，更便於進行分析 對於語音頻號來說，幀長需要滿足兩個條件 從巨集觀上講，它必須足夠短...