语音特征提取详解PPT，包含
3.1语音 预处理
3.2 短时傅里叶变换
3.3 听觉特性
3.4 线性预测
3.5 倒谱分析
3.6 常用的声学特征
3.6.1 语谱图
3.6.2 FBank
3.6.3 MFCC
3.6.4 PLP
以及总结
语音特征提取是语音识别技术中的核心步骤，它旨在从原始语音信号中提取出对说话人、语言内容等信息有区分性的特征。以下是对这个领域的详细解释：
**预处理**是特征提取的第一步，目的是优化原始语音信号，使其更适合后续分析。预处理包括：
1. **预加重**：由于语音在口腔传播过程中高频成分被衰减，预加重通过应用一个滤波器（如一阶高通滤波器，公式为𝑥′ 𝑛 = 𝑥 𝑛 − 𝛼𝑥 𝑛 − 1 ，其中𝛼 = 0.97）来补偿这种损失，增强高频成分。
2. **分帧**：将长语音信号分成短时片段（例如10-30ms），并设置适当的帧移（如10ms），以利用语音的短时平稳性进行分析。
3. **加窗**：对每个分帧后的信号加上窗函数（如汉明窗、汉宁窗或布莱克曼窗），以减少频谱泄露并改善频谱分辨率。
接下来，**短时傅里叶变换（STFT）**用于分析这些加窗后的短时信号。STFT能够揭示信号在时频域的特性，通过计算DFT来获取每个帧的频谱。DFT公式为：𝑋 𝑘 = σ𝑛=0𝑁−1 𝑥 𝑛 e^(-𝑗2𝜋𝑘𝑛𝐾)，其中𝑥[𝑛]是时域采样点，𝑋[𝑘]是频谱点，𝑁是采样点数，𝐾是DFT大小。DFT结果通常是复数，包含了幅度频谱和能量频谱信息。
STFT之后，为了模拟人类听觉系统的特性，通常会进行**听觉特性**的考虑，例如通过**倒谱分析**来近似人耳对声音频率响应的非线性特性。
在特征提取阶段，常见的**声学特征**包括：
1. **语谱图**：显示了语音信号的频率随时间的变化，是STFT的直观表示。
2. **FBank（滤波器组谱）**：通过一组滤波器对频谱进行采样，得到反映人耳感知的频谱特性。
3. **MFCC（梅尔频率倒谱系数）**：进一步简化FBank特征，通过梅尔滤波器、对数变换和离散余弦变换得到，是语音识别中最常用的特征之一。
4. **PLP（感知线性预测）**：基于线性预测编码，但考虑了听觉系统的感知特性，适用于噪声环境下的语音识别。
通过组合和归一化这些特征，形成一个特征向量，用于训练和识别模型。这一系列步骤对于语音识别系统来说至关重要，因为它们决定了系统能否准确地理解并解析语音信号。
