語音信號分幀的常用方法是什麼

⑴ 關於matlab的語音信號處理，怎麼將語音分段

clear
%語音信號
[x1,fs,nbits]=wavread('Ding-48k.wav');
N=length(x1);
sound(x1,fs,nbits);
n=0.04*fs; %根據fs選擇幀長
n1=floor(0.5*n); %根據fs選擇幀幀移
num=floor((N-n)/(n-n1)); %分幀數量

%分幀加窗處理
Y=[];
for i=1:num
y1=x1((i-1)*(n-n1)+1:(i-1)*(n-n1)+n).*hamming(n); %對每段分幀進行加窗處理
s1=fft(y1,n);
end

⑵ 語音信號處理中怎麼理解分幀，為什麼

語音信號處理常常要達到的一個目標，就是弄清楚語音中各個頻率成分的分布。做這件事情的數學工具是傅里葉變換。傅里葉變換要求輸入信號是平穩的，當然不平穩的信號你想硬做也可以，但得到的結果就沒有什麼意義了。而語音在宏觀上來看是不平穩的——你的嘴巴一動，信號的特徵就變了。但是從微觀上來看，在比較短的時間內，嘴巴動得是沒有那麼快的，語音信號就可以看成平穩的，就可以截取出來做傅里葉變換了。這就是為什麼語音信號要分幀處理，截取出來的一小段信號就叫一「幀」。如下圖：這段語音的前三分之一和後三分之二明顯不一樣，所以整體來看語音信號不平穩。紅框框出來的部分是一幀，在這一幀內部的信號可以看成平穩的。

那麼一幀有多長呢？幀長要滿足兩個條件：從宏觀上看，它必須足夠短來保證幀內信號是平穩的。前面說過，口型的變化是導致信號不平穩的原因，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一個音素的長度。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周期，因為傅里葉變換是要分析頻率的，只有重復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，換算成周期就是 10 毫秒和 5 毫秒。既然一幀要包含多個周期，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（在程序猿眼裡，這是一個比較「整」的數字）。

加窗的目的是讓一幀信號的幅度在兩端漸變到 0。漸變對傅里葉變換有好處，可以提高變換結果（即頻譜）的解析度，具體的數學就不講了。加窗的代價是一幀信號兩端的部分被削弱了，沒有像中央的部分那樣得到重視。彌補的辦法是，幀不要背靠背地截取，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。

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」就是藍線上的一個個小峰，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」則是連接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。對每一幀信號都做這樣的傅里葉變換，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。

⑶ 語音信號分幀是很么意思

語音信號因為是准穩態信號，在處理時常把信號分幀，每幀長度約20ms-30ms，在這一區間內把語音信號看作為穩態信號。只有穩態的信息才能進行信號處理，所以要先分幀。
「語音信號分幀進行小波變換」，就是把語音信號分幀後，對每一幀進行小波變換和處理。在語音工具箱中有分幀的函數，例enframe，如果要自行分的話，可這樣進行：設語音信號x，長為N，分成每幀長L，每兩幀之間重疊M，則有共可分成K幀，S是分幀後的數據。

⑷ 語音信號處理中常採用的頻率分析方法有哪些

一般性的時頻分析：短時傅里葉分析，小波分析
針對人的聽覺特性的：Mel頻率倒譜系數分析（MFCC），屬於倒譜域的分析，
其它的屬於時域分析。

⑸ 關於語音識別特徵提取該如何入門

1. Take the Fourier transform of (a windowed excerpt of) a signal.這一步其實說了兩件事：一是把語音信號分幀，二是對每幀做傅里葉變換。要分幀是因為語音信號是快速變化的，而傅里葉變換適用於分析平穩的信號。在語音識別中，一般把幀長取為20~50ms，這樣一幀內既有足夠多的周期，又不會變化太劇烈。每幀信號通常要與一個平滑的窗函數相乘，讓幀兩端平滑地衰減到零，這樣可以降低傅里葉變換後旁瓣的強度，取得更高質量的頻譜。幀和幀之間的時間差（稱為「幀移」）常常取為10ms，這樣幀與幀之間會有重疊，否則，由於幀與幀連接處的信號會因為加窗而被弱化，這部分的信息就丟失了。傅里葉變換是逐幀進行的，為的是取得每一幀的頻譜。一般只保留幅度譜，丟棄相位譜。

2. Map the powers of the spectrum obtained above onto the mel scale, using triangular overlapping windows.這一步做的事情，是把頻譜與下圖中每個三角形相乘並積分，求出頻譜在每一個三角形下的能量：這一步有如下幾個效果：

1) 傅里葉變換得到的序列很長（一般為幾百到幾千個點），把它變換成每個三角形下的能量，可以減少數據量（一般取40個三角形）；

2) 頻譜有包絡和精細結構，分別對應音色與音高。對於語音識別來講，音色是主要的有用信息，音高一般沒有用。在每個三角形內積分，就可以消除精細結構，只保留音色的信息。當然，對於有聲調的語言來說，音高也是有用的，所以在MFCC特徵之外，還會使用其它特徵刻畫音高。

3) 三角形是低頻密、高頻疏的，這可以模仿人耳在低頻處解析度高的特性。

3. Take the logs of the powers at each of the mel frequencies.這一步就是取上一步結果的對數。簡單點理解，它是對縱軸的放縮，可以放大低能量處的能量差異；更深層次地，這是在模仿倒譜（cepstrum）的計算步驟。倒譜又是另一個話題，此處不展開講了。

4. Take the discrete cosine transform of the list of mel log powers, as if it were a signal.求倒譜時這一步仍然用的是傅里葉變換。計算MFCC時使用的離散餘弦變換（discrete cosine transform，DCT）是傅里葉變換的一個變種，好處是結果是實數，沒有虛部。DCT還有一個特點是，對於一般的語音信號，這一步的結果的前幾個系數特別大，後面的系數比較小，可以忽略。上面說了一般取40個三角形，所以DCT的結果也是40個點；實際中，一般僅保留前12~20個，這就進一步壓縮了數據。上面整個過程的結果，就把一幀語音信號用一個12~20維向量簡潔地表示了出來；一整段語音信號，就被表示為這種向量的一個序列。語音識別中下面要做的事情，就是對這些向量及它們的序列進行建模了。

⑹ 語音信號加窗分幀是起什麼作用

加窗和分幀都是語音信號提取特徵的預處理階段，先分幀，後加窗，再做快速傅里葉變換。

分幀：

簡而言之，語音信號整體上不穩定，但局部上可以看作是穩定的，在以後的語音處理中，需要輸入一個穩定的信號，所以需要對整個語音信號進行幀處理，即將其分割成多個片段。

在10-30ms范圍內，可以認為信號是穩定的。一般以不少於20毫秒為幀，約1/2的時間作為幀移位幀，幀移位是指相鄰兩幀之間的重疊區域，以避免相鄰兩幀的變化。

加窗：

按上述方法加窗後，每一幀的開始和結束都會出現間斷，因此分割的幀越多，與原始信號的誤差就越大，加窗就是為了解決這個問題，使成幀後的信號變得連續，並且每一幀都會表現出周期函數的特性，在語音信號處理中，通常會增加漢明窗。

(6)語音信號分幀的常用方法是什麼擴展閱讀

語音信號模型

一、激勵模型

1、濁音激勵

氣流在通過綳緊聲帶時，沖激聲帶產生振動，使聲門處形成周期性的脈沖串，並用它去激勵聲道。由於脈沖串類似於斜三角形的脈沖，故以基音周期為周期的單位取樣序列串作為激勵。

2、清音激勵

聲帶鬆弛而不振動，氣流通過聲門直接進入聲道。由於發清音時，聲道被阻礙形成湍流，可將激勵模擬成隨機白雜訊。

二、聲道模型

1、聲管模型

將聲道視為由多個不同截面積的管子串聯而成的系統。

2、共振峰模型

聲道視為一個諧振腔，共振峰就是這個腔體的諧振頻率。

三、輻射模型

在發音腔道內形成的氣流經由嘴唇端輻射出來到達聽者耳朵的這段過程，聲音信號會衰減，而且有高通濾波的特性常用一個一階的數字高通濾波器來模擬。

⑺ 第三章 語音信號特徵分析

語音合成音質的好壞，語音識別率的高低，都取決於對語音信號分析的准確度和精度。例如，利用線性預測分析來進行語音合成，其先決條件是要用線性預測方法分析語音庫，如果線性預測分析獲得的語音參數較好，則用此參數和成的語音音質就較好。例如，利用帶通濾波器組法來進行語音識別，其先決條件是要弄清楚語音共振峰的幅值，個數，頻率范圍及其分布情況。

語音信號特徵的分析可以分為時域，頻域和倒譜域。

時域分析簡單直觀，清晰易懂，物理意義明確。

更多有效的分析是圍繞頻域進行的，因為語音中最重要的感知特性反應在其功率譜中，其相位變化只起著很小的作用。

常用頻域分析有帶通濾波器組，傅里葉變換法和線性預測分析法。頻譜具有很明顯的聲學特性，利用頻域分析獲得的特徵具有實際的物理意義，如共振峰參數，基音參數周期等。

倒譜域是對對數功率譜進行傅里葉反變換得到的，可以將聲道特性和激勵特性有效的分開，更好的揭示語音信號的本質特徵。

可以將語音信號分析分為模型分析法和非模型分析法兩種。模型分析法是指依據語音信號產生的數學模型，來分析和提取表徵這些模型的特徵參數；共振峰模型分析法和線性預測都術語這種方法。凡不進行模型化分析的其他方法都屬於非模型分析法，包括上面提到的時域分析法，頻域分析法及同態分析法。

貫穿語音信號分析全過程的是「短時分析技術」。短時間內特性基本保持不變，相對穩定，准穩態過程。10~30ms內保持相對平穩。

實際信號常有一些低能量的信號分量超過采樣頻率的一半，如濁音的頻譜超過4khz的分量至少比峰值低40db，而清音，超過8khz，頻率分量也沒有顯著下降，因此語音信號所佔的頻率范圍可以達到10khz以上，但對語音清晰度的有明顯影響部分的最高頻率為5.7kHZ左右。

電話系統為8kHZ，而時間中，采樣頻率為8-10kHZ，而語音合成或者語音識別，獲得更高的質量，采樣頻率一般為15——20kHZ。

在一般的識別系統中，采樣率最高為16kHZ，當繼續增加采樣率是，識別率幾乎沒有增加。

量化： 有三種方式，零記憶量化，分組量化和序列量化。

假設語音信號在10~30ms內是平穩的，後面所有的分析都是在這個假設下進行的。

為了得到短時的語音信號，要對語音信號進行加窗的操作，窗函數平滑的在語音信號上滑動，將語音信號分成幀。分幀可以連續，也可以採用交疊分段，交疊部分稱為幀移，一般為窗長的一般。

加窗時，不同窗口將影響到語音信號分析的結果

​ 窗的長度對能否反映語音信號的幅度變化起決定性作用。如果N特別大，即等於幾個基因周期量級，則窗函數等效於很窄的低通濾波器，此時信號短時信息將緩慢的變化，因而不能充分反映波形變化的細節。如果N特別小，即等於或小於一個基因周期的量級，則信號的能量將按照信號波形的細微狀況而很快的啟發，但如果N太小，濾波器的通帶變寬，則不能獲得平滑的短時信息，因此窗口的長度要選擇合適。窗的衰減基本與窗的持續時間無關，因此當改變寬度N時，會使帶寬發生變化。

窗口長度是相對於語音信號的汲引周期而言，通常認為一個語音幀內，應含有1~7個基音周期，然而不同人的基音周期變化范圍很大，基音周期的持續時間會從高音的約20個采樣點變化到低音調250個采樣點，這意味著可能需要多個不同的N值，所以N的選擇比較困難，通常在采樣頻率10kHZ的情況，N選擇100~200量級（10~20ms)持續時間是比較合適的。

有聲（V）無聲（S）清音（U）判決。

能夠實現這些判決的依據再於，不同性質的語音各種短時參數具有不同的概率密度函數，以及相鄰的若干幀具有一致的語音特性，不會再S , U, V之間快速變化。

每個語音的輸入起點和重點，利用短時平均幅度參數M和短時過零率可以做到這一點。

濁音情況下短時平均幅度參數的概率密度函數P(M|V)確定一個閾值參數M_H.根據M_H可以確定前後兩個點A_1和A_2 後肯定是語音段，但精確起點，還要仔細查找。

為此，再設定一個較低的閾值參數M_L, 然後確定B_1 和 B_2， 從這兩個點之後用短時過零率搜索。 清音的過零率高於無聲段，但是能量低。

但是在研究結果中表明，利用短時平均過零率區分無聲和清音在有些情況下不是很可靠，由於清音的強度會比無聲段高一下，將門限提高一些對清音的影響不大，但在沒有背景雜訊的情況下，無聲段將不會穿越這一提高的電平，因為可以正確區分清音和無聲段。

因此採用這種過零率，具有抗干擾能力

濾波器可以是寬頻帶通濾波器，具有平攤的特性，粗略求語音的頻譜，頻率解析度低，可以是窄帶濾波器，頻率解析度較高。

現在一般都在用數字濾波器，其中如何將模擬濾波器數字化，涉及到零點極點的內容，需要參考DSP的內容。極點波峰，零點波谷。

為窗口函數。

兩種方式來理解物理意義

在實際計算時，一般用離散傅里葉變換代替連續傅里葉變換，則需要對信號進行周期延拓。(非周期->連續譜，周期->離散譜)，這時候得到的是功率譜 。 如果窗長度為 , 那麼 的長度為 , 如果對 以 進行周期拓展，則自相關就會出現混疊現象，即這個周期的循環相關函數在一個周期中的值就與線性相關 的值不同，這樣得到的功率譜就是一組前采樣，若想得到全部的 個值，可以補充L個零，擴展成2L的信號，並做離散傅里葉變換，這時的循環相關與現行相關是等價的。（ 後面這句話對我來說暫時是天書 ）

在對窗函數的分析中，我們知道對於任何一個窗函數都存在旁瓣效應，這時候有諧波效應。

語譜圖的時間解析度和頻率解析度是由所採用的窗函數決定的。假設時間固定，對信號乘以窗函數相當於在頻域用窗函數的頻率響應與信號頻譜的卷積。如果窗函數的頻率響應 的通帶寬度為 ,那麼語譜圖中的頻率解析度的寬度即為 。即卷積的作用將使任何兩個相隔間隔頻率小於 的譜峰合並為一個單峰。對於窗函數而言，通帶寬度與窗長成反比，如果希望頻率解析度高，則窗長應該盡量長一些。

對於時間解析度，假設頻率固定，相當於對時間序列 做低通濾波，輸出信號的帶寬就是 的帶寬b，根據采樣定理，只需要以 的采樣率就可以反映出信號的所有頻率成分，這時候所具有的時間解析度的寬度為 . 因此如果希望時間解析度高，則窗長應該短一些。因此時間解析度和頻率解析度是相互矛盾的，這也是短時傅里葉變換本身固有的缺點。

點評：

1.26新增理解：

這類線性主要有短時傅里葉變換與Gabor變換和小波變換，其中STFT和Gabor變換是一種加窗的傅里葉變換，使用固定大小的時頻網格，時頻網格在時頻變換只限於時間平移和頻率平移，窗函數固定的，只適用於分析帶寬固定的非平穩信號，實際應用中，希望對低頻分析，頻率解析度高，高頻時間解析度高，要求窗函數寬度能隨之頻率變化而變化。小波分析的視頻分析網格變化除了時間平移外，還有時間和頻率軸比例尺度的改變。適用於分析具有固定比例帶寬的非平穩信號。

這類時頻由能量譜或功率譜演化而來，其特點是變換為二次的。雙線性關系可以表示為

其中 為能量譜，而 表示取共軛操作。

點評： 好像沒見過，先跳過。。。。。

在信號分析與信號處理中，信號的「時間中心」及「時間寬度」以及頻率中心與頻率寬度是非常重要的概念，分別說明信號在時域和頻域中心位置在兩個域的擴展情況。

信號再這兩個物理量的測量上有一個重要的約束原則，就是著名的「不確定性原理」。它的意義是，信號波形在頻率軸上的擴張和時間軸上的擴張不可能同時小於某一界限，即若函數 和 構成一堆傅里葉變換，則不可能同時是短寬度的,即

等號成立的充分必要條件是 為高斯函數，即 . 證明，用Cauchy-Schwarts不等式可得。

窗函數為高斯函數的短時傅里葉變換稱為Gabor變換。

是大於0的固定常數。由於 , 因此 . 這表明，信號 的gabor 變換 是對任何 在時間 附近對 傅里葉變換的局部化（在說什麼？？），達到了對 的精確分解。

Gabor變換是具有最小時頻窗的短時傅里葉變換。但進一步研究發現，這兩種變換都沒有離散的正交基, 所以沒有像離散傅里葉變換FFT那種快速演算法。而且窗函數固定不變，不能隨著所分析信號的成分是高頻還是低頻做相應的變化。所以這時候有小波變換，能夠自動調節窗口長度。

小波理論採用多解析度的分析的思想，非均勻地劃分時頻空間，為非平穩信號的分析提供了新途徑。

定義： 小波是函數空間 中滿足下述條件的一個函數或者信號

其中 表示全體非零實數， 為 的頻域表示形式。 稱為小波母函數。對於任意實數對，稱如下形式的函數為右小波母函數生成的依賴於參數（a,b）的連續小波函數，稱為小波，其中a必須為非零實數。

的作用是把基本小波 做伸縮， 的作用是確定對 分析的時間位置，也即是實踐中心。 在 的附近存在明顯的波動，而且波動范圍的大小完全依賴於尺度因子 的變化。 時，一致， 時，范圍比原來小波函數 范圍大些，小波的波形變得矮寬，變化越來越緩慢，當 時， 在 附近波動范圍葯效，小波波形尖銳而消瘦。

給定平方可積的信號 ，即 , 則 的小波變換定義為

與傅里葉變換不同，小波變換是一個二元函數。另外，因為母函數 只在原點附近才會有明顯偏離水平軸的移動，遠離原點，迅速衰減為0.

假設小波函數 及傅里葉變換 都滿足窗口函數的要求，他們的窗口中心和半徑分別記為 和 和 和 , 可以證明對於任意任意參數對，連續小波變換和其傅里葉變換都滿足窗口函數的要求，他們的窗口中心和寬度分別為

則時頻窗是平面一個可變的矩形，面積為 . 這個面積只與小波的母函數 有關，與 無關，但形狀隨著a變換。

如果按照線性模型理論，語音信號是由激勵信號和聲道響應卷積產生。解卷就是將各卷積分量分開。解卷演算法分為兩大類，一類稱為「參數解卷」，即線性預測分析，另一類演算法稱為「非參數解卷」，即同態解卷積，對語音信號進行同態分析後，將得到語音信號的倒譜參數，此時同態分析也稱為 倒譜分析或者同態處理。

同態處理是一種較好的解卷積方法，它可以較好的將語音信號中的激勵信號和聲道響應分離，並且只需要用十幾個倒譜系數就能相當好的描述語音信號的聲道特性，因此占很重要的位置。

通常的加性信號可以用線性系統處理，滿足線性疊加原理。然後很多信號是由乘性信號或者卷積信號組合的信號。這樣的信號不能用線性系統處理，得用非線性系統處理。但是非線性系統分析起來困難，同態語音辛哈就是將非線性問題轉換為線性問題處理。語音信號可以看做是聲門激勵信號與聲道響應的卷積結果，所以下面僅討論卷積同態信號的處理問題。

同態語音信號處理的一個通用的系統如圖3-23所示，其符號 表示由卷積組合規則組合起來的空間，即該系統的輸入和輸出都是卷積性信號。同態系統的一個最主要理論結果是同態系統理論分解，分解的目的是用兩個特徵系統和一個線性系統來代替非線性的同態系統。分解的情形如下面所示。

分別對應聲門激勵信號（excitation 和 vocal tract），特徵信號 是將卷積信號轉化為加性信號，這時候進行Z變換，將卷積信號轉化為乘積信號（疑問1），這時候得到的就是頻譜,然後通過對數運算，變成加性信號，但是這個時候是對數頻譜，使用不便。最後再變換回時域信號。

是在倒譜域對信號處理，常見處理方式是將語音聲源信號與聲道信號分離。 在倒譜域，總可以找到一個 ，當 時，聲道濾波器的倒譜為0，當 時，激勵的倒譜接近於0.

如果想再恢復語音信號，用d所示的逆特徵系統運算即可。

MFCC (Mel Frequency cepstrum coefficient)，MFCC是將人耳的聽覺感知特性和語音產生機制相結合，因此目前大多數語音識別系統廣泛使用這種特徵。

耳蝸的濾波作用是在對數頻率尺度進行的，在1000Hz以下為線性，在1000Hz以上為對數，這就使得人耳對低頻比高頻更敏感

對頻率軸不均勻劃分是MFCC特徵區別於前面普通倒譜特徵的最重要的特點，變換到Mel域後，Mel帶通濾波器組的中心頻率是按照Mel刻度均勻排列的，實際應用中，MFCC計算過程如下

MFCC有效利用的聽覺特性，因此改變了識別系統的性能，如果倒譜位數增加，對識別性能影響不大。但採用動態特徵，誤識率有20%的下降。

點評2019.01.30：第三四次囫圇吞棗的看完MFCC，即使知道了倒譜，但最後按個離散餘弦變換還是比較不能聯繫上，反正感覺亂亂的吧，包括差分之類的，想被打回哪門語音信號處理課上回爐了，Mark一下，始終有一天會懂其中的深意的。

⑻ 語音的幀長、幀移與幀數

    接著前面的文章，關於語音分幀問題，在前期將語音靜音刪除後，需要將語音裁剪成長度相同的長度或者分幀，保證數據集的統一。長度不同的音頻文件不容易建模分析，需要先分幀，切成長度相同的，另外切成一小段固定長度時，段和段之間適當重疊部分。

    經過一上午的學習實踐，參考librosa文檔和知乎等資料，終於搞定懂了。

    語音信號是一個非穩態的、時變的信號。但在短時間范圍內可以認為語音信號是穩態的、時不變的，這個短時間一般取 10-30ms。進行語音信號處理時，為減少語音信號整體的非穩態、時變的影響，從而對語音信號進行分段處理，其中每一段稱為一幀，幀長一般取 25ms。為了使幀與幀之間平滑過渡，保持其連續性，分幀一般採用交疊分段的方法，保證相鄰兩幀相互重疊一部分，末尾不足部分用零填充。相鄰兩幀的起始位置的時間差稱為幀移，我們一般在使用中幀移取值為 10ms。

    那麼對於一個 22050Hz 采樣的音頻來說，幀長有 22050 * 0.025 = 551.25 個點，幀移有 22050 * 0.01 = 220.5 個點。根據上一篇文章- jupyter notebook完成wav文件探索 ，計算點數方法是采樣率 * 時長，那麼wav文件就有5.89569 * 22050 = 130000，和librosa.load返回的數據是一致的。num_samples、frame_len、frame_shift 分別代表音頻的數據點數、幀長和幀移，那麼i 幀的數據需要的點數：(i-1) * frame_shift + frame_len，n 個點的音頻的幀數：ceil(n- / frame_shift) 。

    那麼在librosa.load語音文件後，需要自己來分幀嗎？NO，librosa已經幫你實現了！librosa.feature.mfcc函數提取MFCCs特徵時，MFCC一般默認幀長為2048，幀移為512，即默認1/4關系。查看參考librosa文檔：hop_length = win_length / 4，win_length = n_fft。n_fft=2048, hop_length=512。

        那麼筆者再次在jupyter notebook中添加計算，發現和mfcc函數提取的幀數是一致的。那麼在提取特徵時就不需要自動來保證幀移的分幀。jupyter 真是太好用了，可以查看、修改歷史過程，不用從頭開始導入數據、分析數據了。

⑼ 語音識別技術中提取的聲音特徵的參數具體指什麼

語音信號是受外界干擾的隨機信號，在進行語音信號處理（語音編碼、語音合成、語音識別）時，必須經過特徵提取車里才能有效的降低信號的冗餘度。現在說一下語音特徵參數有能量、基因頻譜、共振峰值、短時過零率等，相比之下比較常用的是線性預測倒譜：lpcc與mel倒譜系數，這是因為MFCC和LPCC在實際應用中最為成熟，特別是在真實信道雜訊和頻譜是真的情況下，也就是在雜訊干擾比較強狀態下，特徵參數MFCC相對於LPCC語音特徵系數，能更好的反映人耳的聽覺感知情況，所以應用的比較多。