2、音频基础：声音的数字化、采样率、位深、声道、频谱与时域特征，以及人耳感知特性

在进入 STM32 麦克风采集与 MFCC 特征提取之前，必须先建立扎实的音频基础认知。声音本质上是空气压力的周期性变化，而嵌入式系统只能处理离散的数字信号。从模拟声波到数字比特流的转换过程，决定了后续关键词识别系统的上限——如果采样率不足或位深不够，再优秀的神经网络也无法从残缺的数据中恢复信息。本章将系统梳理声音数字化的四个核心参数（采样率、位深、声道数、采样格式），对比时域与频域两种分析视角，并深入探讨人耳感知特性如何指导特征工程的设计。这些知识将直接决定 STM32 上麦克风驱动配置、DMA 缓冲区大小以及 MFCC 滤波器组参数的选择。

2.1 声音数字化的核心参数

2.1.1 采样率：时间轴的离散化

采样率（Sample Rate）决定了每秒从连续模拟信号中抽取的样本点数，单位是 Hz。根据奈奎斯特采样定理，要无失真地重建原始信号，采样率必须至少为信号最高频率分量的两倍。人耳听觉范围约为 20Hz~20kHz，因此 CD 音质采用 44.1kHz 采样率，留出约 2.05kHz 的过渡带余量。对于语音关键词识别场景，人类语音的主要能量集中在 300Hz~3.4kHz（电话语音带宽），因此 16kHz 采样率是嵌入式语音识别的黄金选择——既能覆盖语音全部有效频带，又比 44.1kHz 减少约 63% 的数据量，显著降低 STM32 的存储与计算压力。

2.1.2 位深：幅值轴的量化精度

位深（Bit Depth）表示每个采样点用多少比特来量化幅值。16bit 量化提供 65536 个离散电平，动态范围理论值为 6.02×16+1.76 ≈ 98dB；24bit 则达到 146dB。语音识别场景中，16bit 已足够——环境噪声通常在 30~50dB SPL，而正常对话在 60~70dB SPL，98dB 的动态范围完全覆盖。更高的位深只会增加存储和传输开销，对识别准确率提升微乎其微。

量化过程中会产生量化噪声，其功率与量化步长成正比。对于 16bit 系统，量化信噪比（SQNR）约为 98dB，远高于麦克风阵列自身的信噪比（通常 60~70dB），因此量化噪声不会成为系统瓶颈。但在 STM32 内部处理时，需要注意：如果使用定点数运算，MFCC 计算过程中的中间变量需要足够的位宽（如 Q15 格式配合 32bit 累加器），否则截断误差会累积。

2.1.3 声道数与采样格式

声道数直接影响数据吞吐量。单声道（Mono）每帧数据量为 采样率×位深/8 字节/秒；双声道（Stereo）则翻倍。对于关键词识别，单声道完全足够——人声定位不是本系统的目标。STM32 的 I2S 接口通常配置为单声道接收模式，DMA 每次传输 16bit 数据，缓冲区大小需按帧长计算：16kHz 采样率、25ms 帧长对应 400 个采样点，即 800 字节。

常见的采样格式包括：有符号 16bit 整数（PCM S16LE，最常用）、有符号 24bit 整数（需 32bit 容器存储）、32bit 浮点（适合后期处理但占用资源大）。STM32 的 SAI/I2S 外设原生支持 16bit 和 32bit 帧格式，推荐使用 16bit 有符号整数，与 CMSIS-DSP 库的 q15_t 类型无缝对接。

2.2 时域特征与频域特征

2.2.1 时域特征：直观但信息有限

时域特征直接对采样点序列进行分析，计算量小，适合在 STM32 上做实时预处理。最常用的三个时域特征包括：

• 短时能量：对一帧内所有采样点求平方和。语音段能量显著高于静音段，可用于端点检测（VAD）。但能量对幅值敏感，不同说话人距离麦克风的远近会导致能量差异巨大，因此需要配合自适应阈值。
• 过零率（ZCR）：一帧内信号符号变化的次数。清音（如 /s/、/f/）的过零率高，浊音（如 /a/、/i/）的过零率低。ZCR 对噪声敏感，需先做高通滤波去除直流偏置。
• 幅值包络：通过滑动窗口取局部最大值，反映语音的起止边界和节奏信息。包络提取可用简单的峰值检测或希尔伯特变换（计算量较大，不推荐在 MCU 上使用）。

时域特征的局限性在于无法区分相同能量但不同频率成分的信号。例如，100Hz 的纯音和 1000Hz 的纯音如果幅值相同，其短时能量完全一致，但人耳感知截然不同。因此，仅靠时域特征无法实现鲁棒的关键词识别。

2.2.2 频域特征：揭示频率成分

频域分析通过傅里叶变换（FFT）将时域信号分解为不同频率分量的幅度和相位。STM32F4 系列内置硬件 FPU 和 CMSIS-DSP 库，可以高效执行 256 点或 512 点 FFT。对于 16kHz 采样率、25ms 帧长（400 点），通常补零到 512 点做 FFT，频率分辨率为 16000/512 = 31.25Hz。

从频谱中可以提取多种高级特征：

• 频谱质心：频谱的能量重心，反映音色的明亮程度。语音中元音的频谱质心通常在 500~2000Hz 之间。
• 谱熵：频谱的平坦程度。语音的谱熵较低（能量集中在少数频带），白噪声的谱熵接近最大值。可用于语音/噪声判别。
• Mel 频率倒谱系数（MFCC）：模拟人耳听觉特性的特征参数，是当前语音识别的主流前端特征。MFCC 的计算流程将在后续章节详细展开。

2.3 人耳感知特性与 Mel 刻度

2.3.1 人耳的非线性频率感知

人耳对频率的感知不是线性的。在低频段（<1kHz），人耳对频率变化非常敏感，能分辨 2~3Hz 的差异；在高频段（>4kHz），分辨能力急剧下降，可能需要数百赫兹的差异才能被察觉。Stevens 和 Volkmann 在 1937 年提出了 Mel 刻度（Mel Scale），将物理频率映射到感知频率：

Mel(f) = 2595 × log10(1 + f / 700)

这一公式意味着：在 0~1kHz 区间，Mel 频率与物理频率近似线性；在 1kHz 以上，Mel 频率增长放缓。MFCC 特征的核心思想就是：在 Mel 刻度上均匀分布滤波器组，从而模拟人耳的非线性频率分辨率。对于 STM32 实现，通常使用 20~40 个 Mel 滤波器组，覆盖 0~8kHz 频带。

2.3.2 掩蔽效应与临界频带

掩蔽效应是指一个强音信号会提高人耳对邻近频率弱音的听觉阈值。例如，在 1kHz 的 80dB 纯音旁边，2kHz 的 40dB 纯音可能完全听不见。掩蔽效应在频域上表现为以掩蔽声频率为中心的三角形掩蔽曲线，其带宽称为临界频带（Critical Band）。人耳共有约 24 个临界频带，每个频带的宽度在低频约 100Hz，高频可达数千赫兹。

MFCC 滤波器组的设计正是基于临界频带的概念——每个 Mel 滤波器的带宽近似对应一个临界频带。这种设计使得 MFCC 特征对频率的微小偏移不敏感，增强了系统对说话人差异和环境变化的鲁棒性。

2.3.3 响度感知与对数压缩

人耳对响度的感知遵循韦伯-费希纳定律：主观响度与声强的对数成正比。因此，MFCC 计算中对 Mel 滤波器组输出的能量取对数（log），这一操作不仅压缩了动态范围，还使得特征对输入信号的全局增益不敏感——无论说话人离麦克风近还是远，对数域的特征差异被显著缩小。

2.4 案例：16kHz/16bit 单声道音频配置的完整验证

假设我们使用 STM32F407 开发板搭配 INMP441 数字 MEMS 麦克风（I2S 接口），目标是采集 16kHz/16bit 单声道音频用于关键词识别。以下是完整的配置与验证流程：

背景与约束：INMP441 输出 24bit 数据，但 STM32 的 I2S 外设可配置为 16bit 帧格式，此时麦克风会自动截断低 8 位。系统主频 168MHz，I2S 使用 PLLI2S 作为时钟源。目标：确认实际采样率偏差小于 ±1%，且数据无直流偏置。

初始现象：首次配置后，通过串口打印采样数据，发现波形幅值正常但存在约 200mV 的直流偏置，且 FFT 频谱在 0Hz 处有异常高能量峰。

分析判断：直流偏置可能来自两个原因：一是 INMP441 的 PDM 解码器输出未做高通滤波；二是 I2S 配置为左对齐格式时，数据位与时钟相位不匹配导致符号位错误。通过示波器观察 I2S 的 SD 引脚，发现数据在时钟下降沿变化，而 STM32 默认在上升沿采样，导致最高位（符号位）被错误读取。

实际操作步骤：

1. 修改 I2S 配置，将 I2S_InitStruct.I2S_CPOL = I2S_CPOL_LOW，使数据在时钟上升沿稳定。
2. 在 DMA 接收回调中，对每帧数据减去直流分量（计算帧内平均值并扣除）。
3. 使用定时器测量 I2S 的 WS 引脚频率，实测为 16.02kHz，偏差 0.125%，在可接受范围内。
4. 录制 1kHz 正弦波测试信号，计算 FFT 频谱，确认峰值位于第 32 个频点（512 点 FFT，频率分辨率 31.25Hz，32×31.25=1000Hz）。

结果对比：修正后，直流偏置从 200mV 降至 2mV 以下，0Hz 处能量峰降低 40dB。1kHz 正弦波的频谱峰值位置准确，幅值误差小于 0.5dB。

风险与代价：修改 I2S 时钟极性后，需要重新验证与麦克风的时序兼容性；直流扣除操作增加了约 5μs 的处理时间，对 10ms 帧移无影响。

复盘经验：I2S 的时钟极性和相位是嵌入式音频最常见的坑。建议在硬件调试阶段就使用逻辑分析仪抓取 I2S 波形，确认数据建立/保持时间满足麦克风数据手册要求。此外，INMP441 的 24bit 数据在 16bit 模式下会截断低 8 位，这相当于引入了约 0.4% 的量化误差，对 MFCC 特征的影响可以忽略。

2.5 常见误区与总结