4、音频采集与预处理：麦克风选型、I2S/PDM接口配置、音频采样、滤波、端点检测、预加重、分帧与加窗

语音控制机器人的第一步，是将物理世界中的声波转换为数字信号，并从中提取出可供神经网络模型直接使用的特征。这一过程的质量直接决定了后续关键词识别（KWS）的准确率。本章将系统讲解从麦克风选型到音频预处理的完整链路，涵盖硬件接口配置、信号调理方法以及特征提取前的关键步骤。我们将以STM32微控制器为核心，深入探讨如何在资源受限的嵌入式环境中实现高效、可靠的音频前端。

上图展示了音频采集与预处理的完整工程链路。从麦克风拾取声波开始，经过接口转换、信号调理、端点检测，最终进入分帧加窗的特征准备阶段。每一个环节都直接影响着后续关键词识别模型的输入质量。下面我们将逐一深入剖析每个模块的技术细节与工程实现要点。

4.1 麦克风选型：从声波到电信号的转换

麦克风是语音链路的起点，其性能直接决定了信号质量的上限。在STM32嵌入式系统中，主要考虑两类麦克风：模拟输出的驻极体电容麦克风（ECM）和数字输出的MEMS麦克风。对于语音控制机器人，推荐优先选用数字MEMS麦克风，尤其是支持PDM（脉冲密度调制）输出的型号，如InvenSense ICS-43434或ST MP34DT05。这类麦克风将放大器和Sigma-Delta调制器集成在内部，直接输出1-bit的PDM流，抗干扰能力强，且无需外部放大电路。

选型时需要关注以下关键参数：

• 灵敏度：典型值为-26 dBFS，表示在94 dB SPL声压下输出的数字幅度。灵敏度过高容易导致近讲时削波，过低则远场拾音困难。
• 信噪比（SNR）：通常在61-65 dB之间，SNR越高，底噪越低，有效动态范围越大。对于家庭环境下的语音控制，建议SNR不低于60 dB。
• 频率响应：语音能量主要集中在300 Hz-3.4 kHz，但为了保留辅音细节，建议选择频率响应平坦范围覆盖100 Hz-10 kHz的麦克风。
• 指向性：全向麦克风适合机器人360度拾音，但会拾取更多环境噪声；心形指向性麦克风能抑制后方噪声，但需要对准声源方向。对于移动机器人，全向麦克风配合后级波束成形是更实用的方案。

4.2 I2S与PDM接口配置：STM32的音频数据通路

STM32系列微控制器提供了两种主流音频接口：I2S（Inter-IC Sound）和PDM。I2S用于连接外部音频编解码器（如WM8960、CS43L22），以标准帧格式传输多bit PCM数据；PDM接口则直接连接数字MEMS麦克风，通过抽取滤波器将1-bit流转换为PCM数据。选择哪种接口取决于系统架构：如果机器人还需要播放音频（如语音回复），则I2S+编解码器是更合适的选择；如果仅做语音识别，PDM直连麦克风可以节省成本和PCB面积。

以STM32F4系列配置I2S为例，关键参数设置如下：

// I2S配置示例（16kHz采样率，16bit数据）
I2S_InitTypeDef I2S_InitStructure;
I2S_InitStructure.I2S_AudioFreq = I2S_AudioFreq_16k;
I2S_InitStructure.I2S_Standard = I2S_Standard_Phillips;
I2S_InitStructure.I2S_DataFormat = I2S_DataFormat_16b;
I2S_InitStructure.I2S_CPOL = I2S_CPOL_Low;
I2S_InitStructure.I2S_Mode = I2S_Mode_MasterRx;
I2S_InitStructure.I2S_MCLKOutput = I2S_MCLKOutput_Disable;
I2S_Init(SPI2, &I2S_InitStructure);

对于PDM接口，STM32通过SPI外设的PDM模式或使用SAI接口配合数字滤波器实现。以STM32L4系列为例，其DFSDM（数字滤波器）模块可以直接处理PDM流，内置抽取滤波器输出16-bit PCM数据。配置时需注意抽取率（通常为64或128），它决定了最终采样率：PDM时钟频率2.048 MHz除以抽取率64，得到32 kHz采样率，再经过半带滤波器降采样到16 kHz。

4.3 音频采样与滤波：从原始信号到干净数据

采样过程将连续时间信号离散化，根据奈奎斯特定理，采样率必须大于信号最高频率的两倍。语音信号经过带限后，16 kHz采样率足以覆盖8 kHz带宽，满足关键词识别需求。STM32通过DMA将I2S或DFSDM接收的数据直接搬运到内存环形缓冲区，避免CPU频繁中断。缓冲区大小通常设置为采样率除以100（即10 ms数据量），例如16 kHz采样率下，每缓冲区160个样本。

滤波是预处理的核心环节，主要包含以下步骤：

1. DC偏移消除：由于麦克风偏置或ADC偏移，信号中常含有直流分量。使用一阶高通滤波器，截止频率设为20-50 Hz，即可有效去除DC偏移而不影响语音。
2. 带通滤波：语音有效频带为300 Hz-3.4 kHz，带通滤波可以抑制低频环境噪声（如空调嗡嗡声）和高频干扰。在STM32上通常使用IIR滤波器（如巴特沃斯4阶），计算量小且相位失真可接受。
3. 预加重：语音信号的高频分量（如辅音）能量较低，预加重通过一阶高通滤波器提升高频成分，公式为 y[n] = x[n] - α·x[n-1]，其中α通常取0.95-0.97。这能显著提高识别准确率，尤其是对清辅音的区分。

// 预加重实现（α=0.96）
int16_t prev_sample = 0;
for (int i = 0; i < frame_size; i++) {
    int32_t current = input[i];
    int32_t filtered = current - (int32_t)(0.96f * prev_sample);
    output[i] = (int16_t)filtered;
    prev_sample = current;
}

4.4 端点检测（VAD）：精准定位语音起止

端点检测的目标是从连续音频流中识别出语音段的开始和结束，避免将静音或噪声送入识别引擎。在机器人应用中，VAD还能降低功耗——无语音时让MCU进入低功耗模式。最常用的方法是基于短时能量和过零率的双门限检测。

具体实现流程如下：

• 计算短时能量：每帧（10-20 ms）内样本平方和的对数，用于区分语音和静音。语音段能量通常明显高于环境噪声。
• 计算过零率（ZCR）：信号符号变化的次数。清音（如/s/、/f/）的ZCR较高，浊音较低。ZCR辅助判断语音边界，尤其在能量门限不明显的弱音段。
• 双门限判决：设置高门限和低门限。当能量超过高门限时判定为语音开始，低于低门限持续一段时间后判定为语音结束。中间加入最小语音时长（如150 ms）和最大静音间隔（如300 ms）的约束，防止误触发。

实际工程中，还需要加入自适应门限机制：实时跟踪环境噪声的统计值（均值+标准差），动态调整门限。例如，在安静的室内，噪声能量约为-50 dBFS，语音能量约为-20 dBFS；而在嘈杂的街道，噪声可能升至-30 dBFS，此时固定门限会导致大量误检。

4.5 分帧与加窗：构建时间-频率分析的基础

语音信号是非平稳的，但在短时间（10-30 ms）内可以视为平稳。分帧将连续信号切分为重叠的短段，帧移通常为帧长的1/3到1/2，以保证帧间平滑过渡。对于16 kHz采样率，常用帧长25 ms（400样本），帧移10 ms（160样本），即相邻帧有60%的重叠。

加窗是为了减少帧边界处的频谱泄漏。矩形窗的旁瓣衰减只有-13 dB，会导致频谱能量扩散到相邻频带。汉明窗的旁瓣衰减达到-43 dB，是语音识别中最常用的窗函数。其定义为：

w[n] = 0.54 - 0.46 * cos(2πn / (N-1)),  0 ≤ n ≤ N-1

加窗后的信号为 x_w[n] = x[n] · w[n]。在STM32上，可以预先计算窗函数并存储为常量数组，运行时逐样本相乘。对于400点的汉明窗，使用Q15格式存储可节省一半内存，且乘法运算可用CMSIS-DSP的arm_mult_q15高效完成。

4.6 案例拆解：基于STM32U5的机器人唤醒词前端

我们设计一个实际案例：为轮式机器人实现“小智小智”唤醒词识别的前端处理。硬件采用STM32U575（Cortex-M33内核，带FPU），搭配MP34DT05 PDM麦克风，采样率16 kHz，16-bit量化。

初始现象：在实验室环境下，唤醒率约85%，但在空调开启的办公室环境中，唤醒率骤降至60%，且出现频繁误唤醒。

分析过程：通过串口导出原始音频数据，在PC端用Python分析发现：空调噪声主要集中在100-500 Hz频段，能量约为-35 dBFS，而语音能量约为-20 dBFS。原始信号的信噪比约15 dB，但噪声的低频成分导致VAD门限被抬高，部分语音起始段被截断。同时，预加重系数α=0.96对低频噪声抑制不足。

优化步骤：

1. 将带通滤波器的下限从300 Hz提高到400 Hz，有效衰减空调低频噪声，信噪比提升至22 dB。
2. 调整预加重系数α=0.97，进一步衰减低频，增强4 kHz以上的高频能量。
3. VAD门限改为自适应：每100 ms更新噪声能量均值，门限设为均值+8 dB，并增加最小语音时长200 ms的约束。
4. 在DMA中断中增加简单的削波检测，当连续3个样本超过满幅度的90%时，自动降低增益3 dB，防止近讲时削波。

结果对比：优化后办公室环境唤醒率提升至92%，误唤醒率从每小时3次降至0.5次。代价是增加了约15%的CPU负载（从35%升至50%），但仍在STM32U5的余量范围内。

复盘经验：音频前端优化必须结合具体噪声环境，不能盲目套用标准参数。建议在开发阶段预留滤波器和VAD参数的调试接口，通过串口或蓝牙实时调整，加速现场调优。

4.7 常见误区与总结

在音频预处理实践中，以下误区值得特别注意：

• 误区一：采样率越高越好。过高的采样率（如48 kHz）会增加存储和计算开销，但对语音识别准确率提升有限。16 kHz是性价比最优的选择。
• 误区二：忽略DMA缓冲区的管理。如果DMA缓冲区溢出或未及时处理，会导致音频数据丢失，产生爆音。建议使用双缓冲机制，一个缓冲区填充时处理另一个。
• 误区三：滤波器系数直接使用浮点计算。在无FPU的Cortex-M0/M3上，浮点运算极慢。应使用CMSIS-DSP的定点函数（如arm_biquad_cascade_df1_q15）或Q15格式。
• 误区四：VAD门限固定不变。环境噪声是动态变化的，固定门限必然导致误检或漏检。必须实现自适应门限更新。

总结而言，音频采集与预处理是STM32语音控制机器人的基石。从麦克风选型到分帧加窗，每一步都需要结合硬件特性和应用场景进行精细调优。本章所讲的链路——PDM/I2S接口配置、滤波、预加重、VAD、分帧加窗——构成了一个完整的音频前端，为后续的关键词识别模型提供了干净、规整的输入特征。在实际项目中，建议先使用开发板配合PC端工具验证算法，再移植到STM32上优化性能，这样可以大幅缩短开发周期。