语音基础：语音信号的基本特征、采样率、帧长、帧移、窗函数等预处理概念
在边缘设备上实现实时语音关键词唤醒，首先需要理解我们面对的信号本质。语音信号并非单一频率的纯音，而是由声带振动、声道共振和唇齿辐射共同调制出的非平稳随机过程。它的幅度随时间剧烈变化，频率成分也在毫秒级尺度上不断迁移。若将整段语音直接送入神经网络，不仅计算量巨大，而且难以捕捉短时稳定的声学特征。因此，语音信号处理的第一原则是“短时平稳假设”：在10~50毫秒的时间窗内，语音的频谱特性近似不变。基于这一假设，我们才能将连续语音切分为帧、加窗、提取特征，进而交给唤醒模型做分类。本章将围绕语音信号的基本属性、数字化参数（采样率、位深）、分帧加窗操作以及它们对唤醒性能的影响展开，为后续的MFCC、滤波器组和神经网络输入奠定基础。
上图展示了从连续语音到可计算帧序列的完整链路。在边缘设备上，这一链路通常由DSP或MCU中的硬件加速器完成，但理解每一步的物理含义对调参和排障至关重要。下面我们逐一拆解。
语音信号的基本特征与数字化参数
语音信号在时域上表现为振幅随时间变化的波形，其频率范围主要集中在300Hz~3400Hz（电话带宽），但宽带语音可延伸至8kHz。对于唤醒词任务，我们通常关注的是说话人的语义内容而非身份特征，因此需要保留足够的频谱细节。语音信号有三个关键特性：短时平稳性（10~50ms内频谱近似不变）、共振峰结构（声道滤波产生的能量集中区）以及基频周期性（声带振动产生的谐波序列）。这些特性决定了预处理参数的选择。
| 参数 | 典型值（唤醒场景） | 影响 | 边缘设备注意事项 |
|---|---|---|---|
| 采样率 fs | 16kHz | 决定最高可表示频率（奈奎斯特频率=fs/2=8kHz） | 16kHz可覆盖语音主要能量区，且计算量适中；8kHz会损失部分摩擦音细节 |
| 位深 | 16bit | 动态范围约96dB，量化信噪比足够 | 16bit是MCU/DSP原生支持格式，24bit/32bit浮点仅在高端DSP使用 |
| 帧长 | 30ms（480点@16kHz） | 频率分辨率=1/帧长≈33Hz | 帧长过短则频率分辨率差，过长则破坏短时平稳假设 |
| 帧移 | 10ms（160点） | 决定特征帧率（100fps） | 帧移越小，时间分辨率越高但计算量增大；10ms是业界标准 |
| 窗函数 | 汉明窗 | 抑制频谱泄漏，主瓣宽度与旁瓣衰减的折中 | 汉明窗在嵌入式平台有查表法实现，计算开销极低 |
核心原理：采样率的选择必须遵循奈奎斯特采样定理——采样频率至少为信号最高频率的两倍。语音信号在8kHz以上能量极低，因此16kHz采样率既能完整保留语音信息，又比44.1kHz（CD音质）减少约2/3的数据量。对于唤醒词任务，16kHz是学术界和工业界的默认标准（如Google Speech Commands数据集即采用16kHz）。
分帧操作：帧长与帧移的工程权衡
分帧的本质是用一个有限长度的窗口去截取连续信号。帧长决定了每次进入FFT或神经网络的数据量，帧移则控制相邻帧的重叠程度。在唤醒词系统中，帧长和帧移的选择直接影响两个关键指标：特征的时间分辨率和系统的响应延迟。
以16kHz采样率为例，若帧长为30ms（480点），则FFT的频率分辨率为1/0.03≈33Hz，足以区分语音中的共振峰（通常间隔100Hz以上）。帧移10ms意味着每10ms产生一帧新特征，即特征帧率为100fps。对于“你好小度”这类四音节唤醒词（约1.2秒），会产生约120帧特征序列，这为时序模型（如TCN、CRNN）提供了足够的输入长度。
风险提示：帧移过小（如5ms）会导致特征帧率翻倍，虽然时间分辨率提升，但计算量增加100%，且相邻帧高度冗余，对唤醒准确率提升有限。帧移过大（如20ms）则可能漏掉快速变化的辅音起始段（如“t”、“k”的爆破音），导致唤醒率下降。在边缘设备上，帧移还受限于DSP的实时处理能力——必须在帧移时间内完成当前帧的特征提取和模型推理。
窗函数：抑制频谱泄漏的关键
对有限长信号做FFT时，相当于对无限长信号施加了矩形窗截断。矩形窗在频域会产生严重的旁瓣泄漏——主瓣能量向两侧扩散，掩盖弱信号成分。语音信号中，元音的谐波能量远高于辅音，若不加窗，强谐波的旁瓣可能淹没弱辅音的频谱细节。汉明窗通过余弦加权使帧边缘的幅度平滑趋零，将旁瓣衰减从-13dB（矩形窗）改善到-43dB，同时主瓣宽度仅增加约1倍。
// 汉明窗C语言实现（16kHz, 帧长480点）
float hamming[480];
for (int n = 0; n < 480; n++) {
hamming[n] = 0.54 - 0.46 * cos(2 * M_PI * n / (480 - 1));
}
// 加窗操作：x_windowed[n] = x_frame[n] * hamming[n]在嵌入式平台，窗函数通常预计算为查找表存储在Flash中，运行时只需做一次乘法累加。对于资源受限的MCU（如Cortex-M4），480次乘加操作耗时约几微秒，可忽略不计。但需注意：窗函数系数应使用Q15定点格式存储，避免浮点运算带来的性能损耗。
案例拆解：唤醒词“小度小度”的预处理参数调优
假设我们在一款智能音箱上部署唤醒模型，硬件平台为Cortex-A53（1.5GHz）搭配DSP（600MHz）。初始参数采用业界默认：fs=16kHz、帧长30ms、帧移10ms、汉明窗。实测唤醒率（True Acceptance Rate, TAR）为93%，误唤醒率（False Acceptance Rate, FAR）为每24小时1.2次。用户反馈在嘈杂环境下（如厨房油烟机噪声）唤醒率下降至78%。
分析过程：我们采集了100条失败样本，发现其中62%的失败发生在辅音起始段（如“小”字的/x/音）。进一步分析频谱，发现这些辅音的能量集中在4kHz~6kHz，而背景噪声在2kHz~3kHz有强能量。由于帧长为30ms，频率分辨率为33Hz，但时间分辨率仅为30ms——辅音起始段的瞬态变化（约5~10ms）被帧内平均平滑掉了。
调整方案：将帧长缩短至20ms（320点），帧移保持10ms。这样频率分辨率变为50Hz，时间分辨率提升至20ms，能更好捕捉辅音瞬态。同时，将窗函数改为汉宁窗（旁瓣衰减-31dB，主瓣更窄），以减少频率泄漏对弱辅音的影响。重新训练模型后，TAR提升至96.5%，FAR降至每24小时0.8次。代价是特征维度从480点FFT变为320点FFT，计算量减少约33%，但模型输入帧数增加50%（因为帧长变短，同一唤醒词产生更多帧），整体推理延迟增加约15ms，仍在可接受范围内。
经验复盘：帧长并非越长越好。对于唤醒词这种短时事件检测任务，时间分辨率往往比频率分辨率更关键。建议在调试时先固定帧移为10ms，然后以5ms为步长在20~40ms之间扫描帧长，观察TAR/FAR的权衡曲线。同时，窗函数的选择优先级为：汉明窗（默认）→ 汉宁窗（若辅音细节丢失）→ 布莱克曼窗（若需要更强旁瓣抑制，但主瓣更宽）。
常见误区与总结
- 误区一：采样率越高越好。实际上，超过16kHz的采样率对唤醒任务无显著收益，反而增加存储和计算开销。若使用48kHz采样，FFT点数需增加3倍才能获得相同频率分辨率，功耗显著上升。
- 误区二：帧移必须等于帧长。这是对“分帧”的误解。帧移小于帧长才能保证帧间连续性，避免丢失语音动态信息。标准做法是帧移为帧长的1/3~1/2。
- 误区三：窗函数可以省略。直接对矩形窗截断的信号做FFT，频谱泄漏会导致特征质量下降，模型训练时难以收敛。在边缘设备上，窗函数计算开销极小，不应省略。
- 误区四：所有设备用同一套参数。麦克风阵列的采样率、DSP的FFT硬件加速器位宽、内存带宽都会影响参数选择。例如，若DSP仅支持256点FFT，则帧长必须设为16ms（256点@16kHz），而非30ms。