3、语音信号预处理：预加重、分帧、加窗的原理与实现

语音信号在进入MFCC特征提取流水线之前，必须经过一系列预处理操作。原始语音波形是连续时域信号，且其频谱能量分布极不均衡——高频段能量通常远低于低频段，同时信号本身具有非平稳特性。若直接对整段语音进行傅里叶变换，将无法捕捉语音的短时动态特征。因此，预加重、分帧、加窗构成了MFCC提取的第一道工序，其质量直接决定了后续滤波器组能量计算的准确性。本章将深入剖析这三项操作的数学原理、工程实现方法及参数选择依据，并通过一个完整的案例演示预处理流程对特征结果的影响。

上图展示了语音信号从原始波形到可进行FFT分析的短时平稳帧的完整转换链路。预加重环节通过一阶高通滤波器补偿语音信号的高频衰减；分帧操作将长时非平稳信号切分为25ms左右的短时片段，近似满足平稳性假设；加窗则进一步削弱帧边界处的频谱泄漏。三者协同工作，为后续MFCC特征提取提供了符合频域分析要求的输入信号。

3.1 预加重：补偿高频能量衰减

核心原理

语音信号在发声过程中，声门激励的频谱特性呈现约-6dB/倍频程的下降趋势，即频率每升高一倍，能量衰减约6dB。同时，口唇辐射效应也会引入高频衰减。这种天然的高频衰减导致语音信号的高频段（如清音、摩擦音所在的2-8kHz区域）能量远低于低频段（如元音基频及其谐波所在的0-1kHz区域）。若不进行补偿，后续MFCC提取时，高频段的滤波器组能量将非常微弱，导致特征向量对高频语音信息不敏感。

预加重采用一阶FIR高通滤波器实现，其差分方程为：

y(n) = s(n) - α · s(n-1)

其中，s(n)为原始语音采样点，y(n)为预加重后的输出，α为预加重系数（通常取值0.95~0.99，标准值为0.97）。该滤波器的频率响应为：

H(e^jω) = 1 - α · e^(-jω)
幅度响应: |H(e^jω)| = √(1 + α² - 2α·cosω)

当α=0.97时，在8kHz频率点（对应数字角频率ω=π）处，增益约为1.97倍（约5.9dB），而在低频段（如100Hz）增益接近0.03（约-30dB），从而实现了约36dB的高频相对提升。

判断方法与参数选择

预加重系数的选择需要根据实际语音特性进行调整。判断标准如下：

• 观察频谱斜率：对预加重前后的语音分别计算功率谱，若预加重后频谱在2-4kHz范围内趋于平坦，则系数合适；若仍明显下降，可适当增大α至0.98~0.99。
• 信噪比考量：若语音中高频噪声较大（如环境风声、电路噪声），过大的α会放大噪声，此时应降低α至0.95~0.96。
• 采样率适配：对于8kHz采样率的电话语音，α通常取0.95；对于16kHz宽带语音，α取0.97；对于44.1kHz高保真语音，α可适当增大至0.98。

案例拆解：预加重对清音识别的改善

某语音识别系统在安静办公室环境下采集了500条中文命令词，其中包含大量以清音开头的词汇（如"请"、"谢谢"、"测试"）。初始系统未启用预加重，识别准确率为91.2%。分析发现，错误主要集中在清音起始的词汇上，其高频段（3-6kHz）能量极低，导致MFCC特征中高频系数（如第8-13维）几乎为零。

实施预加重后（α=0.97），清音段的高频能量得到约6dB的提升，MFCC高频维度的方差显著增大。重新训练模型后，识别准确率提升至94.8%，其中清音起始词汇的错误率降低了42%。代价是低频段（0-500Hz）的相对能量略有下降，但通过后续滤波器组的归一化处理，这一影响被有效抵消。

3.2 分帧：将非平稳信号切分为短时平稳片段

核心原理

语音信号是典型的非平稳信号，其统计特性（如均值、方差、频谱）随时间快速变化。然而，在10-30ms的短时间内，语音的声学特性可视为近似不变——声带振动周期（约5-15ms）和声道形状变化速率（约10-20ms）决定了这一时间尺度内信号具有准平稳性。分帧操作正是利用这一特性，将长时语音信号切分为一系列短时片段，每个片段可独立进行傅里叶分析。

分帧涉及两个关键参数：

• 帧长（Frame Length）：每个帧包含的采样点数。典型值为20-30ms。对于16kHz采样率，25ms对应400个采样点。帧长过短（<10ms）会导致频率分辨率不足，无法区分相近的谐波；帧长过长（>50ms）则破坏平稳性假设，引入频谱模糊。
• 帧移（Frame Shift）：相邻两帧起始点之间的间隔。典型值为5-15ms。帧移决定了帧之间的重叠程度，重叠率通常为50%-75%。帧移过大会丢失语音动态变化信息，帧移过小则产生大量冗余计算。

设总采样点数为N，帧长为L，帧移为S，则总帧数M的计算公式为：

M = floor((N - L) / S) + 1

例如，一段2秒的语音（N=32000），帧长L=400，帧移S=160，则M = floor((32000-400)/160) + 1 = 198帧。

操作流程与边界处理

1. 确定参数：根据采样率和应用场景选择帧长与帧移。语音识别常用25ms/10ms，语音合成常用20ms/5ms。
2. 计算帧数：按上述公式计算总帧数。
3. 提取帧数据：第m帧的采样点范围为 [m·S, m·S + L - 1]。
4. 边界处理：若最后一帧超出信号长度，可采用补零（Zero-padding）或丢弃该帧。补零会引入人为不连续，但影响较小；丢弃则可能丢失尾部信息。

案例拆解：帧长选择对共振峰分辨率的影响

在元音/a/的频谱分析中，前三个共振峰（F1≈800Hz, F2≈1200Hz, F3≈2500Hz）是识别元音的关键特征。当帧长为10ms（160点）时，FFT频率分辨率为100Hz（16000/160），F1和F2之间的400Hz间隔尚可分辨，但F2和F3之间的1300Hz间隔则被严重平滑。当帧长增加至25ms（400点）时，频率分辨率提升至40Hz，三个共振峰清晰可辨。

然而，帧长增加也带来了时间分辨率下降的问题。在快速语流中，辅音到元音的过渡段仅持续20-30ms，若帧长超过30ms，过渡段的动态特征将被平均化，影响声学模型的区分能力。因此，实际系统需要在频率分辨率和时间分辨率之间取得平衡，25ms/10ms是经过大量实验验证的折中方案。

3.3 加窗：抑制频谱泄漏

核心原理

分帧操作本质上是将无限长语音信号与一个矩形窗相乘，即截取一段有限长度信号。矩形窗在时域上表现为突然截断，在频域上对应主瓣窄但旁瓣高的sinc函数（第一旁瓣仅比主瓣低13.3dB）。这种旁瓣泄漏会导致频谱能量从主瓣扩散到旁瓣，产生"频谱泄漏"现象——即本应集中在某个频率的能量扩散到邻近频率，造成频谱模糊。

加窗操作是在分帧之后，将每一帧信号与一个窗函数相乘，使帧边缘的幅度平滑过渡到零，从而抑制频谱泄漏。常用的窗函数包括：

• 汉明窗（Hamming）：w(n) = 0.54 - 0.46·cos(2πn/(L-1))，0 ≤ n ≤ L-1。主瓣宽度适中，第一旁瓣衰减约43dB，是语音处理最常用的窗函数。
• 汉宁窗（Hann）：w(n) = 0.5 - 0.5·cos(2πn/(L-1))。主瓣稍宽，旁瓣衰减更快（约32dB），适合需要更平滑频谱的场景。
• 布莱克曼窗（Blackman）：w(n) = 0.42 - 0.5·cos(2πn/(L-1)) + 0.08·cos(4πn/(L-1))。旁瓣衰减最大（约58dB），但主瓣最宽，频率分辨率最低。

实现方法与参数验证

在Python中，加窗操作可通过以下代码实现：

import numpy as np

def pre_emphasis(signal, alpha=0.97):
    """预加重"""
    return np.append(signal[0], signal[1:] - alpha * signal[:-1])

def framing(signal, frame_len=400, frame_shift=160):
    """分帧"""
    num_frames = (len(signal) - frame_len) // frame_shift + 1
    frames = np.zeros((num_frames, frame_len))
    for i in range(num_frames):
        start = i * frame_shift
        frames[i] = signal[start:start + frame_len]
    return frames

def windowing(frames, win_type='hamming'):
    """加窗"""
    frame_len = frames.shape[1]
    if win_type == 'hamming':
        win = np.hamming(frame_len)
    elif win_type == 'hann':
        win = np.hanning(frame_len)
    elif win_type == 'blackman':
        win = np.blackman(frame_len)
    else:
        win = np.ones(frame_len)  # 矩形窗
    return frames * win

# 完整预处理流程
def preprocess(signal, fs=16000):
    # 1. 预加重
    emphasized = pre_emphasis(signal, alpha=0.97)
    # 2. 分帧
    frames = framing(emphasized, frame_len=int(0.025*fs), frame_shift=int(0.010*fs))
    # 3. 加窗
    windowed_frames = windowing(frames, win_type='hamming')
    return windowed_frames

验证加窗效果的方法：对加窗前后的帧分别计算FFT幅度谱，观察频谱泄漏情况。加窗后，频谱中不应出现明显的"裙边"（即主瓣两侧的周期性波纹），且各频率分量之间的间隔应更加清晰。

常见误区与总结复盘