4. 预加重与直流分量去除：为什么需要预加重，一阶高通滤波器实现，实战中的参数选择

好，咱们进入第四章。这一章聊的是声学特征提取里一个看似不起眼、但实际影响巨大的环节——预加重。

说实话，我刚入行那会儿，觉得预加重就是个可有可无的预处理。不就是把高频提一提嘛，能有多大差别？直到有一次我在做语音识别的前端，发现某个高频辅音（比如 /s/、/ʃ/）的识别率总是上不去。折腾了半天，最后发现是预加重参数没调对。嗯，从那以后，我再也不敢小看这一步了。

4.1 为什么需要预加重？

先问一个问题：你录一段语音，拿频谱仪一看，会发现什么？

你会发现，能量主要集中在低频段。高频部分的能量，随着频率升高，会以大约 6 dB/倍频程的速度衰减。这是声带发声的物理特性决定的——声门脉冲的频谱本身就是低通型的。

但人耳对高频的感知并不弱。尤其是辅音、摩擦音，它们的能量虽然小，却承载了大量的信息。如果直接拿原始信号做特征提取，高频成分会被低频的“大能量”淹没，模型根本学不到这些细节。

预加重的目的，说白了就是给高频“补补课”。用一个高通滤波器，把高频部分的能量抬起来，让整个频谱变得更平坦。这样后续的傅里叶变换、梅尔滤波器组才能公平地对待每一个频段。

核心观点：预加重不是“改变信号”，而是“补偿信号”。它补偿的是声门脉冲和唇辐射带来的频谱倾斜，让分析结果更接近人耳的听觉特性。

另外，预加重还有一个附带的好处——数值稳定性。高频信号的能量被提升后，在后续的 FFT 计算中，数值的动态范围会变小，不容易出现浮点精度问题。这一点在嵌入式平台上尤其明显，我踩过这个坑。

4.2 一阶高通滤波器实现

预加重最常用的实现方式，就是一个一阶高通 FIR 滤波器。公式非常简单：

y[n] = x[n] - α * x[n-1]

其中，α 是预加重系数，取值范围通常在 0.9 到 1.0 之间。这个滤波器在 z 域上的传递函数是：

H(z) = 1 - α * z⁻¹

它的频率响应在直流处（0 Hz）是 1 - α，在奈奎斯特频率处是 1 + α。所以 α 越接近 1，低频衰减越厉害，高频提升越明显。

下面是一个 Python 实现，我习惯用 scipy.signal.lfilter 来做，但为了让你看清本质，我写一个纯 NumPy 版本：

import numpy as np

def pre_emphasis(signal, alpha=0.97):
    """
    一阶高通滤波器实现预加重
    :param signal: 输入信号 (1D array)
    :param alpha: 预加重系数，通常 0.95 ~ 0.99
    :return: 预加重后的信号
    """
    # y[n] = x[n] - alpha * x[n-1]
    emphasized = np.append(signal[0], signal[1:] - alpha * signal[:-1])
    return emphasized

注意第一帧的处理：y[0] = x[0]，因为没有 x[-1]。这个细节容易被忽略，但影响不大，因为第一帧的能量通常很小。

如果你用 scipy，也可以这样写：

from scipy.signal import lfilter

def pre_emphasis_scipy(signal, alpha=0.97):
    b = [1, -alpha]  # 分子系数
    a = [1]          # 分母系数（FIR 滤波器）
    return lfilter(b, a, signal)

两种写法结果完全一致。我个人更喜欢用 NumPy 版本，因为少一个依赖，而且代码更直观。

4.3 实战中的参数选择

预加重系数 α 怎么选？这是实战中最常见的问题。我直接给结论：

应用场景	推荐 α 值	说明
语音识别（通用）	0.97	最常用，平衡低频衰减和高频提升
说话人识别	0.95 ~ 0.97	稍微保守一点，保留更多低频信息
音乐分析	0.90 ~ 0.95	音乐频谱更丰富，过度预加重会失真
噪声环境下的语音	0.98 ~ 0.99	更强的预加重可以突出高频信噪比
儿童语音	0.95 ~ 0.96	儿童声带短，高频能量本身较高

你可能会问：为什么是 0.97 这个数字？

其实没有绝对的标准。0.97 这个值最早来自 HTK（Hidden Markov Model Toolkit）的默认配置，后来被 Kaldi、Librosa 等工具继承。它对应的是 16 kHz 采样率下的一个经验值。如果采样率变了，α 也需要调整。

经验公式：对于采样率 fs，预加重系数可以近似为 α = exp(-2π * fc / fs)，其中 fc 是截止频率，通常取 50 ~ 100 Hz。比如 fs = 16000，fc = 80，算出来 α ≈ 0.97。

我曾经在一个项目里，采样率是 8 kHz（电话语音），直接用了 0.97，结果低频被削得太狠，元音听起来像“漏气”一样。后来改成 0.94，效果就好了很多。所以，不要盲目照搬默认值，要根据你的采样率和信号特性来调。

4.4 直流分量去除

说完预加重，顺便提一下直流分量去除。这两个操作经常放在一起做，但目的不同。

直流分量（DC offset）是指信号中有一个恒定的偏移量。比如麦克风有偏置电压，或者 ADC 的参考电压不准，都会导致信号整体上移或下移。这个偏移量在频谱上表现为 0 Hz 处的能量，对后续分析没有任何帮助，反而会干扰 FFT 的结果。

去除直流分量的方法很简单：减去信号的均值。

def remove_dc_offset(signal):
    return signal - np.mean(signal)

或者用高通滤波器，截止频率设到 20 Hz 以下，也能达到同样的效果。我个人习惯先做直流去除，再做预加重。顺序很重要：

先去除直流：避免直流分量被预加重放大（虽然一阶高通本身会衰减直流，但先去掉更干净）。
再做预加重：补偿高频。

注意：如果信号本身已经做过高通滤波（比如某些麦克风自带 HPF），再叠加预加重可能会导致低频过度衰减。这种情况下，可以适当降低 α 值，或者干脆跳过预加重。

4.5 知识体系图

下面这张图总结了本章的核心逻辑：

4.6 实战中的几个坑

最后，分享几个我踩过的坑，希望能帮你省点时间：

坑一：预加重和加窗的顺序。 有些教程先加窗再预加重，这是错的。预加重必须在分帧加窗之前做，否则帧边界处的信号会被截断，导致高频失真。
坑二：α 值过大导致低频丢失。 如果 α 超过 0.99，低频几乎被完全滤除，元音的共振峰结构会被破坏。我见过有人用 0.999，结果语音听起来像“机器人”。
坑三：忘记去除直流。 有些麦克风模块（比如 MEMS 麦克风）输出的信号自带直流偏置。如果不做直流去除，预加重后的第一帧会有一个明显的跳变，影响后续的 VAD（语音活动检测）。
坑四：在浮点精度低的平台上使用过大的 α。 比如在 ARM Cortex-M4 上，如果 α = 0.999，1 - α 会非常小，导致低频部分的数值精度丢失。建议在嵌入式平台上使用 Q15 定点数，或者限制 α ≤ 0.98。

📚 课程目录

4. 预加重与直流分量去除：为什么需要预加重，一阶高通滤波器实现，实战中的参数选择

4.1 为什么需要预加重？

4.2 一阶高通滤波器实现

4.3 实战中的参数选择

4.4 直流分量去除

4.5 知识体系图

4.6 实战中的几个坑