音频信号基础：采样率与量化精度、奈奎斯特定理、时域与频域表示、分帧与加窗
各位同学，欢迎来到第二章。说实话，音频信号处理是整个语音识别前端的第一道关卡。你后面模型再厉害，如果前端信号处理没做好，那就是「垃圾进，垃圾出」。我见过太多项目，花了大把时间调模型，结果发现是采样率设错了，或者加窗方式不对——嗯，这种坑我自己也踩过。
这一章我们就把音频信号的几个核心概念彻底讲透。你理解了这些，后面做特征提取、降噪、端点检测，心里才有底。
2.1 采样率：把连续声音变成离散点
声音在自然界是连续的波形，但计算机只能处理离散的数字。采样，就是每隔一小段时间，记录一次声音的瞬时幅度值。
采样率（Sample Rate）就是每秒采样的次数，单位是 Hz。比如 16000 Hz，意思是一秒采 16000 个点。
| 采样率 | 常见场景 | 我的建议 |
|---|---|---|
| 8000 Hz | 电话语音 | 够用，但高频信息丢失严重 |
| 16000 Hz | 语音识别标准 | 首选，兼顾精度与计算量 |
| 44100 Hz | 音乐 CD | 语音识别没必要，浪费算力 |
| 48000 Hz | 专业音频 | 除非做多模态，否则不推荐 |
2.2 奈奎斯特定理：为什么不能随便降采样
你可能会问：采样率是不是越高越好？也不是。但采样率太低，问题就大了。
奈奎斯特定理说得很清楚：采样率必须大于信号最高频率的两倍，否则就会发生混叠（Aliasing）。
举个例子。人声最高频率大约 8000 Hz，那么采样率至少需要 16000 Hz。如果你用 8000 Hz 去采，那 4000 Hz 以上的频率就会「伪装」成低频信号混进来——你听到的声音就失真了。
实际工程中，我们通常留一点余量。比如语音用 16000 Hz（理论最低 16000 Hz 刚好够），但保险起见会用到 22050 Hz。不过我个人习惯还是 16000 Hz，配合一个截止频率在 7500 Hz 左右的抗混叠滤波器，效果很稳。
2.3 量化精度：每个采样点用多少比特
采样决定了「什么时候采」，量化决定了「采到的值用多少精度存」。
量化精度（Bit Depth）就是每个采样点用多少位二进制数表示。常见的有 8 bit、16 bit、24 bit、32 bit float。
- 8 bit：256 个等级，噪声大，基本不用
- 16 bit：65536 个等级，语音识别标准配置
- 24 bit：16777216 个等级，动态范围更大
- 32 bit float：浮点表示，适合中间处理，不适合存储
量化精度直接影响信噪比（SNR）。每增加 1 bit，理论上信噪比提升约 6 dB。16 bit 的理论动态范围是 96 dB，对于语音来说已经足够。
2.4 时域与频域：同一信号的两副面孔
音频信号有两种最基本的表示方式：时域和频域。
时域就是波形图，横轴是时间，纵轴是幅度。你看到的就是声音的「原始模样」——哪里声音大，哪里声音小，哪里是静音。
频域则是频谱图，横轴是频率，纵轴是能量。它告诉你声音里包含哪些频率成分，每个频率有多强。
从时域到频域，靠的是傅里叶变换（FFT）。这个变换本身不复杂，但你要理解它的物理意义：把一段信号分解成不同频率的正弦波之和。
我刚开始学的时候，总觉得时域更直观。但做语音识别，频域才是主角。为什么？因为人耳对频率的感知比对幅度的感知更敏感。而且语音的语义信息，主要藏在频率分布里，而不是波形形状里。
2.5 分帧：语音信号不是平稳的，但短时是
语音信号是非平稳的——你的发音在不停变化。但有一个重要的假设：在极短的时间（10-30 毫秒）内，信号可以看作是平稳的。这就是短时平稳假设。
基于这个假设，我们把长语音切成一段段短片段，每段叫一帧（Frame）。
帧长一般取 20-30 毫秒。太短了，频率分辨率不够；太长了，平稳假设不成立。
帧移（Hop Size）是相邻两帧起始位置之间的间隔。通常取帧长的一半或三分之一，保证帧与帧之间有重叠，避免信息丢失。
| 参数 | 典型值 | 说明 |
|---|---|---|
| 帧长 | 25 ms（400 点 @16kHz） | 兼顾频率分辨率和时间分辨率 |
| 帧移 | 10 ms（160 点 @16kHz） | 60% 重叠，保证帧间连续性 |
| 每帧点数 | 512 或 1024 | 通常取 2 的幂，方便 FFT |
2.6 加窗：避免频谱泄漏
直接对一帧信号做 FFT 会有一个问题：帧的边界处信号被「硬切」了，导致频谱中出现原本不存在的频率成分——这就是频谱泄漏。
解决办法是加窗。用一个窗函数（Window Function）乘以原始信号，让帧两端的幅度平滑地衰减到零。
常用的窗函数有几种：
- 汉明窗（Hamming Window）：语音识别最常用，旁瓣衰减适中
- 汉宁窗（Hann Window）：旁瓣衰减更快，但主瓣稍宽
- 布莱克曼窗（Blackman Window）：旁瓣衰减最大，但频率分辨率最低
我个人习惯用汉明窗。它在主瓣宽度和旁瓣衰减之间取得了很好的平衡，语音识别领域几乎成了默认选择。
// 汉明窗公式
w[n] = 0.54 - 0.46 * cos(2 * PI * n / (N - 1))
// 加窗操作
x_windowed[n] = x[n] * w[n]注意，加窗是在分帧之后、FFT 之前做的。顺序不能乱。
2.7 知识体系总览
下面这张图把本章的核心概念串起来了。你可以看到，从原始声音到可处理的频域特征，中间经历了采样、量化、分帧、加窗、FFT 这几个关键步骤。
你看，从模拟声音到频域特征，每一步都有它的物理意义和工程考量。采样率决定了你能看到多高的频率，量化精度决定了信号的动态范围，分帧和加窗则是为了满足 FFT 的前提条件。
这些概念单独看都不难，但组合在一起，就是整个语音识别前端的基石。后面讲 MFCC、滤波器组、降噪算法，全都建立在这些基础之上。