声学信号基础：声音的物理特性与数字音频

做唤醒词模型，第一步就是跟声音打交道。你想想看，麦克风采集到的声音，到底是个什么东西？它怎么变成计算机能处理的数字信号？这里面门道不少。我刚开始接触语音识别时，觉得这些基础概念太枯燥，直接跳过去看算法了。结果调模型时发现，很多问题根源都在声学信号处理上。嗯，这一章我们就把地基打牢。

声音的物理三要素：频率、振幅、相位

声音本质上是机械波。物体振动挤压空气，形成疏密相间的纵波，传到我们耳朵里。描述这个波，有三个核心参数。

频率（Frequency）

频率决定音高。单位是赫兹（Hz），表示每秒振动次数。人耳能听到的范围大约是20Hz到20kHz。唤醒词模型主要关注的是语音频段，大概在300Hz到4kHz之间。

振幅（Amplitude）

振幅决定响度。波形图上，振幅就是波峰到波谷的高度。振幅越大，声音越响。但要注意，人耳对响度的感知是对数级的，所以我们常用分贝（dB）来表示。

相位（Phase）

相位描述波形在时间轴上的位置。单位是角度（°）或弧度（rad）。两个同频信号，相位不同，叠加后可能增强也可能抵消。这在麦克风阵列波束成形里特别重要。

从模拟到数字：采样与量化

麦克风输出的信号是连续的模拟电压。计算机只能处理离散的数字。这个转换过程叫模数转换（ADC），核心就两步：采样和量化。

采样（Sampling）

在时间轴上，每隔固定间隔取一个值。这个间隔的倒数就是采样率。比如16kHz采样率，意味着每秒取16000个点。

量化（Quantization）

把采样得到的连续电压值，映射到有限个离散等级上。常用位深是16bit，也就是把振幅范围分成65536个等级。

奈奎斯特定理：采样的黄金法则

这个定理说白了就一句话：采样率必须大于信号最高频率的两倍，才能无失真地重建原始信号。

公式很简单：f_s > 2 * f_max

如果违反这个定理，就会发生混叠（Aliasing）。高频信号会伪装成低频信号混进来，你根本分不清。

实际工程中，ADC前面都会加一个抗混叠滤波器，把高于f_s/2的频率滤掉。嗯，这个滤波器设计不好，也会引入相位失真。我在做低功耗唤醒芯片时，就遇到过滤波器阶数选低了，阻带衰减不够，还是有少量高频漏进来。后来换了个高阶滤波器才解决。

常见音频格式：WAV、PCM、MP3

做唤醒词模型，天天跟音频文件打交道。这三种格式你必须搞清楚。

PCM（Pulse Code Modulation）

最原始的数字化音频格式。就是采样量化后的裸数据，没有压缩。文件头里记录采样率、位深、声道数等信息。唤醒词模型训练，我强烈建议用PCM格式。

WAV（Waveform Audio File Format）

WAV是微软和IBM开发的容器格式。它里面装的数据，绝大多数就是PCM。所以WAV和PCM经常混着说。WAV文件有个44字节的文件头，后面跟着音频数据。

MP3（MPEG Audio Layer III）

有损压缩格式。它利用人耳的听觉掩蔽效应，去掉人耳不敏感的频率成分。压缩比高，但会丢失信息。唤醒词模型训练，千万别用MP3。压缩带来的失真，会让模型学到奇怪的特征。

本章知识体系

下面这张图，把声学信号基础的核心逻辑串起来了。从物理特性到数字表示，再到工程实践，每一步都环环相扣。

这张图把本章内容串起来了。从物理特性出发，经过采样量化，再到具体格式，最后落到唤醒词模型的工程实践。你想想看，每一步选择都会影响最终模型的效果。采样率设低了，高频信息丢失；位深不够，底噪太大；格式选错了，数据质量打折扣。

我个人觉得，声学信号基础这部分，理解概念不难，难的是在工程中做出正确取舍。比如采样率，理论上8kHz就够，我为什么用16kHz？因为要给后续的滤波、降噪留出处理余量。再比如量化位深，16bit是行业标准，但如果你做的是高动态范围的远场唤醒，24bit可能更合适。

嗯，这一章的内容就到这里。记住这些基础，后面讲特征提取、模型训练时，你会理解得更深。