4. 特征提取（上）：预加重、分帧、加窗、端点检测（VAD）

好，我们进入语音算法里最基础也最关键的一环——特征提取。

很多人觉得特征提取就是调个库，几行代码搞定。但说实话，我在项目里踩过的坑，十有八九都跟这步有关。你想想看，后面不管是做识别、唤醒还是降噪，吃的都是特征提取的“奶”。奶不对，孩子肯定长不好。

这一章我们先搞定前半部分：预加重、分帧、加窗，再加上端点检测（VAD）。这些都是信号层面的基本功，但每一个都有门道。

4.1 预加重：把高频“扶”起来

先问一个问题：为什么语音信号的高频能量通常比低频低？

原因很简单——发声时，声门脉冲的辐射特性决定了能量随频率衰减。说白了，就是嘴唇和空气的阻抗不匹配，高频能量传不出去。如果不处理，后面提取的特征会严重偏向低频，高频信息几乎被淹没。

核心公式：

y[n] = x[n] - α * x[n-1]

其中 α 通常取 0.95 ~ 0.99。α 越接近 1，高频提升越猛。

我个人习惯用 0.97。为什么？试过几次，0.97 在大多数场景下既不会让高频过冲，又能把 4kHz 以上的能量拉起来。当然，如果你做的是窄带电话语音（8kHz 采样），α 可以适当调小一点，比如 0.95。

一个小技巧：

预加重其实就是一个一阶高通滤波器。你可以用 scipy.signal.lfilter 一行实现。但注意，滤波前最好检查一下信号里有没有直流偏置，否则预加重会把直流放大，导致后续分帧后能量异常。

我曾经在一个车载项目里遇到过这个问题——麦克风有轻微直流偏移，预加重后每帧能量都偏高，VAD 死活检测不准。排查了半天才发现是硬件 bias 的问题。

4.2 分帧：把连续信号切成“小段”

语音信号是非平稳的，但它在短时间内（10~30ms）可以看作是平稳的。这个假设是傅里叶变换能用的前提。所以我们要把长信号切成一段一段的“帧”。

分帧有两个关键参数：

帧长：通常 20~30ms。太短了频率分辨率不够，太长了平稳性假设不成立。
帧移：相邻两帧起始点之间的偏移，通常取帧长的一半或三分之一。

采样率	帧长（ms）	帧长（采样点）	帧移（采样点）
16 kHz	25	400	160
16 kHz	30	480	160
8 kHz	25	200	80

嗯，这里要注意：帧移决定了时间分辨率。帧移越小，帧与帧之间重叠越多，特征序列越长，计算量也越大。但重叠能保证帧间连续性，避免在帧边界处丢失信息。

避坑指南：

我曾经在嵌入式平台上做实时语音识别，为了省算力把帧移设成了帧长的一半（50% 重叠）。结果发现端点检测的延迟大了不少，因为每帧覆盖的时间跨度变短了，VAD 需要更多帧才能确认语音起始。后来改成了 75% 重叠，延迟才降下来。

4.3 加窗：消除频谱泄漏

分帧本质上是把信号截断。截断在频域上会引入什么？——频谱泄漏。说白了，就是本来集中在某个频率的能量，扩散到了旁边的频点上。

加窗就是为了缓解这个问题。窗函数在帧的两端平滑地衰减到零，减少截断带来的突变。

4.3.1 汉明窗（Hamming Window）

汉明窗是最常用的窗之一。它的特点是旁瓣衰减比较大，能有效抑制频谱泄漏。

w[n] = 0.54 - 0.46 * cos(2πn / (N-1)),  0 ≤ n ≤ N-1

我在做语音识别时，90% 的场景都用汉明窗。它的主瓣宽度适中，旁瓣衰减约 40dB，对大多数语音任务来说够用了。

4.3.2 汉宁窗（Hanning Window）

汉宁窗和汉明窗长得很像，但系数不同：

w[n] = 0.5 - 0.5 * cos(2πn / (N-1)),  0 ≤ n ≤ N-1

区别在哪？汉宁窗在两端衰减到零，而汉明窗在两端还保留了一点幅度（0.08）。所以汉宁窗的旁瓣衰减更大（约 60dB），但主瓣稍微宽一点。

窗类型	主瓣宽度	旁瓣衰减	适用场景
矩形窗	最窄	~13 dB	几乎不用（泄漏严重）
汉明窗	中等	~40 dB	语音识别、说话人识别
汉宁窗	稍宽	~60 dB	需要更高旁瓣抑制的场景

我的选择建议：

如果你不确定用哪个，先上汉明窗。它是最稳妥的选择。汉宁窗更适合那些对频谱纯净度要求极高的场景，比如音乐信号分析或精细的谐波提取。

4.4 端点检测（VAD）：找到语音的“起止点”

VAD 的全称是 Voice Activity Detection。它的任务很简单：判断一段信号里，哪些部分是语音，哪些是静音或噪声。

为什么重要？因为后续的特征提取、识别、编码，都不希望处理无意义的噪声段。VAD 做得好，能大幅降低计算量，还能提升识别准确率。

4.4.1 基于能量的 VAD

最朴素的方法：计算每帧的短时能量，跟一个阈值比。

E = sum(x[n]^2) / N

如果能量高于阈值，判为语音；否则判为静音。

但这个方法有个致命问题——阈值怎么定？环境噪声一变，阈值就得跟着调。我在一个户外项目里试过，白天和晚上的噪声能量差了 10dB，固定阈值根本没法用。

4.4.2 基于过零率的 VAD

过零率（ZCR）是信号穿过零轴的次数。清音（如 /s/、/f/）的过零率很高，浊音（如 /a/、/i/）的过零率较低。结合能量和过零率，可以更鲁棒地判断语音段。

常用的策略是：

先计算背景噪声的能量和过零率基线。
每帧的能量和过零率同时超过基线一定倍数时，判为语音。
连续多帧低于基线时，判为静音。

一个简单的 VAD 流程：

1. 取前 10 帧计算噪声能量均值 E_noise 和过零率均值 Z_noise
2. 对每一帧：
   if E_frame > E_noise * 2.0 and Z_frame > Z_noise * 1.5:
       标记为语音
   else:
       标记为静音
3. 用 hangover 机制（延迟判决）避免语音中间短暂中断

4.4.3 基于谱熵的 VAD

能量和过零率在低信噪比下容易失效。这时候可以考虑谱熵。语音信号的频谱分布比较集中（熵低），而噪声的频谱分布比较均匀（熵高）。通过计算每帧的谱熵，可以更鲁棒地分离语音和噪声。

我在一个工厂噪声环境（SNR 约 5dB）里试过，基于能量的 VAD 基本废了，但谱熵 VAD 还能保持 80% 以上的准确率。

注意：

谱熵 VAD 计算量比能量法大不少，在低功耗设备上要谨慎使用。另外，谱熵对音乐、警报声等非语音信号也敏感，容易误判。

4.5 本章知识体系

下面这张图把本章的核心流程串起来了。你可以看到，原始语音信号经过预加重、分帧、加窗后，变成了一帧一帧的加窗信号，然后通过 VAD 筛选出有效的语音帧，送入后续的特征提取模块。

嗯，这张图里我把 VAD 的几种常用方法也列出来了。你可以根据自己的场景选——低信噪比用谱熵，低算力用能量法，追求效果用综合法或深度学习法。

4.6 小结

这一章我们聊了预加重、分帧、加窗和 VAD。这些都是语音特征提取的“地基”。

预加重：用一阶高通滤波器把高频能量补回来，α 取 0.97 是个好起点。
分帧：帧长 20~30ms，帧移取帧长的一半到四分之一，重叠能保证帧间连续性。
加窗：汉明窗是万金油，汉宁窗适合高要求场景。别用矩形窗，除非你想看频谱泄漏的“烟花”。
VAD：从简单的能量法到复杂的谱熵法，选哪种取决于你的噪声环境和算力预算。