4、时域特征提取（下）：自相关函数、基频（F0）估计、音量包络提取

上一章我们聊了短时能量、过零率和短时自相关。说实话，那些都是热身。这一章才是时域特征里真正硬核的东西——基频估计和音量包络。

基频是什么？说白了就是声音的基本振动频率。人说话、唱歌、乐器发声，都有个最低的重复频率，那就是F0。你想想看，为什么男声低沉、女声尖细？就是因为基频不同。男声大概在85-180Hz，女声在165-255Hz，小孩能到300Hz以上。

音量包络呢？它描述的是声音响度随时间的变化曲线。没有包络，声音就是平的、死的。有了包络，你才能听出“哒哒哒”的打击感，或者“呜——”的持续感。

好，我们一个一个来拆。

4.1 自相关函数（ACF）——基频估计的基石

基频估计的方法很多，但最经典、最直观的，就是自相关函数法。我在项目里做语音性别识别时，用的就是它。

自相关的核心思想很简单：把一个信号和它自己延迟后的版本做相关。如果延迟量刚好等于基频周期，两个波形就会高度重合，相关值达到峰值。

数学上，对于离散信号 x[n]，自相关函数定义为：

R[k] = Σ x[n] · x[n + k]   (n从0到N-1-k)

其中 k 是延迟量（lag）。R[k] 越大，说明延迟 k 个样本后信号和原信号越像。

嗯，这里要注意：直接计算自相关，计算量很大。N个点，k从0到N-1，复杂度是O(N²)。我早期做嵌入式开发时，芯片算力有限，根本跑不动。后来改用快速自相关——先做FFT，频域相乘，再IFFT回来，复杂度降到O(N log N)。

4.2 基频（F0）估计——从自相关到精确频率

有了自相关函数，找基频就变成了找峰值。但这里有个坑——自相关函数在 k=0 处永远是最大值（因为信号和自己完全对齐）。所以我们要跳过 k=0，在合理延迟范围内找第一个显著峰值。

具体步骤：

1. 预处理：对信号加窗（汉明窗），去除直流分量。
2. 计算自相关：用快速自相关或直接计算。
3. 峰值检测：在预设延迟范围内找最大值。
4. 频率换算：F0 = 采样率 / 峰值对应的延迟。

代码实现大概是这样：

def estimate_f0(x, fs, f0_min=50, f0_max=500):
    # 计算自相关
    N = len(x)
    lag_min = int(fs / f0_max)
    lag_max = int(fs / f0_min)
    
    # 只计算需要的延迟范围
    R = np.zeros(lag_max - lag_min)
    for k in range(lag_min, lag_max):
        R[k - lag_min] = np.sum(x[:N-k] * x[k:])
    
    # 找峰值
    peak_idx = np.argmax(R) + lag_min
    f0 = fs / peak_idx
    return f0

我曾经在一个语音合成项目里用这个算法，结果发现清音段（辅音）也会算出基频，而且值乱跳。后来加了 voiced/unvoiced 判决——如果自相关峰值低于某个阈值，就判定为清音，F0置为0或NaN。

4.3 音量包络提取——让声音“活”起来

音量包络，说白了就是声音响度随时间变化的轮廓。它不像瞬时能量那样毛刺多，而是平滑地勾勒出声音的“形状”。

提取包络最常用的方法是希尔伯特变换。希尔伯特变换能构造出信号的解析信号，取模就得到瞬时包络。

数学上：

解析信号: x_a(t) = x(t) + j · H{x(t)}
瞬时包络: e(t) = |x_a(t)| = sqrt(x(t)² + H{x(t)}²)

其中 H{x(t)} 是 x(t) 的希尔伯特变换。

代码实现：

def hilbert_envelope(x):
    # 希尔伯特变换
    analytic = scipy.signal.hilbert(x)
    envelope = np.abs(analytic)
    return envelope

你想想看，这个包络有什么用？动态范围压缩、自动增益控制、语音端点检测，都离不开它。我在做音频剪辑软件时，就用包络来做“淡入淡出”——检测到包络低于阈值就自动切掉静音段。

不过希尔伯特变换有个问题：计算量大，而且对非平稳信号效果一般。实际工程中，我更喜欢用低通滤波法：

1. 对信号取绝对值（全波整流）。
2. 通过一个低通滤波器（截止频率通常设为10-50Hz）。
3. 得到平滑的包络曲线。

这个方法简单粗暴，但效果足够好。我做过对比，在语音信号上，低通滤波法和希尔伯特法的包络形状几乎一致，但前者速度快了10倍。

4.4 本章知识体系

下面这张图，把本章的核心逻辑串起来了。从原始信号出发，经过自相关函数得到基频估计，经过包络提取得到音量轮廓。两条线并行，互不干扰。

4.5 工程实践中的常见问题