2. 语音唤醒基础
做语音唤醒，说白了就是让机器听懂你说的话。但机器听不懂空气振动，它只认0和1。所以，我们得先把声音这种物理信号，变成数字信号。这个过程，就是本章要聊的核心。
我记得刚入行那会儿，总觉得这些基础理论没啥用，直接调库就完了。结果有一次，采样率设错了，唤醒词死活识别不出来，排查了整整两天。嗯，从那以后，我再也不敢小看这些“基础”了。
声音的物理三要素：频率、振幅、相位
声音的本质是振动。你说话时，声带在振动，空气分子被推来推去，形成疏密波。描述这个波，需要三个物理量。
- 频率（Frequency）：每秒振动的次数，单位是赫兹（Hz）。频率决定音高。女声频率高，听起来尖细；男声频率低，听起来低沉。人耳能听到的大约是20Hz到20kHz。语音信号的能量，主要集中在300Hz到3.4kHz之间。做唤醒词时，我们通常关注这个频段。
- 振幅（Amplitude）：振动的幅度，决定音量大小。振幅越大，声音越响。在数字信号里，振幅对应采样点的数值大小。
- 相位（Phase）：描述波形在某个时刻的位置状态，单位是角度或弧度。相位听起来有点抽象。我打个比方：两个人同时拍手，如果拍下去的时刻完全同步，相位差就是0；如果一个人慢半拍，就有相位差。在语音识别里，相位信息对音质影响不大，但对声源定位和某些特征提取很关键。
我的经验：做唤醒词时，频率和振幅是重点关注对象。相位信息在单麦克风方案里经常被忽略，但在麦克风阵列做波束成形时，相位差就是核心参数了。
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。计算机没法处理连续值，只能每隔一小段时间“拍一张快照”，这就是采样。再把拍到的电压值近似成整数，这就是量化。
采样（Sampling）
采样就是按固定时间间隔，读取信号的瞬时值。这个间隔的倒数，就是采样率。比如采样率16kHz，意味着每秒采样16000次。
量化（Quantization）
采样得到的电压值是连续的，但计算机只能用有限个数字表示。量化就是把连续值映射到离散的等级上。常用的量化精度是16位，也就是把信号范围分成65536个等级。
避坑指南：我曾经在一个项目里，为了省存储空间，把量化精度从16位降到了8位。结果背景噪声明显变大，唤醒率直接掉了十几个点。后来我查资料才发现，量化精度不够，会引入量化噪声。对于语音唤醒，16位是底线，别轻易动它。
奈奎斯特定理：采样的黄金法则
采样率到底设多少才够？奈奎斯特定理给出了答案：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：fs > 2 * fmax
举个例子：人声最高频率大约8kHz，那采样率至少得16kHz。这也是语音领域最常用的采样率。如果你用8kHz采样，那超过4kHz的频率成分就会混叠到低频段，产生失真。
注意：实际应用中，采样率通常取最高频率的2.5到3倍，留点余量。另外，采样前一定要加抗混叠滤波器，把高于fs/2的频率滤掉。我见过有人省了这个滤波器，结果高频噪声混叠进来，怎么调算法都没用。
语音信号的时域与频域表示
同一个语音信号，可以从两个角度看：时域和频域。
时域（Time Domain）
时域就是波形图，横轴是时间，纵轴是振幅。它能直观看到声音的响度变化、静音段、起止点。但时域看不出频率成分。
频域（Frequency Domain）
频域用频谱图表示，横轴是频率，纵轴是能量（或幅度）。它能告诉你声音里包含哪些频率成分，能量分布如何。语音识别里常用的MFCC特征，就是从频域提取的。
时域和频域通过傅里叶变换联系起来。简单说，傅里叶变换能把一段时域波形，分解成不同频率的正弦波之和。
我的习惯：调试唤醒词时，我总会在时域和频域之间来回切换。时域看端点检测有没有切准，频域看特征提取有没有丢信息。两个视角互补，缺一不可。
下面这张图，展示了语音信号从物理世界到数字世界的完整流程，以及时域和频域的关系。
采样率与量化精度怎么选？
做唤醒词开发，这两个参数是绕不开的。我整理了一张表，方便你对照参考。
| 参数 | 常用值 | 适用场景 | 注意事项 |
|---|---|---|---|
| 采样率 | 8 kHz | 电话语音、窄带通信 | 最高频率4kHz，语音清晰度有限 |
| 采样率 | 16 kHz | 语音唤醒、语音识别（主流） | 覆盖人声主要频段，性价比最高 |
| 采样率 | 44.1 kHz | 音乐、高保真录音 | 数据量大，唤醒词场景通常不需要 |
| 量化精度 | 8 bit | 低功耗、低质量场景 | 量化噪声大，不推荐用于唤醒词 |
| 量化精度 | 16 bit | 语音唤醒、语音识别（主流） | 动态范围96dB，满足大部分场景 |
| 量化精度 | 24 bit | 专业录音、高动态范围 | 数据量大，嵌入式设备慎用 |
我的建议：如果你刚开始做唤醒词开发，直接选16kHz采样率、16位量化精度。这是行业标准配置，绝大多数算法库和硬件都支持。等后面遇到具体问题，再针对性调整。
时域与频域的实际应用
在唤醒词开发中，时域和频域各有各的用处。
时域用得最多的地方：
- 端点检测（VAD）：通过短时能量和过零率，判断有没有人说话。这完全在时域做，计算量小，适合嵌入式实时处理。
- 音量归一化：调整信号振幅，让不同距离、不同音量的说话人，信号幅度大致一致。
频域用得最多的地方：
- 特征提取：MFCC、FilterBank等特征，都是从频域算出来的。这些特征是唤醒词模型的输入。
- 噪声抑制：在频域里，可以识别并衰减特定频段的噪声，比如空调低频嗡嗡声。
我的经验：有一次，唤醒词在安静环境下表现很好，一到嘈杂环境就失灵。我一看频谱，发现是某个频段的背景噪声把语音特征淹没了。后来在频域做了个简单的带通滤波，只保留300Hz到3.4kHz的语音主频段，唤醒率立刻回升。你看，懂点频域知识，关键时刻能救命。
好了，这一章的内容就这些。声音的物理特性、采样量化、奈奎斯特定理、时域频域表示，这些是语音信号处理的基石。后面讲特征提取和唤醒词模型时，你会反复用到它们。