2. 语音基础
做唤醒词识别，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现象，变成数字信号。这一章，我就带你把这层窗户纸捅破。
声音的物理三要素：频率、振幅、相位
声音的本质是什么？是空气的疏密振动。这种振动有三个基本属性，我管它们叫「三要素」。
- 频率（Frequency）：每秒振动的次数，单位是赫兹（Hz）。频率决定了音调高低。女声尖细，因为频率高（200-800 Hz）；男声低沉，因为频率低（80-400 Hz）。
- 振幅（Amplitude）：振动的幅度，决定了音量大小。振幅越大，声音越响。
- 相位（Phase）：振动在时间轴上的起始位置，单位是度（°）或弧度（rad）。相位单独听没啥感觉，但多个声音叠加时，相位关系会严重影响最终效果。
一个我踩过的坑： 刚做语音项目时，我总觉得相位不重要，反正人耳听不出来。直到有一次做双麦克风降噪，两个通道的相位没对齐，结果噪声没消掉，反而把语音给抵消了。嗯，从那以后我再也不敢小看相位了。
这三者的关系，可以用一个正弦波公式概括：
s(t) = A * sin(2πft + φ)其中 A 是振幅，f 是频率，φ 是相位。你想想看，任何复杂的声音，比如你的说话声，都可以拆解成无数个不同频率、振幅、相位的正弦波叠加。这就是傅里叶变换的核心思想，后面我们会用到。
从模拟到数字：采样率与量化
麦克风输出的信号是连续的模拟电压，但计算机只能处理离散的数字。怎么转？两步走：采样和量化。
采样（Sampling）
每隔一小段时间，抓取一个瞬间的电压值。这个间隔的倒数就是采样率，单位是 Hz。比如 16 kHz 采样率，就是每秒抓 16000 个点。
量化（Quantization）
把抓到的电压值，用二进制数表示。每个样本用多少位二进制数，就是位深度。常见的是 16 位，也就是每个样本用 16 个 0 或 1 表示，取值范围是 -32768 到 32767。
| 参数 | 常见值 | 说明 |
|---|---|---|
| 采样率 | 16 kHz | 唤醒词识别的黄金标准，兼顾精度与计算量 |
| 采样率 | 44.1 kHz | CD 音质，用于音乐，唤醒词场景没必要 |
| 位深度 | 16 bit | 动态范围 96 dB，够用 |
| 位深度 | 24 bit | 动态范围 144 dB，录音棚级别 |
我的个人习惯： 做嵌入式唤醒词项目，我一般固定用 16 kHz、16 bit、单声道。为什么？因为再高的采样率，对唤醒词准确率提升微乎其微，但计算量翻倍，电池扛不住。
奈奎斯特定理：采样的底线
采样率是不是越高越好？理论上是的，但实际有成本限制。那最低能低到多少？这就引出了奈奎斯特定理。
定理很简单：采样率必须大于信号最高频率的两倍，否则会发生混叠（Aliasing），导致信号失真。
fs > 2 * f_max举个例子：人声的最高频率大约 8 kHz。所以采样率至少得 16 kHz。如果你用 8 kHz 采样，那 4 kHz 以上的频率就会「伪装」成低频信号混进来，听起来怪怪的。
我曾经犯过的错： 有一回为了省存储空间，我把采样率降到 8 kHz，结果唤醒词在安静环境下还行，一到嘈杂环境就频繁误唤醒。排查了半天，发现是高频噪声混叠到了低频段，把特征搞乱了。从那以后，我老老实实加了个抗混叠滤波器，采样率也回到了 16 kHz。
为什么会这样？因为采样率不够，高频信号会「折叠」回低频区域。你想想看，原本 6 kHz 的噪声，用 8 kHz 采样后，会变成 2 kHz 的信号，跟语音混在一起，谁也分不清。
知识体系总览
下面这张图，把本章的核心逻辑串起来了。从物理世界的声音，到数字世界的样本，每一步都有对应的参数和约束。
你看，从物理声音到数字信号，中间经过了采样和量化两道关卡。而奈奎斯特定理，就是采样这关的「红线」。踩了这条线，后面的工作全白费。
一个小技巧： 实际工程中，采样率一般取最高频率的 2.5 到 3 倍，留点余量。比如人声最高 8 kHz，我用 22.05 kHz 采样，既保证质量，又不会太浪费资源。当然，唤醒词场景 16 kHz 完全够用。
好了，这一章的内容就这些。你只要记住：频率决定音调，振幅决定音量，相位影响叠加效果；采样和量化是把模拟信号变数字的两步；奈奎斯特定理是采样率的下限。这些概念后面会反复用到，尤其是做特征提取的时候。