📚 课程目录第1章课程导入

1. 课程导入

做音频算法这些年，我最大的体会是：所有声学特征提取的根，都扎在声学基础里。你想想看，无论是做语音识别、声纹识别，还是音乐信息检索，最终都是在跟声音的三个物理属性打交道——频率、振幅、相位。这一章，我们就从最底层把这些概念捋清楚。

声音的本质是什么？说白了，就是空气分子在介质中传播的机械振动。这个振动可以用三个维度来描述：

属性	物理含义	人耳感知	我在项目中踩过的坑
频率	每秒振动的次数（Hz）	音调高低	采样率不够时，高频成分直接混叠，听感像「嘶嘶声」
振幅	振动的最大偏移量	响度大小	归一化时忘记考虑直流偏置，导致静音段被放大
相位	振动起始点的角度（°或rad）	空间定位（双耳差）	做波束成形时，相位校准偏差1°就导致指向性偏移

核心记忆点：频率决定「是什么音」，振幅决定「有多响」，相位决定「从哪来」。特征提取时，我们最常用的是频率和振幅，相位往往在空间音频场景才重点处理。

我刚入行时，总觉得时域和频域是两个世界的东西。后来带我的老工程师说了一句话，我记到现在：「时域是声音的日记，频域是声音的族谱」。

举个例子：一段钢琴的C4音（约262Hz）和一段小提琴的C4音，时域波形完全不同，但频域谱线的主峰都在262Hz。频域帮你抓住了本质特征，过滤掉了演奏方式、乐器音色等「干扰信息」。

我的习惯：做特征提取前，先看一眼时域波形，确认有没有削波、直流偏置、突发噪声。然后再切到频域看能量分布。两个视角互补，缺一不可。

傅里叶变换（Fourier Transform, FT）是声学特征提取的第一块基石。它的数学形式长这样：

X(f) = ∫_{-∞}^{∞} x(t) · e^{-j2πft} dt

别被积分符号吓到。我换个说法你就懂了：傅里叶变换就是「用一堆不同频率的正弦波，去拟合原始信号」。每个正弦波对应一个频率，它的系数（幅度和相位）就是频域里的值。

为什么会这样？因为正弦波是「正交基函数」——它们之间互不干扰，可以独立地表示信号中的各个频率成分。你想想看，这就像用红绿蓝三原色去分解一幅彩色照片，每种颜色独立存在。

实际音频信号是离散的采样点，所以我们用离散傅里叶变换：

X[k] = Σ_{n=0}^{N-1} x[n] · e^{-j2πkn/N},  k = 0, 1, ..., N-1

直接算DFT，复杂度是O(N²)。N=1024时，要算100多万次乘法。而FFT（Cooley-Tukey算法）把复杂度降到O(N log₂N)，N=1024时只需约1万次。我在嵌入式设备上做实时特征提取时，FFT是必选项，否则CPU直接跑满。

我曾经踩过的坑：FFT的点数N必须满足2的幂次（如512、1024、2048）。有一次我图省事用了N=1000，结果FFT库直接报错，查了半天才发现是点数不对。另外，N越大频率分辨率越高（Δf = fs/N），但时间分辨率会下降——这是经典的「不确定性原理」在信号处理中的体现。

下面这张SVG图，把本章的核心逻辑串起来了。我建议你把它存下来，后面每学一章都回来对照一下。

做特征提取时，这几个参数你几乎每天都会碰到。我列了个速查表：

一个小技巧：如果你不确定选多少点，先定帧长（比如25ms），再算N = round(fs × 0.025)，然后向上取整到最近的2的幂。比如fs=16000时，25ms对应400个点，向上取整到512。这样既保证时间分辨率，又满足FFT要求。

嗯，到这里，声学基础的第一块砖就砌好了。我们理清了：