1、聲波的特性

聲波在空氣中是一種縱波，它的振動(dòng)方向和傳播方向是一致的。聲音在空氣中的震動(dòng)形成壓力波，產(chǎn)生壓強(qiáng)，經(jīng)過(guò)傳感器接受轉(zhuǎn)化，變成時(shí)變的電壓信號(hào)。

聲波的特性主要包括頻率和聲強(qiáng)。某一瞬間介質(zhì)中的壓強(qiáng)相對(duì)于無(wú)聲波時(shí)壓強(qiáng)的改變量稱為聲壓，記為p(t),單位時(shí)Pa。

聲壓級(jí)（sound pressure level, SPL),一般把很小的聲壓p0=2X10^(-5)Pa作為參考聲壓，把所要測(cè)量的聲壓p與參考聲壓的比值取對(duì)數(shù)后，乘以20得到的數(shù)值稱為聲壓級(jí)。

國(guó)家標(biāo)準(zhǔn)規(guī)定住宅區(qū)白天的噪音不能超過(guò)50dB,夜間應(yīng)低于45分貝。

衡量聲壓的信噪比(signal to noise ratio, SNR)單位也用分貝，且數(shù)值越高，表示聲音越干凈，噪聲比例越少。

2、聲音的接受裝置：動(dòng)圈式/電容式麥克風(fēng)。

動(dòng)圈式麥克風(fēng)： 精度、靈敏度較低，體積大，其突出特點(diǎn)是輸出阻抗小，所以接較長(zhǎng)的電纜也不降低其靈敏度，溫度和濕度的變化對(duì)其靈敏度也無(wú)大的影響， 用于語(yǔ)音廣播、擴(kuò)聲系統(tǒng) 。

電容式麥克風(fēng)： 音質(zhì)好，靈敏度較高，但需要電源， 適用于舞臺(tái)、錄音室等。

3、麥克風(fēng)的性能指標(biāo)

• 指向性：麥克風(fēng)對(duì)于不同方向的聲音靈敏度，稱為麥克風(fēng)的指向性。指向性用麥克風(fēng)正面 0°方向和背面 180 °方向上的靈敏度的差值來(lái)表示，差值大于 15dB 者稱為強(qiáng)方向性麥克風(fēng)。
• 全指向性 麥克風(fēng)從各個(gè)方向拾取聲音的性能一致。當(dāng)說(shuō)話的人要來(lái)回走動(dòng)時(shí)采用此類麥克風(fēng)較為合適。
• 心形指向：麥克風(fēng)的靈敏度在水平方向呈心臟形，正面靈敏度最大側(cè)面稍小，背面最小。這種麥克風(fēng)在多種擴(kuò)音系統(tǒng)中都有優(yōu)秀的表現(xiàn)。
• 單指向性：麥克風(fēng)又稱為超心形指向性麥克風(fēng)，它的指向性比心形麥克風(fēng)更尖銳，正面敏度極高，其它方向靈敏度急劇衰減，特別適用于高噪音的環(huán)境。
• 頻率響應(yīng)：表示麥克風(fēng)拾音的頻率范圍，以及在此范圍內(nèi)對(duì)聲音各頻率的靈敏度。一般說(shuō)來(lái)， 頻率范圍越寬、頻響曲線愈平直越好。
• 靈敏度：一定強(qiáng)度的聲音作用下輸出電信號(hào)的大小，以分貝表示，并規(guī)定 1V/Pa 為 0dB ，因話筒輸出一般為毫伏級(jí)，所以，其靈敏度的分貝值始終為負(fù)值。
• 輸出阻抗

4、麥克風(fēng)陣列的功能

麥克風(fēng)陣列有線型、圓形等多種排列方式，主要實(shí)現(xiàn)一下功能：

①語(yǔ)音增強(qiáng)（Speech Enhancement)

②聲源定位(Source Localization)

③去混響（Dereverberation)

④生源信號(hào)提取（分離）

5、聲音的采樣——奈奎斯特定理

聲音的采樣需要滿足采樣定理：當(dāng)采樣率大于信號(hào)中最高頻率的兩倍時(shí)，采樣之后的數(shù)字信號(hào)能夠完后曾保留原始信號(hào)中的信息。采樣定律又稱為奈奎斯特(Nyquist)定理。

6、聲音的量化

所謂量化，就是把經(jīng)過(guò)采樣(抽樣)得到的瞬時(shí)值將其幅度離散，即用一組規(guī)定的電平，把瞬時(shí)抽樣值用最接近的電平值來(lái)表示；或指把輸入信號(hào)幅度連續(xù)變化的范圍分為有限個(gè)不重疊的子區(qū)間（量化級(jí)），每個(gè)子區(qū)間用該區(qū)間內(nèi)一個(gè)確定數(shù)值表示，落入其內(nèi)的輸入信號(hào)將以該值輸出，從而將連續(xù)輸入信號(hào)變?yōu)榫哂杏邢迋€(gè)離散值電平的近似信號(hào)。

按照量化級(jí)的劃分方式分，有均勻量化和非均勻量化。

均勻量化：ADC輸入動(dòng)態(tài)范圍被均勻地劃分為2^n份。

非均勻量化：ADC輸入動(dòng)態(tài)范圍的劃分不均勻，一般用類似指數(shù)的曲線進(jìn)行量化。

非均勻量化是針對(duì)均勻量化提出的，因?yàn)橐话愕恼Z(yǔ)音信號(hào)中，絕大部分是小幅度的信號(hào)，且人耳聽(tīng)覺(jué)遵循指數(shù)規(guī)律。為了保證關(guān)心的信號(hào)能夠被更精確的還原，我們應(yīng)該將更多的bit用于表示小信號(hào)。常見(jiàn)的非均勻量化有A律和μ率等，它們的區(qū)別在于量化曲線不同。

7、語(yǔ)音文件格式的重要參數(shù)

采樣率：8kHz(電話、嵌入式）、16kHz(PC)、44.1kHz（CD)

采樣精度（量化位數(shù)）：即每次取樣信息量。

比特率：（bps: bits per second), 如8k16bit為kpbs

語(yǔ)音通道數(shù)：語(yǔ)音通道數(shù)的個(gè)數(shù)表明語(yǔ)音產(chǎn)生的波形數(shù)，一般分為單聲道和立體聲道。單聲道產(chǎn)生一個(gè)波形，立體聲道則產(chǎn)生兩個(gè)波形。

8、語(yǔ)音的編碼

8.1 PCM編碼

·??????? 脈沖編碼調(diào)制（ pulse code modulation, PCM ）是將模擬信號(hào)經(jīng)采樣、量化、編碼的過(guò)程。它只將編碼后的數(shù)據(jù)保存，并不保存任何格式信息。最大優(yōu)點(diǎn)是音質(zhì)好，最大缺點(diǎn)是占用存儲(chǔ)空間。

·??????? PCM 是 PC 麥克風(fēng)常用格式（ 寬帶錄音 ,16k16bit 可保存為 PCM raw data (.raw 文件 , 無(wú)頭部)或 Microsoft PCM 格式(.wav 文件) 。

·??????? 還有一種編碼是自適應(yīng)差分 PCM(ADPCM)、ADPCM編碼是有損編碼( 32kbps)，保存為 Microsoft ADPCM 格式 (.wav 文件) 。

·??????? 存儲(chǔ)格式：

- PCM raw data(*.raw)

- Microsoft PCM(*.wav)

- Microsoft ADPCM(*.wav)

8.2 mp3編碼

MP3對(duì)音頻信號(hào)采用的是有損壓縮方式，壓縮率高達(dá)10:1~12:1 。為了降低聲音失真度， MP3 采取了 感官編碼技術(shù)并使壓縮后的文件回放時(shí)能夠達(dá)到比較接近原始音頻數(shù)據(jù)的聲音效果。

8.3 A-law(A律)編碼

1.ITU-T （國(guó)際電聯(lián)電信標(biāo)準(zhǔn)局）定義的關(guān)于脈沖編碼的一種壓縮解壓縮算法。

2.世界上大部分國(guó)家采用 A-law(A 律 壓縮算法。美國(guó)采用 𝜇-law(𝜇律)算法進(jìn)行脈沖編碼。

3.固話錄音(300-3300Hz)常用的格式(窄帶錄音 , 8k8bit)。

8.4 Speex編碼

Speex 是一種音頻編解碼的開(kāi)源庫(kù)，壓縮率變化范圍較廣，比特率 2kbps 到 44kpbs ，常用于網(wǎng)絡(luò)狀況復(fù)雜多變的移動(dòng)終端應(yīng)用。

8.5 其他常用格式

• AMR (Adaptive Multi Rate) ：每秒鐘的 AMR 音頻大小可控制在 1K字節(jié)左右，常用于彩信、微信語(yǔ)音，但失真比較厲害。
• WMA (Windows Media Audio) ：為抗衡 MP3 ，微軟公司推出的一種新的音頻格式，在壓縮比和音質(zhì)方面都超過(guò)了 MP3 。
• AAC (Advanced Audio Coding) ：相對(duì)于 MP3，AAC 格式的音質(zhì)更佳，文件更小。
• M4A : MPEG 4 音頻標(biāo)準(zhǔn)的文件的擴(kuò)展名，最常用的 .m4a 文件是使用 AAC 格式的。
• FLAC (Free Lossless Audio Codec) ：自由音頻壓縮編碼 2012 年以來(lái)被很多軟硬件產(chǎn)品支持，其特點(diǎn)是無(wú)損壓縮，不會(huì)破壞` 任何音頻信息。

9 wav文件

WAV 文件是以 RIFF (resource interchange file format) 的檔案格式儲(chǔ)存，包含文件頭（ Header ）與數(shù)據(jù) Data ）。

WAV 文件頭由若干個(gè) Chunk 組成的，按照在文件中的出現(xiàn)位置包括：WAVECHUNK, FMTCHUNK, FACTCHUNK( 可選 ), DATACHUNK ，具體包括如下結(jié)構(gòu)體：

Header					Data
WAVECHUNK	FMTCHUNK		FACTCHUNK	DATACHUNK

Wav文件頭部格式說(shuō)明表

	偏移地址	字節(jié)數(shù)	數(shù)據(jù)類型	內(nèi) 容
文件頭	00H	4	char	"RIFF"標(biāo)志
	04H	4	long	文件長(zhǎng)度
	08H	4	char	"WAVE"標(biāo)志
	0CH	4	char	"fmt"標(biāo)志
	10H	4		過(guò)渡字節(jié)（不定）
	14H	2	short	格式類別（10H為PCM形式的聲音數(shù)據(jù))
	16H	2	short	通道數(shù)，單聲道為1，雙聲道為2
	18H	4	long	采樣率（每秒樣本數(shù)），表示每個(gè)通道的播放速度，
	1CH	4	long	波形音頻數(shù)據(jù)傳送速率，其值為通道數(shù)×每秒數(shù)據(jù)位數(shù)×每樣本的數(shù)據(jù)位數(shù)／8。 播放軟件利用此值可以估計(jì)緩沖區(qū)的大小。
	20H	2	short	數(shù)據(jù)塊的調(diào)整數(shù)（按字節(jié)算的），其值為通道數(shù)×每樣本的數(shù)據(jù)位值／8。 播放軟件需要一次處理多個(gè)該值大小的字節(jié)數(shù)據(jù)，以便將其值用于緩沖區(qū)的調(diào)整。
	22H	2	short	每樣本的數(shù)據(jù)位數(shù)，表示每個(gè)聲道中各個(gè)樣本的數(shù)據(jù)位數(shù)。 如果有多個(gè)聲道，對(duì)每個(gè)聲道而言，樣本大小都一樣。
	24H	4	char	數(shù)據(jù)標(biāo)記符＂data＂
	28H	4	long	語(yǔ)音數(shù)據(jù)的長(zhǎng)度

對(duì)wav文件進(jìn)行處理之前，我們要先了解其格式是否符合規(guī)范，如電話錄音往往8kHz8bit的格式，對(duì)應(yīng)的比特率為64kbps,PC麥克風(fēng)露營(yíng)一般是16kHz16bit的格式，對(duì)應(yīng)的i特呂為256kpbs。在電腦上可以選中wav文件，然后點(diǎn)擊詳細(xì)信息，查看是否滿足條件。

本文的內(nèi)容主要參考廈門(mén)大學(xué)洪青陽(yáng)教授語(yǔ)音識(shí)別的課件。

總結(jié)

以上是生活随笔為你收集整理的语音识别基础知识二的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。