3、语音信号基础：声音的物理特性、采样定理、量化与编码、语音信号预处理概述
好，咱们开始第三讲。
说实话，做嵌入式语音识别，很多人一上来就调算法、跑模型。结果呢？麦克风一接，全是噪声，识别率惨不忍睹。为什么？因为最基础的东西没搞懂——你连声音是什么、怎么变成数字信号的都没弄清楚。
这一章，咱们就把地基打牢。我会结合我这些年踩过的坑，把语音信号的物理本质、数字化过程、以及预处理套路，给你讲透。
3.1 声音的物理特性：你听到的到底是什么？
声音，说白了就是空气的振动。这种振动以波的形式传播，所以我们叫它「声波」。
描述一个声波，主要看三个参数：
- 频率：每秒振动的次数，单位是赫兹（Hz）。人耳能听到的大概是20Hz到20kHz。我做过一个项目，客户非要用8kHz采样率去识别鸟叫声，结果高频信息全丢了——鸟叫的基频虽然低，但泛音都在10kHz以上。嗯，这就是典型的「想当然」错误。
- 幅度：振动的强弱，决定了声音的大小。在嵌入式里，我们通常用ADC采集到的电压值来表示。
- 相位：波形的起始位置。说实话，在语音识别里，相位信息通常用处不大，我们更关心幅度和频率的变化。
重点记住：语音信号是典型的非平稳信号。什么意思？就是它的频率和幅度一直在变。你想想看，你说「你好」这两个字，声带的振动频率、口腔的形状都在动态变化。所以，我们不能用处理正弦波的方法去处理语音。
3.2 采样定理：别让你的信号「混叠」了
要把模拟的声音变成数字信号，第一步就是采样。这里有个铁律——奈奎斯特采样定理。
定理很简单：采样频率必须大于信号最高频率的两倍。否则，就会发生「混叠」——高频信号会伪装成低频信号混进来，你根本分不清。
举个例子。我曾经帮一个团队调试语音唤醒模块。他们用了16kHz采样率，理论上能处理8kHz以内的信号。但麦克风本身能拾取到12kHz的噪声（比如空调压缩机的高频啸叫）。结果呢？这个12kHz的信号被采样后，变成了4kHz的假信号，混在语音里，导致误唤醒率飙升。
避坑指南：采样前一定要加抗混叠滤波器！我习惯在麦克风输出端接一个RC低通滤波器，截止频率设为采样率的一半左右。别省这个电容，省了就是给自己挖坑。
常见的语音采样率有：
| 应用场景 | 采样率 | 说明 |
|---|---|---|
| 电话语音 | 8 kHz | 带宽300Hz-3.4kHz，够用 |
| 普通语音识别 | 16 kHz | 覆盖大部分语音能量，STM32常用 |
| 高保真录音 | 44.1 kHz | CD音质，嵌入式很少用 |
我个人建议，做STM32上的语音识别，优先选16kHz。为什么？因为8kHz会丢失一些辅音信息（比如/s/、/f/这些清辅音的高频成分），而16kHz刚好够用，又不至于数据量太大把MCU撑爆。
3.3 量化与编码：精度和动态范围的博弈
采样是把时间离散化，量化则是把幅度离散化。
量化说白了，就是用有限个数字去表示无限连续的幅度值。比如你用16位ADC，那幅度就被分成65536个等级。每个等级之间，必然有误差——这就是量化噪声。
这里有个关键参数：量化位数。
- 8位：256个等级，动态范围约48dB。噪声大，只适合对音质要求极低的场合。我见过有人用8位做语音识别，结果背景噪声稍微大一点，识别率直接掉到30%。
- 16位：65536个等级，动态范围约96dB。这是语音识别的标配。STM32的ADC虽然是12位，但外挂一个16位音频ADC（比如WM8960）效果会好很多。
- 24位：动态范围144dB，专业录音级别。嵌入式基本用不上，数据量太大。
小技巧：量化位数每增加1位，信噪比提升约6dB。但代价是数据量翻倍。在STM32上，16位是性价比最高的选择。我曾经试过用12位ADC直接采，结果发现底噪太大，后来加了个前置放大器才勉强能用。
编码就简单了。最常用的是线性PCM编码——直接把量化后的数值存起来。比如16位PCM，每个采样点占2字节。16kHz采样率，每秒就是32KB数据。嗯，这个数据量对STM32来说，处理起来还行，但存储和传输就要掂量掂量了。
3.4 语音信号预处理概述：别让脏数据进模型
原始语音信号直接扔给算法？那基本是找死。预处理的目的，就是把信号「洗干净」，让后续的特征提取和识别更靠谱。
预处理通常包括这几步：
- 预加重：提升高频成分。因为语音信号的高频能量通常比低频弱，但高频部分（比如辅音）恰恰包含了很多辨识信息。我习惯用一个一阶高通滤波器，系数设0.97左右。效果立竿见影。
- 分帧：语音是非平稳的，但在极短时间（10-30ms）内可以认为是平稳的。所以我们把信号切成一段一段的「帧」。帧长一般取20-30ms，帧移取10-15ms（也就是相邻帧有重叠）。
- 加窗：直接分帧会在帧边界产生截断效应，导致频谱泄露。解决办法是加窗函数，比如汉明窗。汉明窗能让帧中间的数据权重更大，两端的权重变小，减少频谱泄露。
- 端点检测（VAD）：判断哪些是有效语音，哪些是静音或噪声。这一步很重要——你想想看，如果背景噪声和语音一起送进模型，模型会学歪的。我常用的方法是基于短时能量和过零率，简单有效。
我的经验：预处理做得好，识别率能提升10-20%。别小看这一步。我曾经接手过一个项目，之前的工程师把预处理全跳过了，直接拿原始波形去训练模型。结果模型在实验室跑得挺好，一到实际场景就崩。后来我加了预加重和VAD，问题就解决了。
最后，给你一个简单的预处理流程伪代码，方便你理解：
// 伪代码：语音信号预处理
function preprocess(signal, fs):
// 1. 预加重
signal = filter([1, -0.97], 1, signal)
// 2. 分帧参数
frame_len = 0.025 * fs // 25ms
frame_shift = 0.010 * fs // 10ms
// 3. 加汉明窗
window = hamming(frame_len)
// 4. 逐帧处理
for each frame in signal:
frame = frame * window
// 后续提取MFCC等特征...
return frames嗯，这一章的内容就到这里。下一章，我们会深入讲解特征提取——MFCC是怎么算出来的，以及为什么它这么适合语音识别。