4、语音识别基础：MFCC特征提取原理、语音端点检测（VAD）、关键词唤醒（KWS）算法简介
各位同学，欢迎来到第四章。这一章我们聊聊语音识别的底层逻辑。
说实话，做智能家居语音控制，你不需要从零写一个语音识别引擎。但如果你不懂MFCC、VAD、KWS这三个东西，你连调试都无从下手。我在项目里见过太多人，模型跑不起来就怪硬件，其实是前端特征没处理好。
今天我们就把这三大块掰开揉碎。放心，不堆公式，咱们讲人话。
4.1 MFCC特征提取：让机器听懂你的声音
人耳听到声音，和麦克风采集到的波形，是两码事。麦克风录的是时域波形，但人耳真正敏感的是频域信息——说白了，就是不同频率的能量分布。
MFCC（梅尔频率倒谱系数）就是干这个的。它把一段语音，变成一组能代表「人耳听感」的特征向量。
4.1.1 提取流程（五步走）
- 预加重：提升高频部分。因为人在说话时，高频能量天然偏低，预加重就是给它补一补。我习惯用系数0.97，经验值。
- 分帧加窗：语音是非平稳信号，但短时间（20-30ms）内可以看作平稳。所以切成帧，每帧25ms，帧移10ms。加窗是为了减少频谱泄露，汉明窗最常用。
- FFT变换：把时域信号转到频域，得到频谱。
- 梅尔滤波器组：这是核心。梅尔刻度模拟了人耳对频率的非线性感知——低频分辨力高，高频分辨力低。把频谱通过一组三角滤波器，得到每个频带的能量。
- 取对数 + DCT：取对数是为了模拟人耳对响度的对数感知。DCT（离散余弦变换）则把能量去相关，得到最终的MFCC系数。通常取13维。
重要：MFCC不是原始语音，而是「特征」。就像你把一张照片压缩成一组数字，机器用这些数字去识别内容。
4.1.2 我在项目中踩过的坑
有一次，我在做远场语音唤醒，发现安静环境下识别率很高，但一开空调就崩。查了两天，最后发现是MFCC的帧长设得太短。空调噪声是低频连续的，帧长太短导致频谱分辨率不够，噪声和语音混在一起分不开。
后来我把帧长从20ms调到30ms，帧移从10ms调到15ms，问题解决了。嗯，有时候参数调一调，效果差很多。
小技巧：如果你用Python做原型，推荐python_speech_features库，一行代码就能提取MFCC。但量产时建议用C实现，比如CMSIS-DSP库里的MFCC函数，效率高很多。
4.2 语音端点检测（VAD）：找到说话的起止点
VAD，说白了就是判断「现在是不是有人在说话」。智能家居设备不能一直录音，那样功耗扛不住，而且会把背景噪声也送进识别引擎。
4.2.1 传统VAD方法
- 能量阈值法：计算每帧的短时能量，超过阈值就认为有语音。简单粗暴，但噪声大时容易误判。
- 过零率：清音（如/s/、/f/）的过零率高，浊音（如/a/、/o/）的过零率低。结合能量用，效果更好。
- 谱熵法：语音的频谱熵比噪声低，因为语音有结构。这个方法抗噪性不错，但计算量稍大。
4.2.2 现代VAD：基于DNN
现在主流方案是用轻量级神经网络做VAD。比如WebRTC的VAD模块，或者TensorFlow Lite Micro上跑的DNN-VAD。我个人的习惯是：
- 如果MCU算力够（比如Cortex-M7以上），用DNN-VAD，准确率高。
- 如果算力有限（比如Cortex-M0），用能量+过零率组合，调好阈值也能用。
注意：VAD的响应速度很关键。如果VAD判断「语音开始」慢了200ms，用户会觉得设备反应迟钝。我在一个项目里把VAD的帧长从30ms降到20ms，延迟从180ms降到了120ms，用户体验明显提升。
4.3 关键词唤醒（KWS）：让设备「听到」你叫它
KWS就是「小爱同学」「Hey Siri」这类唤醒词的识别。它和完整语音识别的区别在于：KWS只识别几个固定的词，所以可以做得非常轻量，在MCU上实时运行。
4.3.1 经典KWS算法
| 算法 | 特点 | 适用场景 |
|---|---|---|
| 基于HMM（隐马尔可夫模型） | 传统方法，需要手工设计特征，调参麻烦 | 算力极低的MCU |
| 基于DNN/CNN | 端到端，准确率高，但需要一定算力 | Cortex-M4以上 |
| 基于TCN（时序卷积网络） | 比CNN更擅长处理时序，模型小 | 资源受限但要求高精度 |
| 基于Transformer（轻量版） | 最新趋势，但MCU上还不太成熟 | 未来方向 |
4.3.2 我推荐的做法
如果你现在要做一个智能家居的KWS，我建议直接用TensorFlow Lite Micro + 预训练模型。Google提供了几个现成的唤醒词模型，比如「Hey Google」的模型，你只需要微调一下换成自己的唤醒词就行。
我曾经在一个项目里自己从零训练KWS模型，折腾了两个月，效果还不如人家预训练模型微调一周的好。所以，别重复造轮子。
关键指标：KWS有两个核心指标——唤醒率（该醒的时候醒了）和误唤醒率（不该醒的时候醒了）。这两个是矛盾的，你需要根据产品场景做权衡。比如智能音箱，误唤醒很烦人，所以宁可降低唤醒率也要压低误唤醒。但智能灯，用户喊几次没反应更烦，所以唤醒率优先。
4.4 三者的协作流程
在实际系统中，这三个模块是串联工作的：
- 麦克风采集音频 → 送入VAD模块
- VAD检测到语音开始 → 开始缓存音频数据
- 缓存的数据送入MFCC提取模块 → 得到特征序列
- 特征序列送入KWS模块 → 判断是否包含唤醒词
- 如果匹配唤醒词 → 启动完整的语音识别流程
你看，VAD负责「什么时候开始听」，MFCC负责「把声音变成机器能理解的特征」，KWS负责「判断是不是在叫我」。三个环节缺一不可。
实战建议：在调试阶段，先把VAD和MFCC的输出可视化出来。我习惯用Python的matplotlib画一下能量曲线和MFCC热力图，一眼就能看出特征提取有没有问题。等VAD和MFCC调好了，再上KWS模型，否则你根本不知道是哪个环节出了问题。
好了，这一章就到这里。下一章我们讲语音信号预处理实战——怎么在MCU上高效实现这些算法。到时候我会给出一份完整的C代码示例，咱们手把手调通。
公众号:蓝海资料掘金营，微信deep3321