第二章：语音信号基础
各位同学，欢迎来到第二讲。今天咱们聊聊语音信号最底层的那些事儿。说实话，很多做语音识别的朋友，模型调得飞起，但一问到声音是怎么变成数字的，就有点含糊了。这不行，尤其是咱们要在MCU上落地，这些基础不扎实，后面踩坑都找不到原因。
2.1 声音的物理特性
声音的本质是什么？说白了，就是空气的振动。这种振动传到我们耳朵里，鼓膜也跟着振，大脑就解读成了声音。
描述这种振动，有几个关键参数：
- 频率：每秒振动的次数，单位是赫兹（Hz）。频率越高，音调越高。人耳能听到的大概是20Hz到20kHz。我做过一个项目，采集鸟叫声做识别，鸟鸣的高频成分能到15kHz以上，采样率低了根本不行。
- 幅度：振动的强弱，决定了音量大小。单位是分贝（dB）。
- 相位：振动在某个时刻的位置。这个在单麦克风场景下用得少，但做麦克风阵列波束成形时，相位差就是核心。
你想想看，一个声音信号，其实就是一条随时间变化的曲线——波形图。横轴是时间，纵轴是幅度。
核心要点：声音是连续的模拟信号，而计算机只能处理离散的数字信号。所以，我们必须做一件事——模数转换（ADC）。
2.2 采样定理
这是整个数字信号处理的基石。大名鼎鼎的奈奎斯特采样定理，内容很简单：
采样频率必须大于信号最高频率的两倍。
为什么？我打个比方。你拍一个旋转的车轮，如果快门速度太慢，车轮看起来像在倒转。这就是混叠。采样也是这个道理，频率不够，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：
- 语音信号，我们关心的是300Hz到3.4kHz（电话语音频段）。那么采样率至少需要 3.4k × 2 = 6.8kHz。实际中常用8kHz。
- 如果是音乐或高保真语音，最高频率到20kHz，采样率就得用44.1kHz（CD标准）或48kHz。
我的经验：在MCU上做语音识别，我一般选16kHz采样率。为什么？因为人声的绝大部分能量集中在8kHz以下，16kHz采样既能保证质量，又不会像48kHz那样产生海量数据，把MCU的内存撑爆。我曾经试过用8kHz采样做唤醒词，结果识别率掉了好几个点，因为有些辅音（比如/s/、/f/）的高频信息被砍掉了。
2.3 量化与编码
采样解决了时间上的离散化，但幅度还是连续的。量化就是解决幅度上的离散化。
简单说，就是把连续的幅度值，用有限个数字等级来表示。比如用16位整数，那就是把幅度范围分成65536个等级。
这里有个关键概念——量化误差。你想想看，真实值和量化值之间肯定有偏差，这个偏差就是噪声，叫量化噪声。
量化位数越高，噪声越小，但数据量也越大。
| 量化位数 | 动态范围（理论） | 典型应用 |
|---|---|---|
| 8位 | 48 dB | 早期电话、对讲机 |
| 16位 | 96 dB | CD音质、语音识别主流 |
| 24位 | 144 dB | 专业录音棚 |
避坑指南：我曾经在一个低功耗项目里，为了省内存，用了8位量化。结果模型在安静环境下还行，一到嘈杂环境，背景噪声和语音混在一起，量化噪声直接把信噪比干到了底，识别率惨不忍睹。所以，除非你的MCU内存实在捉襟见肘，否则老老实实用16位。
编码就更简单了。量化后的数值怎么存？最常见的就是PCM（脉冲编码调制）。直接把每个采样点的幅度值按顺序存下来。比如16位PCM，每个采样点占2个字节。
2.4 常见音频格式
在MCU上，我们打交道最多的就几种格式：
- WAV（PCM）：无损格式，数据就是裸采样值。优点是简单、解析快，MCU可以直接处理。缺点是文件大。我99%的项目都用WAV做原始数据采集。
- MP3 / AAC：有损压缩格式。文件小，但解码需要算力。MCU上软解MP3挺吃力的，除非有硬件解码器。
- FLAC / APE：无损压缩。压缩比不错，但解码复杂度比MP3还高，MCU上基本不用。
- ADPCM：自适应差分脉冲编码调制。这是一种轻量级的压缩格式，压缩比4:1左右，解码极其简单，非常适合MCU。我在一个电池供电的录音笔项目里就用过，效果不错。
我的建议：做MCU语音识别，首选WAV（16位、16kHz、单声道）。调试阶段用这个，方便用Audacity等工具直接查看波形。等产品定型了，如果存储空间紧张，再考虑转成ADPCM或者做特征提取后直接存特征。
嗯，这一章的内容就这些。看似基础，但都是后面所有算法的地基。采样率选错了，量化位数选低了，后面模型再牛也救不回来。下一章咱们开始讲预处理，那才是真正动手的开始。