2. 声学基础与信号预处理：声音的物理特性、采样定理、预加重、分帧加窗、端点检测(VAD)
各位同学，欢迎来到第二章。
这一章，我们聊聊声学基础。嗯，别急着划走。我知道有些同学觉得声学理论太枯燥，跟实际开发离得远。但我得说，这部分要是没吃透，后面做唤醒词识别、做降噪，你大概率会踩坑。我自己就吃过这个亏。
好，我们正式开始。
2.1 声音的物理特性：你得知道你的对手
声音是什么？说白了，就是空气的振动。麦克风把这种振动变成电信号，ADC再把电信号变成数字信号。就这么简单。
但有几个关键参数，你必须刻在脑子里：
- 频率（Frequency）：单位Hz。人耳能听到的大概是20Hz到20kHz。语音信号的能量主要集中在300Hz到3.4kHz。我做座舱项目时，发现很多背景噪声（比如发动机轰鸣）都在低频段，这直接影响VAD的阈值设计。
- 幅度（Amplitude）：代表声音的响度。单位是dB。座舱内，正常说话大概在60dB左右，但高速行驶时噪声可能到70-80dB。你想想看，信噪比这么低，唤醒算法得有多抗造。
- 相位（Phase）：这个在单麦克风方案里用得少，但做麦克风阵列波束成形时，相位差就是你的命根子。
我的经验： 有一次，客户反馈说“唤醒率在怠速时还行，一上高速就崩了”。我排查了半天，发现是预处理阶段的带通滤波器截止频率设得太宽，把发动机的低频轰鸣也放过去了。从那以后，我习惯先拿一段实车噪声数据，看看频谱分布，再定滤波参数。
2.2 采样定理：别让你的信号“假摔”
采样定理，也叫奈奎斯特定理。公式很简单：fs ≥ 2 * fmax。采样频率必须大于等于信号最高频率的两倍。
为什么？因为采样频率不够，就会发生混叠（Aliasing）。高频信号会伪装成低频信号混进来。你以为是“你好”，结果算法听成了“你坏”。
座舱语音唤醒，我们一般用16kHz采样率。为什么？因为语音的有效信息在8kHz以内，16kHz刚好满足奈奎斯特定理，还能留点余量。有些同学问，用48kHz不是更好吗？数据量大了三倍，处理延迟也上去了，但唤醒率并不会因此提升。没必要。
避坑指南： 我曾经在一个项目里，ADC采样率设对了，但忘了在ADC前加抗混叠滤波器（低通滤波器）。结果高频噪声折叠到语音频带内，VAD死活检测不准。记住：采样率只是第一步，硬件上的抗混叠滤波同样重要。
2.3 预加重：给高频信号“撑腰”
语音信号有个特点：能量主要集中在低频，高频能量衰减很快。你看频谱，低频的幅度可能比高频大几十倍。这会导致后续的模型训练时，模型只关注低频特征，忽略了高频的辅音信息（比如“s”、“sh”、“f”）。
预加重就是为了解决这个问题。它本质上是一个一阶高通滤波器：
y[n] = x[n] - α * x[n-1]其中α通常取0.95到0.97。α越接近1，高频提升越明显。
我个人习惯取0.97。为什么？试出来的。取0.95时，某些高频辅音还是不够突出；取0.98时，低频被压得太狠，听起来有点“尖”。0.97是个平衡点。
小技巧： 预加重不是必须的。如果你用的是深度学习模型，模型自己能从原始波形中学习到频率分布。但如果你用传统方法（比如MFCC），预加重几乎是标配。我建议新手先加上，等模型调优时再决定要不要去掉。
2.4 分帧加窗：把连续信号切成“小段”
语音信号是非平稳的。但如果我们取一个很短的时间段（比如20-30毫秒），在这个时间段内，信号可以近似认为是平稳的。这就是分帧的基本思想。
分帧有两个参数：
- 帧长（Frame Length）：一般取20-30ms。16kHz采样率下，25ms对应400个采样点。
- 帧移（Frame Shift）：相邻两帧之间的重叠部分。通常取帧长的一半或三分之一。比如帧长400点，帧移160点，这样相邻帧有240点的重叠。
为什么要重叠？因为直接切开会造成频谱泄漏。加窗就是为了缓解这个问题。
常用的窗函数有：
- 汉明窗（Hamming Window）：最常用。旁瓣衰减大，能有效减少频谱泄漏。
- 汉宁窗（Hanning Window）：和汉明窗类似，但两端更平滑。
- 矩形窗（Rectangular Window）：不推荐。旁瓣太高，频谱泄漏严重。
代码实现很简单：
import numpy as np
def framing(signal, fs, frame_len_ms=25, frame_shift_ms=10):
frame_len = int(fs * frame_len_ms / 1000)
frame_shift = int(fs * frame_shift_ms / 1000)
num_frames = (len(signal) - frame_len) // frame_shift + 1
frames = []
for i in range(num_frames):
start = i * frame_shift
end = start + frame_len
frame = signal[start:end] * np.hamming(frame_len)
frames.append(frame)
return np.array(frames)注意： 分帧加窗后，每一帧都是一个独立的“快照”。后续的VAD、特征提取，都是基于这些帧来做的。帧长太短，频率分辨率不够；帧长太长，平稳性假设不成立。25ms是个黄金值，我几乎所有的项目都用它。
2.5 端点检测(VAD)：找到“人声”的起止点
VAD，全称Voice Activity Detection。说白了，就是判断当前这一段音频里，到底是人说话，还是背景噪声。
VAD做得好，唤醒率就高；做不好，要么漏唤醒（人说话没检测到），要么虚警（噪声被误判为人声）。
常用的VAD方法有几种：
- 基于能量阈值：最简单。计算每一帧的能量，超过阈值就判为语音。缺点是对噪声敏感。
- 基于过零率：语音的过零率通常比噪声高。但座舱内的敲击声、雨刮声，过零率也很高，容易误判。
- 基于谱熵：语音的频谱熵比噪声低。这个方法抗噪能力更强，但计算量稍大。
- 基于机器学习：用DNN或RNN做二分类。准确率高，但需要训练数据和模型部署。
在量产项目中，我一般用能量+过零率+谱熵的组合方案。为什么？纯能量阈值在安静环境下够用，但座舱里噪声复杂，必须多维度判断。
我的做法： 先计算每一帧的能量，设定一个自适应阈值（根据前几秒的噪声能量动态调整）。然后计算过零率，排除掉那些能量高但过零率异常的信号（比如空调风声）。最后用谱熵做二次确认。这样下来，虚警率能降低30%以上。
VAD还有一个关键参数：挂起时间（Hangover Time）。人说话时，字与字之间会有短暂的停顿。如果VAD一检测到停顿就立刻切掉，会导致语音被截断。挂起时间就是让VAD在检测到语音结束后，再保持“语音状态”一段时间（比如200-300ms）。
避坑指南： 我曾经在一个项目中，挂起时间设得太短（只有50ms）。结果用户说“你好，小X”，VAD只检测到了“你好”，后面的“小X”被当成噪声切掉了。唤醒率直接腰斩。后来我把挂起时间调到250ms，问题解决。
小结
这一章的内容，是后面所有章节的基石。采样定理决定了你的数据质量，预加重影响了特征提取的效果，分帧加窗是时频分析的起点，VAD则是唤醒系统的第一道关卡。
我建议你学完这一章后，找一段真实的座舱录音，自己动手写代码跑一遍预处理流程。看看不同参数下，VAD的检测结果有什么变化。纸上得来终觉浅，绝知此事要躬行。
下一章，我们聊聊特征提取——MFCC和Filter Bank。到时候你会发现，今天学的这些预处理，全都会用上。