2、唤醒词声学基础：语音信号的基本特征

各位同学好，我是老张。今天咱们聊聊唤醒词背后的声学基础。说实话，很多做唤醒词的朋友，一上来就调模型、跑数据，结果效果不好，回头才发现是声学预处理没搞明白。嗯，这章咱们就把地基打牢。

2.1 语音信号的基本特征

语音信号是什么？说白了，就是空气振动产生的压力波，被麦克风捕捉后变成的电信号。我习惯把它看作一个随时间变化的波形——这就是时域。

时域特征

时域里我们能看什么？三个东西最重要：

• 幅度：声音的大小，也就是音量。唤醒词检测里，幅度太低可能漏检，太高又容易误触发。
• 周期：浊音（比如元音）有明显的周期性，清音（比如/s/、/sh/）则像噪声一样随机。这个区别在端点检测里很有用。
• 过零率：信号穿过零轴的次数。清音的过零率高，浊音低。我在做低功耗唤醒时，经常用这个特征快速区分语音段和静音段。

频域特征

为什么要看频域？你想想看，两个不同的人说同一个“你好”，时域波形可能差很多，但频域的能量分布却相对稳定。这就是频域分析的价值。

从时域到频域，靠的是傅里叶变换。具体来说：

• 低频部分（0-1kHz）：包含基频和第一共振峰，元音的主要能量在这里
• 中频部分（1-4kHz）：第二、第三共振峰，辅音的关键信息
• 高频部分（4kHz以上）：摩擦音、爆破音的能量区

我记得有个项目，客户抱怨唤醒词“小爱同学”在嘈杂环境下老是误唤醒。后来一分析，原来是环境噪声集中在低频段，和唤醒词的低频能量重叠了。我们做了个简单的带通滤波器，把300Hz以下切掉，误唤醒率直接降了一半。

2.2 人耳听觉特性与Mel刻度

为什么要提人耳？因为唤醒词最终是给人听的，对吧？人耳不是个线性系统——它对低频敏感，对高频迟钝。具体来说：

• 1000Hz以下：人耳能分辨很小的频率变化（约3-5Hz）
• 1000Hz以上：分辨能力越来越差，到8000Hz时，需要变化几百赫兹才能察觉

Mel刻度就是模拟这个特性的。公式很简单：

Mel(f) = 2595 * log10(1 + f/700)

这个公式把线性频率映射到Mel频率上。1000Hz对应1000Mel，但4000Hz只对应约2000Mel。说白了，高频被“压缩”了。

2.3 语音信号预处理

预处理是唤醒词系统的第一道关卡。做不好，后面全是白费。我把它拆成三步：预加重、分帧、加窗。

预加重

语音信号有个特点：高频能量天然比低频低。你看频谱图，通常是低频高、高频低，像下坡一样。预加重就是把这个坡“拉平”。

公式很简单：

y[n] = x[n] - α * x[n-1]

α一般取0.95到0.98之间。我习惯用0.97，效果比较均衡。

为什么要做预加重？两个原因：

• 补偿高频损失，让频谱更平坦
• 提高信噪比，尤其是高频段的辅音

分帧

语音信号是非平稳的，但短时间（10-30ms）内可以认为是平稳的。所以我们把它切成一段段的小帧。

参数怎么选？

参数	典型值	我的建议
帧长	20-30ms	25ms，兼顾时域和频域分辨率
帧移	10-15ms	10ms，帧与帧之间重叠50%以上
采样率	8kHz/16kHz	16kHz，唤醒词需要保留高频信息

举个例子：16kHz采样率，25ms帧长就是400个采样点，10ms帧移就是160个采样点。每帧和前一帧有240个采样点重叠。

加窗

分帧后直接做FFT会出问题——帧的边缘不连续，导致频谱泄露。加窗就是为了解决这个。

常用的窗函数：

• 汉明窗：最常用，旁瓣衰减适中，主瓣宽度合理
• 汉宁窗：旁瓣衰减更快，但主瓣稍宽
• 矩形窗：别用，频谱泄露严重

汉明窗的公式：

w[n] = 0.54 - 0.46 * cos(2πn/(N-1)), 0 ≤ n ≤ N-1

我个人习惯用汉明窗，没什么特别的原因，就是项目里一直这么用，效果稳定。你如果做实验，可以试试汉宁窗，在某些场景下表现更好。

2.4 小结

这一章我们聊了语音信号的时域和频域特征，人耳的Mel刻度，以及预处理的三个关键步骤。这些东西看着基础，但我在实际项目中见过太多人栽跟头——要么帧长选错了导致特征不稳定，要么忘了预加重导致高频信息丢失。

下一章，我们会把这些预处理后的信号，进一步提取成MFCC特征。那是唤醒词系统的“标准输入”。到时候我会分享一些特征提取的实战技巧，包括怎么调参数、怎么加速计算。

好，今天就到这里。有问题随时交流。

---

公众号:蓝海资料掘金营，微信deep3321