1. 采樣(sampling)：一個信號通過度量它在特定時刻的振幅來進行抽樣。

　　采樣的目的是還原出聲音的波形。在足夠密集的采樣頻率下，人聲的每個波形都能有多于兩個的采樣，這樣的采樣記錄下說話人聲音的頻率和振幅(amplitude)。

　　在高頻聲音波形下，每個波形可能只有2-3個采樣；而在低頻聲音波形下，每個波形可能有5-6個采樣，每個采樣寬度范圍設定好，如paInt16。這樣就可以在采樣率固定的情況下，體現出聲音波形的高低頻/音高、高低振幅/響度。

----拓展:

• 波形圖，即人說話的聲波，橫軸：時間；縱軸：振幅
• 聲譜圖，橫軸：頻度，縱軸：振幅
• 頻譜圖，橫軸：時間，縱軸：頻度

----拓展：聲波特征：頻度(frequency)和振幅(amplitude)

• 頻度(頻率)，又稱為周(cycle)：是1s之內完整波重復的次數，如：某段音頻在0.11s之內有28個完整的波形，那波的頻度是255hz或255周
• 振幅，表示空氣壓力變化的大小。正軸表示該時刻空氣壓力比較高，0值表示空氣壓力正常，負值表示低于空氣壓力(我也不知道他們怎么測得)
• 感知特性：音高(pitch)和響度(loudness)。音高與頻度有關的感知特性；響度是與振幅有關的感知特性
  • ----[轉]負分貝：聲強小于2×10-5Pa的聲音響度的都為負分貝數了。就像開爾文溫標轉化為攝氏溫標一樣，開爾文溫標沒有負數，攝氏溫標就有負數了。例如，冬天哈爾濱室外溫度-37℃，這個負數溫度也是有溫度的，只是溫度低而已。有些人能夠聽到-10dB的聲音呢！人耳就是天生的分貝轉換器。潛水艇上的聽音器可以聽到水下100m外的一只蝦吃食物的聲音為-80dB，20英里外一個人的說話聲為-30dB。所以，負分貝的聲音是人耳聽不到的，但是，它是客觀存在的
• 注意：實際音頻中波形雖然完整連續，但他們不規則不均勻
• 幀(frame)：一般為10s-30ms，通常取20ms，在極短時間內，聲音波形可以被認為是均勻的

----采樣率(sampling rate)：每秒提取的樣本數目。常用的采樣率有8000hz和16000hz

• 根據奈奎斯特定理：采樣頻率不應低于聲音信號最高頻率的兩倍，這樣才能把以數字表達的聲音還原成原來的聲音。
• 即：為了精確地測量聲波，每周(每個聲波)至少需要來嗯個采樣：一個采樣用于測來嗯聲波的正側部分，一個用于測量聲波的負側部分。如果每周的樣本多于兩個，將能夠增加振幅的精確度，如果樣本少于兩個，聲波就會遺漏部分頻度
• 即，可能測量到的最大頻度的波九十那些頻度等于采樣率一般的波(因為每個波需要兩個采樣)
• 如：人類語音的頻度都低于10000hz，為了保證準確，必須有20000hz的抽樣。注意：這里的10000hz是聲波頻度，而20000hz是采樣次數頻度，這兩個雖然都是赫茲，但是別弄混了，一個是音頻完整波形重復次數，一個是采樣次數

2. 量化

量化就是用整形值存儲采樣測得的振幅值。在python～pyaudio中，有paInt8、16、32等采樣位數，8比特bit采樣能夠給出的整形采樣范圍是-128～127，16位比特能夠給出的整形范圍是-32768～32767。

在pyaudio.stream錄音采樣過程中，

采樣數sample_num=sample_rate * frame_duration_ms/1000?? ;?? 采樣字節大小/長度sample_size=sample_num * sample_width/8

采樣寬度有8位、16位、32位，如果sample_width=paInt16，每個采樣是兩個字節，160個采樣的sample_size是320，所以要注意frame_num和len(chunk),chunk = pyaudio.stream.read(frame_num)的長度。

參考：

• Daniel Jurafsky, James H. Martin, 《speech and language processing》, 馮志偉, 譯，《自然語言處理綜論》，第七章--HMM與語音識別
• https://blog.csdn.net/hh_1206/article/details/77540379

?

總結

以上是生活随笔為你收集整理的语音识别(一)：特征抽取～1.1 抽样(sampling)和量化(quantization)的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。