“声音”背后的原理（3）：音频信号处理的基础概念和流程小结

下面通过关于MP3的一些信息来理解这些概念。

理解和结论：

（1）采样率

（2）（一帧）采样个数 （一帧）采样个数：number of audio samples (per channel) described by this frame，就是一帧数据里面有多少个采样(样本)，或者说 sample。

对于 MP3 ，1152个 sample 就是一帧，播放 1152 个 sample ，即 1 frame 需要的时间就是 1152/44.1k 大约为 26ms。

最常见的音频处理流程为三个步骤：

从音频信号到特征帧的流程如下：

音频信号 | 采样与量化 | 分帧：业界标准是 25ms（帧长）、10ms（帧间隔） | 加窗 | 特征提取 | 帧叠加与帧采样

音频信号的特征一般分为时域特征和频域特征两大类，目前大部分实用系统都采用频域特征

音频信号 | （傅里叶变换） | 频域幅值特征 | （进一步处理） | PLP或者MFCC

梅尔倒谱系数（MFCC） 是语音领域最常用的特征。

为什么一般需要对音频进行一些非线性变换（比如MFCC）？ 因为人类听觉的非线性性（包括频率和声强两个方面）。

（1）短时分析 短时分析技术是音频特征分析的基础。 短时分析使得提取的音频特征是局部的且定长的。 对于一段音频来说，其长度通常是不固定的，若想提取出固定的特征向量，一般是将音频作为一个整体，然后提取其中的一些统计量。 但是全局特征显然无法有效的提取出音频的特征，因为一段音频一般随着时间发生不断发生变化的。（在图像领域应用广泛的卷积，其本质也是提取图像的局部特征）

短时技术的一般步骤如下：

分帧 |