35、自动语音识别：声学特征、音素与统计方法解析

自动语音识别：声学特征、音素与统计方法解析

1. 声学特征基础

语音产生过程涉及多个步骤：
- 空气从肺部向上推动，使声带振动，产生准周期声音。
- 空气流入咽、鼻和口腔。
- 舌头、牙齿和嘴唇等发音器官对气流进行调制。
- 空气通过口鼻排出。

人类语音频率范围通常在 85 Hz - 8 kHz，而人类听觉范围是 20 Hz - 20 kHz。

2. 原始波形

声音产生的气压波通过麦克风转换为电压，再由模数转换器进行采样。录制过程的输出是一个一维数字数组，表示数字转换后的离散样本。数字化信号有三个主要属性：
- 采样率 ：模拟信号采样的频率（单位：赫兹）。
- 声道数 ：单声道音频称为单音或单声道音频，立体声指双声道音频。立体声和多声道音频等额外声道在复杂声学环境中对信号滤波很有用。
- 精度（位深度） ：每个样本的位数，对应信息的分辨率。

不同音频质量的参数如下表所示：
| 音频类型 | 采样率 | 精度 |
| ---- | ---- | ---- |
| 标准电话音频 | 8 kHz | 16 位 |
| CD 质量音频 | 44.1 kHz | 16 位 |
| 当代语音处理 | 16 kHz 及以上 | - |

比特率可用于衡量音频的整体质量，计算公式为：
[
\text{比特率} = \text{采样率} \times \text{精度} \times \