35、自动语音识别技术全解析

自动语音识别技术全解析

1. 语音产生与声学特征概述

语音产生是一个复杂的过程，主要步骤如下：
1. 空气从肺部被挤出，使声带振动，产生准周期声音。
2. 空气流入咽、鼻和口腔。
3. 舌头、牙齿和嘴唇等发音器官对气流进行调制。
4. 空气从口鼻流出。

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

2. 原始波形特征

语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。记录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）。
- 通道数 ：多麦克风源的音频捕获。单通道音频称为单声道，双通道音频称为立体声。
- 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 \text{通道数}
]