文本无关的说话人识别综述（二）----特征提取

 本文是读书笔记。个人比较浅显的理解，其中有一些专业词汇也是个人自己的翻译，如果有不对的希望大家指正。
来自论文《An overview of text-independent speaker recognition: From features to supervectors》的第三章节的特征提取部分。

===================================分割线=========================================

由于关节活动，语音信号是不断变化的。因此信号需要分割成为20-30ms的帧。在一帧的时间内，我们可以假定信号是不变的，并从每一帧中提取特征矢量。

一 short-term spectral features 短时谱特征

        首先需要进行的步骤是预加重（pre-emphasized）和加窗。

        预加重是为了提升高频部分的表现。（因为语音从嘴唇发出后，会有高频损失，为弥补这些高频损失，需要做预加重处理）

        加窗是为了平滑信号，减少信号在两端处的误差，避免频谱出现“破碎”的情况。通常使用的窗函数有：矩形窗、汉明窗、汉宁窗。

        由于信号在时域（Time domain）上的变化通常很难看出信号的特性，所以通常将它转换成频域（Frequency domain）上的能量分布来观察，不同的能量分布，就能代表不同语音的特性。所以在乘上汉明窗后，每个音框还必需再经过 FFT 以得到在频谱上的能量分布。

        乘上汉明窗的主要目的，是要加强音框左端和右端的连续性，这是因为在进行 FFT 时，都是假设一个音框内的信号是代表一个周期性信号。如果这个周期性不存在，FFT 会为了要符合左右端不连续的变化，而产生一些不存在原信号的能量分布，造成分析上的误差。当然，如果我们在取音框时，能够使音框中的信号就已经包含基本周期的整数倍，这时候的音框左右端就会是连续的，那就可以不需要乘上汉明窗了。但是在实作上，由于基本周期的计算会需要额外的时间，而且也容易算错，因此我们都用汉明窗来达到类似的效果。