一、语音信号的特点

其主要特点如下所示：
a) 语音信号的带宽约为 $5 K h z$ , 主要能量集中在低频段。
b) 语音信号总体为非平稳时变信号，一般认为是短时平稳( $10 m s - 30 m s$ )。
c) 说话的声音主要可以分为清音和浊音。
浊音：发声时声带振动，语音信号在时域上有明显的周期性。
清音：发声时声带不振动。
特点：
浊音的短时能量大，短时平均幅度大，短时过零率低。
清音的短时能量小，短时平均幅度小，短时过零率高。
声音一般可分为清音和浊音，发浊音时，声带振动，语音信号在时域上有明显的周期性，这种声带振动的频率称为基音频率。基音周期的估计又叫基音检测。

二、常用语音特征参数

一般原始语音信号较为复杂，直接将其作为输入送入到神经网络中，计算复杂度较高且性能较差，因此需要对语音信号进行特征提取。
a) 短时过零率，即一帧语音信号波形穿过横轴的次数。一般，高频语音过零率较高，低频语音过零率较低，故短时过零率是区分清音（多数能量集中在高频）和浊音（多数能量集中在低频）的有效参数。短时过零率具体定义如下： $Z_{n}=\frac{1}{2} \sum_{m=0}^{N-2}\left|\operatorname{sgn}\left[x_{n}(m)\right]-\operatorname{sgn}\left[x_{n}(m-1)\right]\right|$ 其中， $x_{n}(m)$ 表示短帧信号， $N$ 表示帧长， $\operatorname{sgn}[\bullet]$ 表示符号函数。对一段语音信号分帧后求出其所有帧的短时过零率，如下图所示。

这段语音信号中某两帧的过零率如下所示：

因此由上图可知，第834帧语音信号为浊音(过零率低)，第828帧语音信号为清音(清音)。
b) 短时平均幅度是语音信号能量大小的特征，由其包络与原始信号包络十分相似，常用于语音识别、语音活动检测(Voice Activity Detection, VDA)判断等领域。定义如下： $M_{n}=\sum_{m=0}^{N-1}\left|x_{n}(m)\right|$ 其中， $x_{n}(m)$ 表示短帧信号， $N$ 表示帧长。对一段语音信号进行短时平均幅度分析如下所示：

c) 基因周期，发浊音时，声带振动语音信号在时域上有明显的周期性，声带振动频率称作基音频率，相应的周期称为基因周期，这一参数广泛被用在语音识别、说话人确认、语音合成，男女生辨别等领域。目前常用的基音检测方法可分为两大类：
- 基于事件检测方法，主要是通过对声门闭合时刻进行定位来估计基音周期，主要有小波变换法和希尔伯特变换法。
- 非基于事件的检测法，主要利用语音的短时平稳性，将语音分为短时语音段，然后对每一段进行求解。主要方法有：自相关函数法、平均幅度差函数法和倒谱法。
补充：男性的基音频率较低，其范围大概为70Hz-200Hz之间，说话人为女性的基音频率大概再200-450Hz之间。

d) 共振峰频率，人体说话时声带振动，产生准周期脉冲激励，当激励进入声道时，受声道模型的影响，会引起共振，产生一组共振频率，称作共振峰频率。目前，共振峰的常用检测方法有倒谱法、线性预测法。

e) 梅尔倒谱系数(MFFCC)，人耳听到的声音高低与频率不呈正比关系，人耳对 $1000 Hz$ 以下的声音的感知能力与频率大致呈线性关系，对 $1000 Hz$ 以上的声音的感知能力与频率大致呈对数关系。是基于人耳听觉特性提出来的，它与Hz频率成非线性对应关系。mel频率域尺度广泛用于情感识别、语音识别等领域。频域转换到mel域的公式如下所示： $\operatorname{mel}(f)=2595(1+f / 700)$

三、语音信号预处理

a) 预加重与去加重，受口唇辐射的影响，功率谱随频率的增加而减小，语音的能量主要集中在低频部分，高频部分信噪比较低，为了抵消这种不利影响，需要对语音信号进行预加重和去加重处理。
- 预加重一般使用一阶的FIR的高通滤波器来加重语音信号的高频分量，滤波器的传递函数 $H(z)=1-a z^{-1}$ ， $a$ 为预加重系数，通常为 $0.9 < a < 1.0$ 。Matlab中可以用y=filter([1, -0.98],1,x)指令来实现预加重，其结果如下图所示。

a) 分帧加窗，对语音信号需要分帧加窗处理后进行短时分析，使得每一帧语音信号的长度一般为 $10 - 30 m s$
- 在实际处理过程中，为了保证语音的连续性且充分利用帧与帧之间的相关性，使得帧与帧之间平滑过渡，需要使用交叠分段的方法。

分帧加窗后的结果如下图所示，