实时语音信号的谱分析 1.短时能量分析（音强），决定短时能量特性有两个条件：不同的窗口的形状和长度。窗长越长，频率分辨率越高，而时间分辨率越低（N为帧长，M为步长）。典型窗函数：矩形窗谱平滑性能好，但损失高频成分，波形细节丢失，海明窗与之相反。一帧内含1~7个基音周期，10kHz下采100~200点。2.短时平均振幅分析：计算方法简单，但清浊音的区分不如能量明显。3.短时过零分析：可以区分清音与浊音，浊音时具有较低的平均过零数，而清音时具有较高的平均过零数；可以从背景噪声中找出语音信号，可用于判断寂静无语音和有语音的起点和终点位置。4.短时相关分析：自相关用于研究信号本身，如信号波形的同步性、周期性等。用来区分清音和浊音，因为浊音信号是准周期性的，对浊音语音可以用自相关函数求出语音波形序列的基音周期；另外在进行语音信号的线性预测分析时，也要用到短时自相关函数。4.短时平均幅度差：短时平均幅度差计算加、减法和和取绝对值的运算，与自相关函数的相加与相乘的运算相比，其运算量大大减小，尤其在硬件实现语音信号分析时有很大好处。为此，AMDF已被用在许多实时语音处理系统中。5.短时傅里叶变换：6.语音信号的倒谱分析：求语音倒谱特征参数，通过。
有一段时长10秒的语音信号f(t)，其中含有噪声，已知语音信号所占频段300Hz g2(1+S/N)所C=Blog2(1+S/N)≈3000*10=30Kbps噪声功率100/1000=0.1mW
语音信号处理本文来自：课件下载论坛e69da5e6ba9062616964757a686964616f31333236396533(http：//www.kejianxiazai.com/)详细出处参考：http：//www.kejianxiazai.com/371a1a1.html1．项目的立项依据（研究什么，研究的意义、国内外研究现状及分析，附主要参考文献目录）（改进语音特征参数提取的性能，提高其时频分辨率是必要的，而且是可行的）在新的语音产生模型指导下，以现有语音特征提取方法为基础，研究一套新的语音特征表示和提取方法，使语音特征的提取结果更精确，把完整的语音信息提交给语音识别的高层次处理模块，为实现理想的语音识别系统打下关键基础是本项目的研究内容和目的。1.1语音特征参数提取的研究应用现状语音特征参数提取（Speech Feature Extraction，简记为SFE）是语音识别（包括话者识别、语种识别等）的前端处理功能。没有好的SFE功能模块，整个语音识别系统的性能不可能很好。所以SFE一直是语音处理领域研究的重点之一。SFE研究从1900年即开始，经历了硬件滤波器、FFT、LPC、基音提取、倒谱等参数提取方法。当前的SFE方法是多种方法的集成结果，比如MFCC是带通滤波和倒谱的组合。在几种常用方法中，MFCC较为突出，应用最为广泛。MFCC。
