HTK语音信号处理-帧序列

本文假设所处理的语音输入格式是WAVEFORM（SOURCEKIND的值设置)，由HTK库中HWave库提供处理支持，对于其它的格式，基本也是相通的。从原始语音到最后的特征向量（如ＭＦＣＣ）文件需要经过

原始语音->预加重－>分帧->加窗处理->快速傅里叶转换->滤波组处理->离散余弦转换（计算倒谱参数）->对数能量->差量倒谱参数（向量的形式了）->MFCC特征

本文只完成对预加重、分帧及加窗处理的简单说明 。

一，语音处理的目的

将语音数据转换成标准向量特征，所谓标准，是指特定软件可以支持识别和训练的意思，这里是HTK所支持的。

二，本文过程概览

上面的目的说明最后的输出应该是一个特征向量文件，在本文先讨论从原始语音到帧向量的形式，下面的图，可以表达这个过程的

 

从上面的图可以看到，从语音输入到最后的每帧向量的形式，这就基本完成了语音到帧向量序列的处理过程了。原始信号就是上图中的波形图，特征参数向量序列就是最下面的每帧的语音向量。下面我从处理过程中用到的配置参数的角度来了解这个过程。

一，SOURCERATE

这个值是配置文件中设置原始信号的采样率的名值，表示原始语音信号的采样率，这个可以从原始文件中读取，也可以在配置文件中设置。

二，TARGETRATE

输出的采样率由每个参数向量之间的周期来决定，可以使用TARGETRATE在配置文件中设置。

三，WINDOWSIZE

窗口大小，由语音的采样文件到参数向量的转换过程中需要用到窗口大小。这个值和TARGETRATE是独立的，一般情况下，都会比TARGETRATE大，因为需要窗口有一定的重叠。

举个例子：假设语音文件采样率是16kHz，将其转换成每秒100个参数向量，就是10ms一个帧的分割，使用25ms的窗口大小，可以这样设置（下面都是100ns为单位）

SOURCERATE = 625  //表示 62500ns，0.0625ms，0.0000625s 。 f= 1/T = 1/0.0000625 = 16000 = 16kHz

TARGETRATE = 100000 // 表示 10 ms 

WINDOWSIZE = 25 0000 // 表示 25ms

四，ZEANSOURCE

这是个布尔类型，如果设置为true时，就会从原始信号中移除DC均值。

五，PREEMCOEF

这是预加重的过程，这个参数表示加重系数，就像这样的公式S'(n) = S(n) - k S(n-1)，这个参数表示k的值，一般都在0.9以上。关于预加重见：语音处理预加重

六，USEHAMMING

这个表示加窗过程，如果这个值设置为T 时，表示加汉明窗，具体见语音信息加窗处理。