企业官网建设流程全解析

我们用通俗原理 + 数字算账 + 语音物理特性，一次性给你讲透，完全贴合 ASR 语音识别逻辑。

一、先搞懂：时域原始信号「维度太高」是什么意思

以标准语音：16k 采样率、16bit、单声道为例：

• 1 秒语音 =16000 个采样点
• 10 秒语音 =160000 个数值

维度太高的意思

机器如果直接把原始时域采样点当输入：

• 一秒就要输入16000 维向量（16K个采样点的数据）
• 模型参数爆炸、训练巨慢、算力扛不住（树莓派 / RK 都跑不动）
• 大量数值跟语义无关，纯浪费计算

直白说：原始时域点数太密、数据量太大，模型吞不下、也没必要吞。

二、为什么「冗余太大」？

1. 语音本身是短时平稳的

人说话有个物理特性：20ms～30ms 之内，声音的频率、音色基本不变

• 20ms 有320 个时域采样点（20ms * 1.6K =320点，时域320维度数据）
• 这 320 个点表达的是同一个语音状态

👉320 个点只需要一组频域特征（十几个频域点）就能代表剩下几百个时域采样点全是重复冗余信息

2. 时域相邻采样点高度相关

前后两个采样点数值差别极小，变化平滑，大量数据是重复、可预测的，没有新增信息量。

3. 人耳不敏感细节冗余

时域波形里包含大量人耳感知不到的高频微小波动，对 “识别说什么字” 完全没用，属于多余数据。

三、为什么「噪声多」？

1. 时域直接混杂所有噪声（时域之所以需要大量的冗余，就是因为时域信号包含了大量的噪声！！！）

原始 PCM 时域里一锅烩：

• 人声
• 环境噪音（风声、车流）
• 电路电磁干扰、麦头底噪
• 呼吸、唇齿杂音

所有噪声和有效语音混在同一个时域波形里，分不开。

2. 时域看不出哪些是噪声、哪些是语音

肉眼看波形就是乱糟糟起伏，无法直接区分：哪段频率是人声、哪段是噪声。

3. 转到频域才能分离噪声

• 人声集中在：300Hz～3400Hz（不排除这个频谱波动的噪声，这里的噪声就当成真实的语音，给语音进行增强）
• 低频干扰、高频白噪在频域里一目了然可以直接滤波切掉无用频率，时域做不到。

四、总结三句话（记住就能永久理解）

1. 维度太高1 秒 16000 个采样点，数据量爆炸，模型根本没法直接用。

2. 冗余太大20ms 内语音基本不变，几百个时域点表达同一个信息，大量重复浪费。

3. 噪声太多时域人声 + 环境噪 + 电路噪混在一起，无法区分、没法过滤。

五、所以必须做的一步

时域 PCM → 分帧加窗 → FFT 转频域 → 提取 Mel/MFCC 特征

• 降维度：几百个时域点 → 几十个特征值
• 去冗余：用一组特征代表一整帧语音
• 滤噪声：频域直接剥离无关频率

这就是语音识别绝不直接用原始时域信号的根本原因。