我们的声音里到底藏了什么？

近几年，语音识别技术越来越普及，当我们对着音箱喊出一条命令时，音箱到底是如何知道我们到底说了什么？我们天天都在用的语音里面到底藏着什么信息呢？语音识别通常需要对声音信号进行预处理，把一些隐藏的信息提取出来，这里就给大家介绍一种常见的预处理技术-Fbank。

下图是一段语音信号的波形图，描述了声音的大小随着时间的变化关系。

这张图里只能看到一个个的“山峰”，山峰越高，代表能量越强，声音越大。可是仅从这张图上只能看出能量随时间的波动，因此需要对这个信号进行一个变换，变换流程可以描述为预加重、分帧和加窗->快速傅里叶变换->取绝对值或平方->Mel滤波->取对数。听起来很复杂，但是其核心思想就是，把随时间不停变化的声音截断成一个个稳定的片段，提取频域信息后再按照人耳的听觉习惯进行调整就可以了。变换以后的信号见下图，是不是看起来就精彩多了？

这句话内容是“放一首抗战电影”，每个字在图中的位置已经进行了标注，可以清晰的看到里面有很多横向条纹，横向条纹就是发音中的元音，条纹的波动就代表着声音中元音随着时间的变化，在“首”和“抗”这两个字中可以清晰的看到分成了两段，前半段没有条纹的部分就是发音中的辅音（sh和zh），后半段条纹的部分就是发音中的元音（ou和ang）。经过这样的变换，就可以把语音信号清晰的展现出来啦。

当然，fbank只是语音信号变换的一种方式，另外这也只是语音识别的第一步。语音识别在智慧家庭中有着广阔的应用前景，中国移动智慧家庭运营中心会持续提升语音识别能力，致力于提升大家家庭生活的便捷度、舒适度和智能度。