语音基础知识–持续更新

大家好，欢迎来到IT知识分享网。

1、干声

        干声是指录音以后未经过任何后期处理和加工的纯人声。

2、湿声

        湿音是在干音基础上进行修饰处理后的声音。

        这种处理可以包括混响（Reverberation）、延迟（Delay）、回声（Echo）、失真（Distortion）等，使得声音听起来更加饱满、有空间感或具有特定的效果。

3、信噪比

        英文名称叫做SNR或S/N（SIGNAL-NOISE RATIO)，是指语音信号中有用信号与噪声信号的比值，通常用分贝表示。

信噪比越高表示信号越清晰，噪声越小。

        信噪比越高，表示信号的质量越好，噪声对信号的影响越小。在音频设备中，高信噪比意味着音频更加纯净，没有杂音或噪音。在通信系统中，高信噪比有助于减少误码率，提高通信质量。

应用领域：

        （1）音频设备：如耳机、音箱、麦克风等，信噪比越高，音质越好。

        （2）通信设备：如手机、无线电、卫星通信等，信噪比越高，通信质量越好。

        （3）视频设备：如电视机、显示器、摄像头等，信噪比越高，图像质量越好。

4、语音图像

        语音的图像主要包括时域图和频域图，它们分别展示了语音信号在不同维度上的特性。

4.1、时域图

描述:

        （1）横轴：时间，通常表示语音信号随时间流逝的连续性。

        （2）纵轴：信号的幅度（振幅），表示声音信号的强弱。

        （3）波形：直接反映了语音信号的波形特征，如音节的起始和结束、声音的强弱变化等。

​​​​​​​​​​​​​​​​​​​​​4.2、频域图

描述:

        （1）横轴：频率，表示语音信号中不同频率成分的分布。

        （2）纵轴：信号的幅度（或功率），表示该频率成分在语音信号中的强度。

        （3）频谱：反映了语音信号中各个频率成分的强度和分布情况。

​​​​​​​​​​​​​​​​​​​​​4.3、频谱图

描述:

        （1）横轴：时间，通常表示语音信号随时间流逝的连续性。

        （2）纵轴：信号的频率，表示该频率成分的强度。

        （3）频谱：表示信号在不同时间和频率上的能量分布。​​​​​​​

4.4、举例

4.4.1、发音【小泰小泰】

（1）时域图

（2）频域图

（3）频谱图

时域和频域上分析：

        时域上，其波形非常规律，具有明显的周期性。

        频域上，其能量较为集中在中间频率区域。

python代码试下如下：

import numpy as np import matplotlib.pyplot as plt from scipy.fft import fft def plot_audio(audio_data, sample_rate): # 时域图 time = np.arange(0, len(audio_data)) / sample_rate plt.subplot(311) plt.plot(time, audio_data) plt.xlabel('Time (s)') plt.ylabel('Amplitude') plt.title('Time Domain') # 频域图（通过快速傅里叶变换） fft_audio = fft(audio_data) freqs = np.fft.fftfreq(len(audio_data), 1.0 / sample_rate) magnitude = np.abs(fft_audio) plt.subplot(312) plt.plot(freqs, magnitude) plt.xlabel('Frequency (Hz)') plt.ylabel('Magnitude') plt.title('Frequency Domain') # 频谱图（通过短时傅里叶变换） from scipy.signal import stft f, t, Zxx = stft(audio_data, sample_rate, nperseg=256) plt.subplot(313) plt.pcolormesh(t, f, np.abs(Zxx), shading='gouraud') plt.xlabel('Time (s)') plt.ylabel('Frequency (Hz)') plt.title('Spectrogram') plt.tight_layout() plt.show() # 示例用法 # 假设您已经有音频数据 audio_data 和采样率 sample_rate # 您可以替换以下示例数据为您实际的数据 audio_data = np.sin(2 * np.pi * 440 * np.arange(0, 1024) / 44100) sample_rate = 44100 plot_audio(audio_data, sample_rate)