一、音頻信號的數(shù)字化
聲波在時間和幅度上都是連續(xù)的，是一種模擬信號。要到計算機(jī)里面能夠處理它，就必須要把它轉(zhuǎn)換成二進(jìn)制的“0”和“1”，這個過程叫數(shù)字化過程。數(shù)字化過程，就是采樣、量化和編碼的過程。
(1)采樣：聲音信號在時間上的離散化。即每隔一定時間抽取一個信號樣本。采極頻率，就是每秒采樣的次數(shù)。
奈奎斯特理論：采樣頻率不低于聲音信號最高頻率的兩倍，這樣就能把數(shù)字聲音還原成原來的聲音，稱為無損數(shù)字化。
語音的最高頻率約為3KHz,放大一點，到3.4KHz,。如果放大兩倍就是6.8KHz,再放大一點，就是電話采樣的頻率,定在8KHz。人的耳朵能夠感知到的音頻的最高頻率為20kHz, CD音質(zhì)的采樣頻率為44.1kHz;
（2）量化：聲音信號在幅度上的離散化。采樣過程中對每一個采樣點的幅度值用數(shù)字量來表示。
采樣精度：即量化的位數(shù)，8位可以將幅度分成256等份，位數(shù)越多量化等級數(shù)也越多，所能表示的聲波幅度的動態(tài)范圍也越大，當(dāng)然需要的存儲空間也越大。如果幅度的劃分是等間隔的，則稱為線性量化，否則為非線性量化。上圖比被分成八個刻度，是等分的線性量化。而在實際的一些算法中都是采用非線性量化。這是因為我們聲音的幅度，絕大部分的波形，它的幅度都不是很高，但是突然會有一個聲音可能很響，這個波形它的幅度就會比較大。如果我們采用這樣的等分間隔，就不能把這個絕大多數(shù)的較低的這些波形更好的把它們表示出來。相反波形比較高的這一部分它很少，它就浪費(fèi)了這個量化的位數(shù)。不能更好的把這個波形更精確的表示出來。所在在實際當(dāng)中，可以采取這樣一種方式，就是幅度低的這一部分，把它的量化的位數(shù)增加，也就是把它的間隔縮得更短，而對于這個幅度比較高的波形，我們把它的量化的位數(shù)減少，把它的間隔拉大一些。這樣就能充分的利用量化的位數(shù)。把這個波形更精確的表示出來。
（3）編碼。
脈沖編碼調(diào)制法(PCM) :: 用二進(jìn)制來表示每一個有固定電平的量化值。寫成二進(jìn)制的過程就可以理解為編碼的過程。
如何計算數(shù)字化音頻的數(shù)據(jù)量? 數(shù)據(jù)量=采樣頻率*采樣精度*采樣時間*聲道數(shù)/8 就得到字節(jié)數(shù)。
例2.1計算1分鐘未壓縮的高保真立體聲數(shù)字聲音數(shù)據(jù)的大小。
60*( 44100*16*2)/8=10.09 MB 一分鐘等于60秒，高保真立體聲就說明它是CD音質(zhì)，采樣頻率是44100Hz,它的量化的位數(shù)要達(dá)到16位,它是立體聲有兩個聲道，那就要乘以2,再除以8,才能獲得字節(jié)數(shù)。那這樣算出來的話，一分鐘要10.09MB，所以一首歌曲，錄制的時間大約在四分鐘左右的，不壓綜就需要40MB左右。一個容量為4GB的MP3播放器可存放100首這樣的歌曲。而我們現(xiàn)在聽的歌曲，一首歌它的長度大約是在4MB左右，所以它的壓綜就能達(dá)到10倍左右。
二、數(shù)字音頻壓縮標(biāo)準(zhǔn)
（1）電話質(zhì)量的語音壓縮標(biāo)準(zhǔn)。G.711, G. 721,G.723，G. 729等，采樣頻率: 8kHz， 量化位數(shù): 8位
(2)調(diào)幅廣播語音壓縮標(biāo)準(zhǔn)：G.722:第一個寬帶語音編碼算法，采樣頻率: 16kHz
(3)寬帶音頻壓縮標(biāo)準(zhǔn)：MPEG-1的音頻，第一個高保真立體聲音頻壓縮國際標(biāo)準(zhǔn)，提供三個獨(dú)立的壓縮層次，mp3則采用了其中第三層的標(biāo)準(zhǔn)。
三、常見的音頻文件
WAV文件：波形文件,文件大，適合存儲簡短的聲音片段和旁白。
MP3文件：是MPEG音頻第3層的簡稱，有損壓縮，壓縮比達(dá)12:1.
RA文件: Real Media音頻部分， 采用流式傳輸，適合在線聆聽。
WMA文件：微軟推出的流式音頻格式。
AC3文件:又叫杜比數(shù)碼環(huán)繞立體聲，提供5個全頻域聲道和1個超低音聲道，稱為5. 1聲道，一般作為DVD的伴音。
AIFF (音頻交換文件格式): Apple公司開發(fā)，被Macintosh平臺 及其應(yīng)用程序所支持。
FLAC文件:無損壓縮，源碼開放，支持所有操作系統(tǒng)平臺。
AMR文件：移動通信中廣泛使用的語音標(biāo)準(zhǔn)，用于保存手機(jī)錄音.
三、智能語音處理技術(shù)
（1）語音識別技術(shù)：語音識別就是讓計算機(jī)能夠聽懂人說話。
Windows的語音識別：操作系統(tǒng)自帶的語音識別。Windows 7能上版本都帶有這個功能。打開Windows 輕松使用， 就能找到。打開后彈出：
歡迎使用語音識別
僅使用語音,便可以啟動程序、打開菜單、單擊屏幕上的按鈕和其他對象、將文本口述到文檔中以及書寫和發(fā)送電子郵件。只要是可以用健盤和鼠標(biāo)完成的所有事情,都可以僅用語音來完成。
首先，將此計算機(jī)設(shè)為識別語音,
注意:完成此設(shè)置向?qū)Ш?便能夠通過語音控制計算機(jī)。設(shè)置成功后會有一個小的窗口浮動在桌面上，默認(rèn)它就進(jìn)入到一個聆聽的狀態(tài)。這個時候我們只要把麥克風(fēng)準(zhǔn)備好了，就對著這個麥克風(fēng)說話，它就能夠開始聽。
（2）語音合成技術(shù)。語音合成，使計算機(jī)具有類似人的說話能力。語音合成分三個層次，從文字到語音，從概念到語音，從意向到語音。我們現(xiàn)在能夠使用的基本上是文字到語音。
語音合成的特點，標(biāo)準(zhǔn)清晰，但缺少感情色彩。語音合成的應(yīng)用，主要在文語轉(zhuǎn)換，語音杳詢。
聯(lián)系客服
