企业官网建设流程全解析

一、什么是语音识别

语音识别 ASR：把人说话的语音声波（时域音频），自动转换成文字的技术。本质：时域语音信号 → 机器可懂的语音特征 → 文本。

不关心声音多好听，只关心说了什么内容。

二、语音识别完整技术流程（标准 6 步）

按顺序：

1. 音频采集麦克风 → ADC → 得到16k/8k 16bit 单声道 PCM 时域信号（就是 WAV/PCM 原始时域波形）=》 这是语音传感器的职责。剩下的都是“算法”的职责。

2. 预预处理

   • 降噪、去直流偏移
   • 分帧：把连续语音切成20ms~30ms 一帧（语音是短时平稳的）
   • 加窗：汉明窗 / 汉宁窗，防止频谱泄露

3. 时域 → 频域转换对每一帧时域波形做FFT 快速傅里叶变换✅这一步就是时域转频域的唯一环节 =》这是通用的时域信号转频域信号的过程。与具体的时域波形的特征无关！！！

4. 语音特征提取从频域频谱里，提取人耳敏感、适合机器识别的特征输出：MFCC / 梅尔频谱 Mel-Spectrogram =》这是特征提取。

5. 模型推理把特征送入ASR 模型（传统 GMM-HMM / 深度学习 CNN、RNN、Transformer）得到拼音 / 音素序列。=》根据特征进行解码成文字。

6. 解码输出文字语言模型 + 词典 → 最终输出汉字文本

三、语音特征提取 是什么？

1. 为什么要特征提取？

原始时域 PCM 数据维度太高、冗余太大、噪声多，直接喂给模型效率极低、识别差。需要把时域波形，压缩提炼成关键语音特征。

2. 常用语音特征

（1）功率谱 / 频谱

FFT 直接算出的频域能量分布

（2）梅尔频谱 Mel-Spectrogram（现在深度学习 ASR 标配）

模拟人耳听觉特性，对低频更敏感、高频压缩，最常用

（3）MFCC 梅尔倒谱系数

传统语音识别经典特征，工程落地用得极多

3. 特征提取本质

时域波形 → FFT 转频域 → 做滤波、压缩、映射 → 得到精简语音特征特征 = 去掉无用信息，保留语义相关的频域信息

四、哪个环节实现 时域 → 频域转化？

标准答案：

在「分帧加窗之后、特征提取第一步」通过 FFT 完成时域转频域。

时序定位：

音频采集 (时域) → 预处理分帧加窗 →FFT 变换（时域转频域）→ 特征提取 → 模型识别

• 原始 WAV/PCM：全程时域
• 不做 FFT：永远停留在时域，拿不到频率信息
• FFT 是时域跨入频域的唯一关口

五、极简链路浓缩版

时域语音 (PCM/WAV)→ 分帧加窗→FFT 时域转频域→ 提取梅尔频谱 / MFCC 语音特征→ ASR 模型→ 输出文字

六、帮你固化关键认知

1. 所有音频文件 WAV/MP3/OPUS 存的都是时域波形；
2. 频域不是录出来的，是FFT 算出来的；
3. 语音识别不能直接用时域波形，必须转频域再提特征；
4. FFT = 时域 → 频域 的转换开关；
5. 语音特征提取，是在频域基础上进一步精炼出适合识别的向量