语音信号处理-基本概念(一):音频长度(s)、采样率(Hz;如16000)、帧长(25ms)、帧数、帧移(12.5ms)、hop_size(每帧移动的样本点数=16000*12.5/1000=200)
需要明白一点,mel帧数 * 帧移 = 音频长度(采样点个数,可换算为音频时长,具体怎么做不用说了吧)
因此,对于22050采样率, hopsize大小设置为256, 那么对应的mel-spectrogram需要上采样 256倍
如果是16000采样率呢? 使用帧长是50ms,帧移 12.5ms 那么hop_size就是200(16000*12.5/1000=200)啦,所以上采样倍数就是200倍啦.
一、采样率(采样频率):每秒内进行采样的次数
每秒内进行采样的次数。符号是 fS,单位是 Hz。采样率越高,数字波形的形状就越接近原始模拟波形,声音的还原就越真实。
根据奈奎斯特·香农采样定理(Nyquist–Shannon sampling theorem),只有采样频率高于原始模拟信号中最高频率两倍,才能完美还原原信号。 常用的采样率如下图所示
二、帧长
三、帧移
四、hop_size
五、nb_samples
nb_samples表示一帧音频数据中采样的数量(次数),nb_sample