声纹识别的核心技术

从信号到特征-短时分析

传统特征分析的不足

在训练过程中，研究对象通常需要被转化为具有固定维度的向量形式，这种向量即被定义为特征。

以往的做法是将整段音频信号（无论长短）作为全局特征进行处理。然而，对于语音信号而言，这种全局特征存在一定的不稳定性，从而影响了研究的实际效果。值得注意的是，语音信号具备短时平稳性的特性，因此通过提取其局部特征并进行训练，能够取得更为理想的结果。

分帧

此处的分帧操作与视频处理中的分帧理念具有相似之处。针对语音信号，同样可以将采样数据沿着时间轴划分为多个较短的时间段，这些时间段被定义为帧。在进行分帧处理时，需重点关注两个关键参数：单个帧所覆盖的时间长度，即帧长；以及相邻两帧之间的时间间隔，即帧移。

通常情况下，人们会设定25ms作为帧长，10ms作为帧移。当帧移数值小于帧长时，相邻的两帧会出现重叠区域；若两者数值相等，则不会出现重叠；而当帧移大于帧长时，则可能导致音频信号的部分内容无法被完整覆盖。

以采样率为16khz的音频为例，每帧提取40维的特征信息，并设定25ms为帧长、10ms为帧移。对于持续时间为1秒的音频文件而言，最终可提取出100*40=4000个特征参数。

窗函数

在完成对采样信号的分帧操作后，即可针对每一帧数据实施特征提取工作。然而