语音标注必须了解的基础知识点
今天写一篇关于语音相关的基础知识，不管是数据标注还是刚了解语音相关AI技术的小伙伴都必须要知道的知识点。
一.几个重要的概念
1.采样
由于声音为为模拟连续信号，而计算机只能处理数字离散信号，因此要用计算机来分析和处理声音，就需要经历模数转换过程[Anlog to Digital Converter，即ADC]，即将模拟连续信号转换为数字离散信号。采样就是按照一定时间间隔从模拟连续信号提取一定数量的样本来，其样本值用二进制码0和1来表示，这些0和1构成了数字音频文件，其过程实际上是将模拟音频信号转换成数字离散信号。
2.采样率
采样率表示了每秒对原始信号采样的次数。显然，在一秒中内采样的点越多，获取的信息越丰富，为了复原波形，一次振动中至少得有两个采样点，要想使采集到的信号不失真，采样频率规定至少为语音频率的2倍，因此要 得到一个频率为10000赫兹的声音，则其采样率至少要大于20000赫兹的。采样率越高，数字信号的保真度越高，但同时占用的存储空间越大。如果采样率低于语音频率的两倍，则会产生低频失真、信号混淆现象。
3.采样精度
采样精度就是指存放一个采样值所使用的比特数目。当用8个比特（采样精度为8位）存放一个采样值时，对声音振幅的分辨等级理论上为256个，即0至255；当用16个比特（采样精度为16位）存放一个采样值时，对声音振幅的分辨等级理论上为65536个，即0到65536。如果您将采样精度设置为16位，计算机记录的采样值范围则为-32768到32767之间的整数。
注意采样率和采样精度越大，记录的波形更接近原始信号，但同时占用的内存空间也越大。
4.声道
声道指输入或输出信号的通道。通常用多声道来输入或输出不同的信号。如果只需录制一个位置的一种信号时，只要使用单声道就可以了。
5.信噪比
信噪比指信号与噪声之间的能量比。录音时信噪比越高越好。16位采样率的信噪比大约是96dB，8位采样率的信噪比大约是48dB。在录音时，在录音时简单估计噪音大小的办法是：当没有语音信号输入的时候，如果麦克风输入的信号振幅值超过200（单位为采样值，相当于46dB），则噪声就比较大，需要进行一定控制，如在比较安静的环境下录音，关闭窗户、空调、电扇等噪声源，远离电脑等噪声源等等，选用比较好的带有屏蔽的麦克风，选用比较好的声卡等等。噪声的振幅值越低越好，录音室里的录音一般可以控制在10以下（单位为采样值，相当于20dB）
注：采样率和采样精度的设置以越高越好，采样率和采样精度越高则声音的质量越高，不过考虑到存储空间和语音信号的特点，一般可以设置为16000赫兹的采样率和16位的采样精度。如果需要录制两个不同的信号源，则使用立体声，否则都使用单声道。
二.声学的几个基础概念
当物体振动时，会引起周围空气的波动，导致空气粒子间的距离发生疏密变化，从而引发空气压强的改变，在通过人的耳膜对空气压强的反映传入大脑，从而形成声音。物理上讲，声音具有4个基本特征：即音色、音强、音高和音长。
1.声波
声波是有物体振动产生的，物体振动使周围的介子（如空气）产生波动，这就是声波。声波的最简单形状是正弦波，由正弦波得到的声音交纯音。在日常生活中，人们听到的大部分都不是的纯音，而是复合音，这是由多个不同频率和振幅的正弦波叠加而成的。
2.声速
声波每秒在介子中传播的距离，叫做“声速”，用c表示，单位m/s。声速与传播声音的介子和温度有关。在常温常压的空气中，声速（c）和温度（t℃）的关系可简写为：c ≈ 331.4+0.607t(m/s)。常温常压下，声速为345m/s。
3.波长
沿着声波传播方向，声波震动一周所传播的距离，或在波形上相位相同的相邻的两点的距离，叫做“波长”，用λ表示，单位为m。波长与发生物体的震动频率成反比：频率越高，波长越短。日常所说的长波指频率低的声音，短波指频率高的声音。波长、声速和频率三着之间的关系λ=c/f。
4.振幅
振动物体离开平衡位置的最大距离，叫做振动的“振幅”，通常用符号
文章被以下专栏收录
