语音信号的来源

人声是由于声带震动，而产生声音。当运动肌肉挤压，使肺脏中的空气通过声带时，空气流动使得声带做周期性的震动，又再一次震动了空气，接着，带着动能的空气离开气管到达口腔或鼻腔，在腔室中震动，最后离开在嘴唇传到人耳变成声音。

若调整口腔中舌头的位置，会产生不同种类的声音，如果舌头没有做太多的动作，空气只有在口腔中共振，接着直接流出嘴唇，会产生母音，若提起舌头，使口鼻腔相通，则会出现鼻音。

语音信号分类

从中文发音的观点来说，声音仍可分为子音与母音，母音和子音可以用两种方式区分：

发声方式：一般而言，母音跟嘴唇形状有关，而且不与鼻腔共振。相对而言，在发出子音时，就会运用到鼻腔配合发声。

频谱分析：从频谱上观察可以发现子音的信号频率较高，持续时间较短，且会在母音之前出现。而母音的频率较低，持续时间较长，在子音后或独立出现，另外，母音的能量也会比子音大。

下面列出中文注音符号中的母音、子音及其拼音。

母音：ㄚ ㄛ ㄜ ㄝ ㄞ ㄟ ㄠ ㄡ ㄢ ㄣ ㄤ ㄥ ㄦ 一 ㄨ ㄩ

子音：ㄅ ㄆ ㄇ ㄈ ㄉ ㄊ ㄋ ㄌ ㄍ ㄎ ㄏ ㄐ ㄑ ㄒ ㄓ ㄔ ㄕ ㄖ ㄗ ㄘ ㄙ

语音的架构

要分析语音信号前，必须先了解其架构，语音的要素从小到大分别是：音素→音节→词汇→句子→整段话。

音素是声音的最小单位，例如“呵”这个字的音素，就是“ㄏ”和“ㄜ”，但是音素和注音符号并不相等，例如“鸥”虽然只有“ㄡ”这个母音，但是由于是双母音，所以会把他拆成两个音素。音节在中文而言，就是只一个字，例如：“天天开心”就有四个音节。词汇是文字组成的有意义片段，各种不同的词汇集结成句子，最后变成整段话，这就是语音的架构。

语音处理方法

用麦克风或其他装置收到的类音声音信号，经由模拟数字变换装置，将资料数据化进行处理，最后再经过数字模拟变换装置输出。因此，我们在处理时是针对数字信号，语音信号是一种离散时间信号。其信号处理流程如下：

1. 1.

   收取并采样信号：利用麦克风或各种收音装置，收取模拟语音信号，再用ADC装置(如模拟数字变换卡)把模拟信号变成数字信号，接着根据奈奎斯特理论作采样，若不符合理论则会造成信号失真。

   量化及编码：由于电脑中的记忆都是0和1，因此要将所收到的数据用一段适合的0跟1去储存，这个动作就称为量化，所使用的0与1越多，所需的内存越多。接着利用编码器将数值以波形呈现，因此虽然是数字信号，但是在电脑中所见到的是模拟。

   信号标准化：将语音信号标准化，使其数值都落在同一个范围。

   音框选择：由于语音信号是一段很长的信号，因此会针对想要处理的部分取音框。

   端点侦测：端点侦测的目的是使信号处理的范围更精确，只要设定一个音量阈值，若信号小于阈值，则将其视为没信号，但是若噪声过高，则会产生误差。

   去噪声：由于噪声多集中在高频的部分，因此利用简单的高频滤波器，就可以去掉部分噪声。

基本处理方法