语音预处理之分帧加窗
对于分帧加窗，可以分为三步，第一步是弄清楚为什么要进行分帧加窗？第三步是搞清楚如何实现分帧加窗操作？最后是代码实现。
1、为什么要进行分帧加窗操作？
语音信号为非平稳信号，其统计属性是随着时间变化的，以汉语为例，一句话中包含很多生母和韵母，不同的拼音，发音的特点很明显是不一样的；但是，语音又具有但是平稳的属性，比如汉语里的一个声母或者韵母，往往只会持续几十到几百毫秒，这一个发音单元里，语音信号表现出明显的稳定性、规律性，在进行语音识别时，对于一句话识别的过程也是以较小的发音单元（音素、字、字节）为单位进行识别的，因此可以用滑动窗来提取短时片段，也即进行分帧加窗操作。【注：加粗部分来源于孙思宁博士的课和课件】
2、如何进行分帧加窗操作？
2.1 相关术语
帧长：一帧语音信号的长度，长度可以用多种方式表示，如果用时间表示，一帧信号通常取在15ms-30ms之间，经验值为25ms(论文上大多数人用）。帧长为25ms的一帧信号指的是时长有25毫秒的语音信号。也可以用信号的采样点数来表示，如果一个信号的采样率为16kHz，则一帧信号由 16kHz * 25ms = 400个采样点组成。
帧移：指的是每次分帧时移动的距离，以第一帧信号的起始点开始移动一个帧移，开始下一帧。同样也可以用两种方式表示，用时间表示，常设为10ms，用采样点表示，16kHz采样率的信号帧移一般为160个采样点。
加窗：分帧后每一帧的开始和结束都会出现间断，因此分割的帧越多，与原始信号的误差就越大，加窗就是为了解决这个问题，使成帧后的信号变得连续，并且每一帧都会表现出周期函数的特性。常见的窗函数有：矩形窗、汉明窗、汉宁窗等，在语音信号处理中，通常使用汉明窗，其公式如下：
2.2 分帧加窗的具体操作
首先要根据信号长度、帧移、帧长计算出该信号一共可以分的帧数，帧数的计算公式如下：
帧数 = （信号长度-帧长）➗帧移 +1
具体的分帧操作如下图所示：
图2-1 分帧的具体操作
加窗操作比较简单，仅需将分帧的每一帧信号一次与窗函数进行相乘即可，其中窗函数可以从numpy里直接调用。
在分帧操作时，会遇到最后剩下的信号长度不够一帧的情况，此时需要将对这一段信号进行补零操作，使之达到一帧的长度，或者可以直接将之抛弃，因为最后一帧处于句子最末尾部分，大部分为静音片段。
3 分帧加窗的代码实现
以下是实现分帧加窗的具体代码
def enframe(signal, frame_len=frame_len, frame_shift=frame_shift, win=np.hamming(frame_len)):
"""
calculate the number of frames:
frames = (num_samples -frame_len) / frame_shift +1
"""
num_samples = signal.size
num_frames = np.floor((num_samples - frame_len) / frame_shift)+1
# calculate the numbers of frames
frames = np.zeros((int(num_frames),frame_len)) # (num_frames,frame_len)
# Initialize an array for putting the frame signals into it
for i in range(int(num_frames)):
frames[i,:] = signal[i*frame_shift:i*frame_shift + frame_len]
frames[i,:] = frames[i,:] * win
return frames其中需要注意以下几点：
①signal代表经过预加重后的信号，frame_len为帧长，frame_shift为帧移。
②np.hamming(frame_len)实现了汉明窗函数。
③上面的代码中，如果计算出信号长为5.2帧，则取为5帧，因为最后一帧一般都是静音信号，可以省略。初始化一个存放帧信号的数组frames，然后依次将signal信号里的数据按照分帧操作赋值给frames。
④如果输入信号的采样率为16kHz，帧长为400个采样点，帧移为160个采样点，则经过分帧加窗后得到的数组的形状为（帧数行，帧长列）。
若有写错之处，请各位朋友帮忙指正！