特徵提取（fbank）
目的：
1.把每一幀波形變成一個包含聲音信息的多維向量；
2. 能夠符合或類似人耳的聽覺感知特性
3. 在一定程度上能夠增強語音信號、抑制非語音信號
fbank
fbank的總體流程可以由下圖表示，去掉（DCT）。
1.語音採樣率：
語音採樣率顧名思義就是在一秒長的音頻上採樣多少個幅值點。根據採樣定理採樣率要大於採樣信號的兩倍，才能還原原始信號信息。人聲信號人聲一般在300-3400，很多聲卡採樣率都是8K。對於我們這邊的算法取16K，
就是爲了不丟失其中的高頻成分。
2.預加重：
語音信號中高頻部分能量很小，容易被噪聲覆蓋，因此有一個預加重的過程，目的是爲了提升高頻部分，使得信號頻譜變得平坦，移除頻譜傾斜，來補償語音信號受到發音系統所抑制的高頻部分。
預加重公式：
由於高頻信號表徵的是信號變換的速率快慢，因此信號的高頻分量一般體現在信號上升或者下降沿。預加重技術就是增強上升沿或者下降沿的幅度。不過本公式採用的是去加重技術，
保持高頻不變，減去=少低頻信號的幅值，從公式來看，是將當前幀點減去前一幀的幅度，因此在越是陡峭的地方，當前這點被減去的越少（因爲
越是陡峭，兩幀之間的幅值差越大。而比較平緩的地方基本相當減去了自身的k倍），這樣一來高頻信號幅值被減去的很少，低頻信號被減去的很多，高頻信號幅值相對提升。
關於預加重的詳細解釋以及公式推導：https://blog.csdn.net/wordwarwordwar/article/details/52961737?utm_source=blogxgwz5
3.分幀
人聲帶信號在短時長內可以認爲是平穩信號（一般取0.025秒），短時間頻譜不會變化（這樣的信號特性方便傅里葉變換），所以爲了方便分析信號，一般將語音信號分成很多幀。
後續的很多處理都是針對幀來操作的。在分幀的時候爲了避免窗邊對信號的遺漏，因此在對幀做偏移的時候，幀間要有重疊（一般選擇10ms）.否則，由於幀與幀連接處的信號會
因爲加窗而被弱化，這部分的信息就丟失了。
4.加窗：
聲音信號經過上面的分幀後，要做FFT處理。但是信號經過分幀後會有泄露（信號做FFT會被當成週期信號處理，當你截取的信號首尾不相等時，是不滿足週期特性的），頻譜與
原始信號有很大的差別。爲了還原原始信號頻譜，因此要對原始信號加上一個窗（實際上就是乘以一個窗函數，使得截取的信號滿足傅里葉變換的條件）
關於窗具體看：https://www.zhihu.com/question/50402321/answer/144988327
5.FFT(快速傅里葉變換)
語音傳進來的信號是時域信號，混合各種頻段的信號，爲了方便神經網絡學習，需要將轉成頻域信號。然後在每一幀上做N點FFT來計算頻譜，然後將每一幀的變換按軸頻率拼接在一起就是語音譜。
如下圖所示，橫軸是時間，縱軸是頻率，顏色深淺表示頻譜強度。
傅里葉變換：https://zhuanlan.zhihu.com/p/19763358?columnSlug=wille（寫的非常好）
DFT（離散傅里葉變換）https://zhuanlan.zhihu.com/p/45114376
FFT(快速傅里葉變換)https://blog.csdn.net/enjoy_pascal/article/details/81478582
5.Mel濾波器組
經過上面的步驟，在能量譜上應用Mel濾波器組，就能提取FBank特徵。
在介紹Mel濾波器組之前，先介紹一下Mel刻度，這是一個能模擬人耳接收聲音規律的刻度，人耳在接收聲音時呈現非線性狀態，對高頻的更不敏感，因此Mel刻度在低頻
區分辨度較高，在高頻區分辨度較低，與頻率之間的換算關係爲：
Mel濾波器組就是一系列的三角形濾波器，通常有40個或80個，在中心頻率點響應值爲1，在兩邊的濾波器中心點衰減到0，如下圖：
梅爾頻率倒譜系數MFCC：https://zhuanlan.zhihu.com/p/43102193