特征提取（fbank）
目的：
1.把每一帧波形变成一个包含声音信息的多维向量；
2. 能够符合或类似人耳的听觉感知特性
3. 在一定程度上能够增强语音信号、抑制非语音信号
fbank
fbank的总体流程可以由下图表示，去掉（DCT）。
1.语音采样率：
语音采样率顾名思义就是在一秒长的音频上采样多少个幅值点。根据采样定理采样率要大于采样信号的两倍，才能还原原始信号信息。人声信号人声一般在300-3400，很多声卡采样率都是8K。对于我们这边的算法取16K，
就是为了不丢失其中的高频成分。
2.预加重：
语音信号中高频部分能量很小，容易被噪声覆盖，因此有一个预加重的过程，目的是为了提升高频部分，使得信号频谱变得平坦，移除频谱倾斜，来补偿语音信号受到发音系统所抑制的高频部分。
预加重公式：
由于高频信号表征的是信号变换的速率快慢，因此信号的高频分量一般体现在信号上升或者下降沿。预加重技术就是增强上升沿或者下降沿的幅度。不过本公式采用的是去加重技术，
保持高频不变，减去=少低频信号的幅值，从公式来看，是将当前帧点减去前一帧的幅度，因此在越是陡峭的地方，当前这点被减去的越少（因为
越是陡峭，两帧之间的幅值差越大。而比较平缓的地方基本相当减去了自身的k倍），这样一来高频信号幅值被减去的很少，低频信号被减去的很多，高频信号幅值相对提升。
关于预加重的详细解释以及公式推导：https://blog.csdn.net/wordwarwordwar/article/details/52961737?utm_source=blogxgwz5
3.分帧
人声带信号在短时长内可以认为是平稳信号（一般取0.025秒），短时间频谱不会变化（这样的信号特性方便傅里叶变换），所以为了方便分析信号，一般将语音信号分成很多帧。
后续的很多处理都是针对帧来操作的。在分帧的时候为了避免窗边对信号的遗漏，因此在对帧做偏移的时候，帧间要有重叠（一般选择10ms）.否则，由于帧与帧连接处的信号会
因为加窗而被弱化，这部分的信息就丢失了。
4.加窗：
声音信号经过上面的分帧后，要做FFT处理。但是信号经过分帧后会有泄露（信号做FFT会被当成周期信号处理，当你截取的信号首尾不相等时，是不满足周期特性的），频谱与
原始信号有很大的差别。为了还原原始信号频谱，因此要对原始信号加上一个窗（实际上就是乘以一个窗函数，使得截取的信号满足傅里叶变换的条件）
关于窗具体看：https://www.zhihu.com/question/50402321/answer/144988327
5.FFT(快速傅里叶变换)
语音传进来的信号是时域信号，混合各种频段的信号，为了方便神经网络学习，需要将转成频域信号。然后在每一帧上做N点FFT来计算频谱，然后将每一帧的变换按轴频率拼接在一起就是语音谱。
如下图所示，横轴是时间，纵轴是频率，颜色深浅表示频谱强度。
傅里叶变换：https://zhuanlan.zhihu.com/p/19763358?columnSlug=wille（写的非常好）
DFT（离散傅里叶变换）https://zhuanlan.zhihu.com/p/45114376
FFT(快速傅里叶变换)https://blog.csdn.net/enjoy_pascal/article/details/81478582
5.Mel滤波器组
经过上面的步骤，在能量谱上应用Mel滤波器组，就能提取FBank特征。
在介绍Mel滤波器组之前，先介绍一下Mel刻度，这是一个能模拟人耳接收声音规律的刻度，人耳在接收声音时呈现非线性状态，对高频的更不敏感，因此Mel刻度在低频
区分辨度较高，在高频区分辨度较低，与频率之间的换算关系为：
Mel滤波器组就是一系列的三角形滤波器，通常有40个或80个，在中心频率点响应值为1，在两边的滤波器中心点衰减到0，如下图：
梅尔频率倒谱系数MFCC：https://zhuanlan.zhihu.com/p/43102193