10年语音专家带你实战特训：远场语音交互技术

汉宁窗相对汉明窗常用，因为在时域恢复的时候前后帧在叠加区域幅值相加为1。

不使用OVERLAP情况下，前后帧时域衔接时候会出现跳变，在频谱中体现为栅状结构。

语音信号在16ms内平稳

1）定位，波束形成，echo ti芯片，随时估计说话人方向，很难做到。

2）叮咚音箱，采用指向性mic，自然屏蔽，音箱出来的声音。中间突起，波束可以做到向上一些。全志+科胜讯codec芯片3+fpga，用于采集。

3）声智科技

去混响效果优异

房间冲击响应

反射，拖尾

1.音效：声源卷积冲击响应

2.识别：实际声音去除混响得到声源

单通道语音增强

噪声谱估计后，降低平稳噪声能量值，对瞬时噪声无效

enhance\omlsa.m

多通道维纳滤波等效于MVDR 级联单通道语音增强。大幅简化

波束形成对于识别率有益处，比挑选某一路直接识别强

ast_conv 可以实现低延时取代长卷基

512点滤波器，每次做128点

in 是256的阵，放s的前一时刻数据128点，后面补0，对in做fft

Y 是256x4的阵，放4帧的fft结果，叠加冲击响应W后ifft放在tmp里

method1:

把tmp前M点和上一帧数据后M点叠加放入y.

method2:

修改s填入方法，in的后M点，in的前M点放s。

这样，就省掉一次叠加了

y对比x(s长卷积h).看误差大小

PFBLMS：

x是输出给喇叭的信号，w是房间冲击响应可能是3000点的长序列，用fast_conv分段卷积的方法得到时域信号y,从mic得到的d中减掉y就是近端声音e了。由fast_conv实验得知，这种近似方法和长卷积误差很小。

1.回声消除

喇叭和扬声器之间的距离。

声速。

合算为采样点。

不断的调整，对齐

NLMS 

16K采样率 房间回声200ms 就是3200点

喇叭到MIC 20cm，58ms,928点

维纳滤波

nlms，增加了功率归一化

1. 非整数频率能量，FFT后，泄漏到周围频率上。

人耳的采样率是多少？普通人耳也分辨不出千分之5的频率差异啊。

2. overlap为了让相邻帧尽量不跳变，在通讯中一样的，要在每帧开始循环冗余。保证调制信号不要突变，因为突变信号很难传播远。

3.声音编辑工具，adobe audition

4.语谱图  功率谱