為什麼一般語音識別系統要選擇25毫秒或25.6毫秒為一個標準幀長？

01-08

該超參數是如何制定出來的？求科普

幀長必須足夠長，使得一幀信號內有足夠多的周期；但又不能太長，因為需要保證一幀內的信號基本平穩。人聲的基頻範圍下限在100 Hz左右（有些男聲會更低），換算成周期是10 ms，所以一般幀長都選在20 ~ 50 ms。在這個範圍內選一個比較「整」的數，比如20、25、40、50，都很常見。

25.6 ms這個有點兒奇葩了……很明顯它的動機是讓每幀的採樣點數是2的冪，不過這隻有在採樣率為10 kHz、20 kHz或40 kHz的時候才能實現。這一系列並不是常見的採樣率。常見的採樣率系列有8 kHz、16 kHz和11025 Hz、22050 Hz、44100 Hz。在8 kHz或16 kHz採樣率下，可以選擇幀長為32 ms，使得每幀的採樣點數是2的冪。在後一系列中，就做不到了。

這個長度的語音，頻率特性是接近平穩的。