特徵提取（Feature Exaction）的重要性，就不用多說了。

對於音訊訊號，按時間解析度、按區域性or全域性的觀念、持續時間長短，或者愛怎麼講怎麼講，特徵可分為長期（long-term）、中期（mid-term）、短期（short-term），也可以叫短時特徵。術語翻譯不統一，我也不專業。知道英文術語就好。

短時能量、功率是有點瞬時功率的概念，但又沒有那麼“瞬時”。大概是按幀在做計算。

短時功率在計算的時候，把每一幀的能量還要處理該幀的長度，量綱上等於[Watt]。

有時候，要把線性尺度的短時能量和短時功率換算成對數尺度，分貝（dB），還要對最大值進行歸一化，換算成相對強度，讓最大值為0dB。

短時過零率（short-term zero corss rate，st-ZCR），大概是從時域上描述訊號頻率吧，也是按幀計算。聲母的ZCR高一些，韻母的要低一些。噪聲的話，不太確定了。大概好像要是比韻母高。和聲母，我還不太清楚。

大致的程式碼如下了。

短時能量。

function E = get_st_energy( x,fs,wlen_time,step_time,win_type,energy_unit )
%function zcr = get_st_energy( x,fs,wlen_time,step_time,win_type,energy_unit )
%   獲取短時能量（沒有除以幀長，所以不是計算的功率）。
%   輸入引數
%           x：語音訊號 --> 單聲道
%           fs：取樣速率
%           wlen_time：視窗時間（s）
%           step_time：步進時間（s）
%           win_type：'hamming','hanning',...,預設'hamming'
%           energy_unit：'dB'，以歸一化的能量顯示 （單位：dB）。否則是線性刻度。
%   返回引數
%           E：短時能量（橫座標是幀序號）
% 作者：qcy
% 版本：v1.0
% 版本說明：計算短時能量。
% 如果分幀時，不能整除，則拋棄最後一幀，不予以計算
% 時間：2016年10月31日21:21:23

wlen = round(wlen_time * fs);
nstep = round(step_time * fs);

if nargin < 5
    win = hamming(wlen);
elseif nargin == 5
    if strcmp(win_type, 'hamming')
        win = hamming(wlen);
    elseif strcmp(win_type, 'hanning')
        win = hanning(wlen);
    else
        win = hamming(wlen);
    end
else
    win = hamming(wlen);
end

nFrames = floor((length(x) - wlen)/nstep) + 1; % 總幀數
E = [];

for k = 1:nFrames
    idx = (k-1) * nstep + (1:wlen);
    x_sub = x(idx) .* win;
    E(k) = sum(x_sub.^2); 
end

% 是否需要化成dB
if nargin == 6
    if strcmp(energy_unit, 'dB') 
        E = 10*log10(E/max(E)+eps);
    end
end
end

 

短時過零率。

function zcr = get_st_zcr( x,fs,wlen_time,step_time,win_type )
%function zcr = get_st_zcr(x,fs,wlen_time,step_time,win_type )
%   獲取短時過零率。
%   輸入引數
%           x：語音訊號 --> 單聲道
%           fs：取樣速率
%           wlen_time：視窗時間（s）
%           step_time：步進時間（s）
%           win_type：'hamming','hanning',...,預設'hamming'
%   返回引數
%           zcr：短時過零率（橫座標是幀序號）
%
% 作者：qcy
% 版本：v1.0
% 版本說明：計算短時過零率。
% 如果分幀時，不能整除，則拋棄最後一幀，不予以計算
% 時間：2016年10月31日21:08:22

if(min(size(x))>1) % 如果不是單聲道
    % ...
end

wlen = round(wlen_time * fs);
nstep = round(step_time * fs);

if nargin < 5
    win = hamming(wlen);
elseif narmin == 5
    if strcmp(win_type, 'hamming')
        win = hamming(wlen);
    elseif strcmp(win_type, 'hanning')
        win = hanning(wlen);
    else
        win = hamming(wlen);
    end
else
    win = hamming(wlen);
end


nFrames = floor((length(x) - wlen)/nstep) + 1; % 總幀數
zcr = [];

for k = 1:nFrames
    idx = (k-1) * nstep + (1:wlen);
    x_sub = x(idx) .* win;
    x_sub1 = x_sub(1:end-1);
    x_sub2 = x_sub(2:end);
    zcr(k) = sum(abs(sign(x_sub1) - sign(x_sub2))) / 2 / length(x_sub1); 
end

end
 

以後，會把這兩個特徵用於語音端點檢測中。

比如得到下面這張圖。