图中，每帧的长度为25毫秒，每两帧之间有25-10=15毫秒的交叠。我们称为帧长25ms、帧移10ms的分帧。
帧移的事情就不详细解释了，它是为了保证语音信息的完整性。感兴趣的同学可以查一下，加窗/窗函数。
那为什么需要平缓的分帧呢？因为我们需要做傅里叶变化，它适用于分析平稳的信号。
人类是根据振动频率判断声音的，而以时间为横轴（时域）的波形图没有振幅描述，我们需要做傅里叶变换，将它变成以频率为横轴（频域）的振幅描述。
2.3 特征提取
特征提取就是从语音波形中提取出能反映语音特征的重要信息，去掉相对无关的信息（如背景噪声），并把这些信息转换为一组离散的参数矢量 。
a）特征提取
如何提取呢？我们经过采样，预处理，将这些数字绘制为简单的折线图，如下所示，我们得到了 20 毫秒内原始声波的大致形状：
这样的波形图对机器来说没有任何描述信息。这个波形图背后是很多不同频率的波叠加产生的。（准确的讲，它在时域上没有描述能力）
我们希望一段声纹能够给出一个人的特性，比如什么时候高，什么时候低，什么时候频率比较密集，什么时候比较平缓等等。
就是我们上面所说的，用傅里叶变化来完成时域到频域的转换。
这就需要对每一帧做傅里叶变化，用特征参数MFCC得到每一帧的频谱（这个过程就是特征提取，结果用多维向量表示），最后可以总结为一个频谱图（语谱图）。
如下图所示，是“hello”的频谱图，很酷是吧~
横轴是时间，纵轴是频率。颜色越亮，表示强度越大。
b）常用的特性参数
特性提取时，我们有常用的特征参数作为提取模板，主要有两种：
线性预测系数（LPC）
LPC 的基本思想是，当前时刻的信号可以用若干个历史时刻的信号的线性组合来估计。通过使实际语音的采样值和线性预测采样值之间达到均方差最小，即可得到一组线性预测系数。
求解LPC系数可以采用自相关法 (德宾 durbin 法) 、协方差法、格型法等快速算法。
倒谱系数
利用同态处理方法，对语音信号求离散傅立叶变换后取对数，再求反变换就可得到倒谱系数。
其中，LPC倒谱(LPCCEP)是建立在LPC谱上的。而梅尔倒谱系数（Mel Frequency Cepstrum Coefficient, MFCC）则是基于MEL谱的。不同于LPC等通过对人的发声机理的研究而得到的声学特征，MFCC 是受人的听觉系统研究成果推动而导出的声学特征。
简单的说，经过梅尔倒谱分析，得到的参数更符合人耳的听觉特性。
c）短语音识别为单词
有了上面的特征提取，每一帧都可以表述为一个多维向量，接下来就是把向量识别为文本。
这里我们需要多介绍一个概念，叫【状态】。
你可以理解为，是比音素更细致的语音单位。通常把一个音素划分成3个状态。
