特征提取是语音识别中的关键步骤，因为原始音频信号对于机器来说过于复杂和嘈杂，无法直接处理。当您录制语音时，音频波形包含各种频率、背景噪声和特定于说话者的特征。特征提取通过隔离最相关的声学模式（如音高、音调和语音内容）来简化这些数据，同时过滤掉不相关的细节。例如，原始音频文件可能包含每秒 16,000 个样本，但特征提取将其简化为较小的一组值（例如，每帧 40 个梅尔频率倒谱系数，或 MFCC），这些值捕获语音的基本特征。这种简化使机器学习模型能够专注于信号中对于识别单词和短语至关重要的部分。
特征提取之所以重要的一个关键原因是，它弥合了人类感知和机器处理之间的差距。人类自然会过滤掉背景噪音并专注于元音和辅音等语音元素，但机器缺乏这种直觉。像 MFCC 或频谱图这样的技术通过强调人类语音范围内的频率（大约 80 Hz 到 8 kHz）并压缩高频数据来模仿人类听觉的各个方面。例如，MFCC 使用对数刻度来表示频带，这与人类感知音高差异的方式相符。同样，频谱图可视化频率随时间的变化，使模型更容易检测音素之间的转换（例如从“s”到“a”在“sat”中的转换）。如果没有这些特征，模型将难以区分有意义的语音与噪音或静音。
特征提取还可以提高计算效率和模型准确性。通过降低数据维度，它可以加快训练和推理速度。例如，使用像 CNN 或 transformers 这样的深度学习模型处理原始波形比使用预先计算的 MFCC 需要更多的计算资源。此外，可以对特征进行工程设计以解决特定挑战。例如，delta 系数（MFCC 的导数）捕获语音中的时间变化，帮助模型识别声音之间的快速转换。像感知线性预测 (PLP) 这样的噪声鲁棒特征可以进一步提高在有背景干扰的环境中的性能。在实践中，现代系统通常会结合这些技术——使用 MFCC 作为基线特征，并用音高或能量指标增强它们——以创建平衡细节和效率的平衡表示。这个预处理步骤是构建语音识别器的基础，这些语音识别器可以在不同的说话者、口音和录音条件下可靠地工作。