早安安～

語音訊號的感知

我們必須理解人們是如何聽到聲音，才可以讓模型更有效率的學習，人耳可聽到的頻率介於20赫茲到20000赫茲之間，語音訊號傳出後，藉由介質以聲波傳遞，聲波被外耳郭收集進入外耳道，引起鼓膜震動，傳遞神經訊號給大腦，引發聽覺。

而人耳對於不同頻率靈敏度是不同的，可以藉由響度來衡量，就是聲音大小，響度的單位是方（phon），它等於1000赫茲的訊號在對應數位的聲壓級上產生的主觀聽感（意即響度和聲壓級的關係會隨著頻率不同而改變），基本上人耳在2000赫茲到4000赫茲的範圍內是最靈敏，而超過8000赫茲的聲音對語音訊號來說資訊也非常有限，所以語音訊號的接受範圍是8000赫茲下，而這樣對人本身的會話來說已經非常足夠了！

人耳對於音高的感知不均，基本上頻率變化及音高感知有很大的關係，在低頻中，同樣頻率變化的音高感知，會比高頻的音高感知來的更好，意即在高頻時，我們聽不太出來頻率變高時，音調也變高了。在計算上，我們使用Mel（梅爾）來表示人對音高的主觀感知，計算公式如下：

梅爾（Mel）是一個用於音頻和語音處理的單位，通常用於描述音調或頻譜特性的感知尺度。梅爾尺度是一種非線性的尺度，它更符合人類聽覺系統對音頻的感知方式。
梅爾尺度的主要應用之一是梅爾頻率倒譜係數（MFCCs），這是語音處理中常用的特徵之一。MFCCs通過將音訊信號轉換為梅爾尺度的頻譜特徵，然後提取出最重要的信息，用於語音識別、語音合成和聲音處理等任務。
梅爾尺度的主要特點是在低頻區域更加密集，而在高頻區域更加分散。這種感知尺度的特性使得它更適合描述人類聽覺系統對聲音的感知，因為人類聽覺對於低頻音調更敏感，而對於高頻音調不太敏感。
總之，梅爾是一個用於描述音頻感知特性的尺度，特別在語音處理中具有重要作用，例如梅爾頻率倒譜係數（MFCCs）用於語音處理中的特徵提取。它更符合人類聽覺系統的感知方式。

參考書籍：Hey Siri及Ok Google原理：AI語音辨識專案真應用開發
參考網站：今日無
學習對象：ChatGPT