嗯嗯，对的，您说的这个理解是对的。低频上滤波器比较密集，人耳对这部分的分辨率是比较高的，高频信息，特别是谐波，对识别音素很有帮助

@soudAI_JY ，这个现在几乎所有的模型，还是会进行预加重的，并没有因为这个原因放弃这一步，我理解的是远场的时候，高频衰减比较厉害，应该更需要做一些预加重，而且现实的噪声信号，中低频的多，这样也能稍微减弱一下中低频的干扰

MFCC特征做过了DCT变换，我们说各维度之间的相关性变小了，而我们在训练GMM模型的时候，一般高斯模型的协方差矩阵是对角的，也就是说，变量的各维度之间是不相关的，而MFCC特征基本上有这个属性，特征的各维度之间相关性小了。

但是fbank特征，因为各个滤波器之间的重叠，还有就是信号频率之间的相关性，比如谐波的存在，各维度之间相关性比较大，但是DNN的建模的时候不需要假设各维之间是不相关的，因此直接采用fbank特征就行。

1）这个地方，并不是直接把之前dft的频域信号直接变回时域，是经过了梅尔滤波器、log之后的信号，再次变回“时域”。我们ppt里面用了伪频率轴，其实是说，这个idft之后的信号，并不是真的表示有明确意义的频率，我们实际上是把log X当作了一个时域信号处理（虽然他是频域的，但是如果我们把横轴看成时间轴呢？），是不是相当于又对log X做了一个DFT？因为这个信号是实数信号了，dft和idft其实一样

2）语音信号的高频并不是噪声，比如元音，有很明显的谐波，但是高频信号由于衰减快，录制到的高频谐波能量很低，而人耳又对高频部分相对敏感，因此我们通过预加重，来提高高频部分的能量

3）底部左边的图，确实是一个25ms的时域帧DFT之后的频谱，我们完全可以用语谱图在某一个时刻上的切面来理解语谱图的意义。

A1：从我们课件的第27页我们知道，我们的目的就是为了分开log |X|中“低频”和“高频”信号，log |X|本身就是一个频域上的信号了，但是如果我们忽略这个信号的本身表示的意义，就把它当成一个普通的波形来看，如果你想分析这个信号的频率成分，应该怎么做呢？很简单，就是对这个信号做一个DFT分析，这样，我们就知道这个信号里面低频和高频信号各有哪些了，这就是我们做了idft的作用，因为这个信号是实信号，idft和dft其实是一样的。27页的ppt中，log |H|变化缓慢，很显然，这个就是log |X|这个信号中的低频信号，也是我们需要的部分，那么，IDFT（log |X|)得到信号的前半部分就应该是这个信号的频率成分了，同理，后半部分就是对应的log |X|中频率较高的部分了，这样说可以理解吗？

比如经过idft之后，我们只取了idft之后的第1-12位，那么这1-12位就是最原始12维MFCC特征，至于一阶，二阶，那就是用相邻帧的12维特征进行一阶差分和二阶差分进一步得到的。能量，就是原始时域信号x[n]的能量和 sum(x[n]^2)

A2: 物理意义我上面回答解释了一下，还是要从DFT的物理意义出发去理解比较好理解，DFT的目标就是频率分析，分析信号中的频率成分。

十分抱歉，我的笔误，班主任更新了ppt，里面对这里做了修正。

不好意思哈，这个论文我没有看过，我觉得可能还是需要做预加重的，我看看这个论文之后，如果我能理解我再回答一下。

hi，目前来看，其实近讲和远讲在特征提取部分，是没有什么区别的，虽然远讲信号能量衰减快，一般是利用前端语音增强技术来增强语音，降噪、AEC、去混响等等，但处理之后的信号还和课程讲的一样进行特征提取。

是的，这个确实是一个高通滤波器，如果你对传递函数不是很理解，那么你可以这样理解：公式y[n]=x[n]-a*x[n-1]，试想，如果x[n]这个信号频率很低，那么x这个信号变化很缓慢，x[n]和x[n-1]的差别是不是应该特别小？当a这个参数接近1的时候，x[n]-a*x[n-1]是不是近似于0了，这样就把频率比较低的信号通过这种差分形式过滤了。如果x[n]这个信号变化很快，也就是频率高，那x[n] 和x[n-1]的差别应该很大，做差分就无法滤过这个信号了。这是一个通俗的说法。

词汇量小的时候用HMM-GMM模型也是可以，就是一个词可以用一个多状态的HMM来建模，每个状态的发射概率用GMM表示，聚类一般就不用了，聚类是为了减少HMM-GMM的参数量，聚在一起的状态共享一套参数，这样可以减少需要估计的参数。

连续语音识别的涉及的方面比较多，这个建议就是跑一下kaldi的例子，中文的话，aishell1就可以，数据量不大，170小时