从整段录音到一串可比较的数，中间要走哪几步？

时域这条流水线

先看最简单的那条。第 04 课讲过，麦克风送出的连续电压要先经过一个部件才变成一串数字，那个部件叫 ADC。这一课就从这串数字开始。

从它出发到最后得到特征，中间四步：这串数字 → 切成小段 → 每段算一个数 → 把这些数汇总。四步各有名字：

ADC → 分帧 → 逐帧计算 → 聚合

• ADC：第 04 课讲完了，输出是一串数字。
• 分帧：把这一长串切成许多小段。每一小段叫一帧，切这个动作就叫分帧。
• 逐帧计算：对每一小段算出一个数（或一组数）。
• 聚合：把逐帧的结果汇总成最终交出去的东西——可以取均值、中位数，也可以用更复杂的统计模型。

最后交出去的东西有三种可能的形状：一个数、一个向量、或者一个矩阵。这取决于聚合那一步做到什么程度，也取决于逐帧算的是一个数还是一组数。

图 1：上面是时域这条，下面是频域那条。两条的前两步完全一样，分岔在第三步——频域那条多了加窗和傅里叶变换。