当下主流语音前端算法在特征工程方面，从vad，降噪、降混响到盲源分离，无论是传统做法还是NN做法，大多基于频域。但近年在语音分离领域也看到了利用时域的做法，也取得了不错的效果。

本文从特征工程的角度，对语音时域进行分析，试图解释时域信息的特点。本文从以下几个方面进行介绍。

1. 特征工程应该具备什么？

2. 时域分析

3. 总结

---

1，特征工程应该具备什么？

好的特征工程应该具有以下特性：

区分度：语音部分和噪音部分区分度应该尽量大，理论上，好的特征能使噪声分布和语音分布没有交集；

噪声鲁棒性：背景噪声会使语音失真，好的特征应该具有对噪声的鲁棒性；

以常用的特征fbank来举例，

​ 

​

由上可见，noisy speech和clean speech的fbank的分布在e+4量级，相差不大；而pure noise的fbank分布在e+5量级，明显和noisy speech、clean speech相差较大。所以fbank具有好的区分度和噪声鲁棒能力。

2， 时域分析

so时域做特征的话，应该也要具有区分度和噪声鲁棒性。

还是看图说话：

​

​

由上可见，noisy speech和clean speech的时域信息的分布在e+4量级，相差不大；而pure noise的时域信息分布在e+5量级，明显和noisy speech、clean speech相差较大。所以时域信息也具有好的区分度和噪声鲁棒能力。

3， 总结

综上，可以解释为什么部分基于时域的语音算法可以取得sota的效果，大家赶紧尝试起来吧，本文也可作为大家利用时域信息的理论依据。近期我打算结合nn，基于时域信息，训练个vad看看效果。

如果存在问题，欢迎大家指正。

最后，喜欢的话，点个赞吧。