音频信号是模拟信号，我们需要将其保存为数字信号，才能对语音进行算法操作，WAV是Microsoft开发的一种声音文件格式，通常被用来保存未压缩的声音数据。
- 通道数：同时有个几个设备在进行音频的采样；
- 采样频率： 每秒从连续信号中提取并组成离散信号的采样个数，用赫兹（Hz）来表示。每秒内对声音信号采样样本的总数目，44100Hz采样频率意味着每秒钟信号被分解成44100份。换句话说，每隔1/144100秒就会存储一次，如果采样率高，那么媒体播放音频时会感觉信号是连续的；
- 量化位数（Bit depth）：也称为“位深”，每个采样点中信息的比特(bit)数。1 byte等于8 bit；
- 比特率（Bit rate）: 每秒处理多少个Bit。比如一个单声道，用44.1KHz/16Bit的配置来说，它的比特率就为44100161=705600，单位是bit/s(或者bps)。在对音频进行压缩时，越高的比特率，其音质也就越好；
- 采样位数(采样格式)：如何描述每个采样点呢？用什么方法独立每个采样点值的区别呢？也就是如何度量每个采样点，而这正是采样格式出现的意义。通常使用16bit(2字节)，也就是2的16次方，共有65536个不同的度量值，这样采样位数越高，音频度量化的就越精细，音质同样也就越高；
- 采样个数，对于采样频率，采样频率是一秒采样的个数，例如48000HZ，每秒采样个数为48000，44100HZ，每秒采样个数为44100；（从一帧音频帧的播放时长中就可以看出，范围在21ms，24ms，26ms范围左右，而视频一帧的时长一般是40ms，人体对图片变化的感知也在20-60ms内感知良好，采样数固定，是在考虑人眼，与音视频同步的方便程度，音频压缩的质量等方面因素后，最终确定下来的采样数。）
- 例如1s采样了10个采样点，那么需要区分这10个采样点，就需要给它一个范围值区分，一般以2字节16位的来保存这个值，所以既然每个采样点占2字节，那么所有采样点的总字节=采样个数 x 其所占字节数。即10 x 2 = 20。若为双通道采样，那么就是2 x 10 x 2 = 40。
- 一帧音频的大小(字节) = 通道数 x 采样个数 x 采样位数
- 一帧播放时间(毫秒) = sample样本数 * 1000 / 采样率
语音信号是一个非平稳的时变信号，但语音信号是由声门的激励脉冲通过声道形成的，而声道(人的口腔、鼻腔)的肌肉运动是缓慢的，所以“短时间”(10~30ms)内可以认为语音信号是平稳时不变的。由此构成了语音信号的“短时分析技术”。在短时分析中，将语音信号分为一段一段的语音帧，每一帧一般取10~30ms，研究就建立在每一帧的语音特征分析上。
通常对信号截断、分帧需要加窗，因为截断都有频域能量泄露，而窗函数可以减少截断带来的影响。
在分帧中，相邻两帧之间会有一部分重叠，帧长(wlen) = 重叠(overlap)+帧移(inc)，如果相邻两帧之间不重叠，那么由于窗函数的形状，截取到的语音帧边缘会出现损失，所以要设置重叠部分。
