走近特定音频识别（之二）——计算机是靠什么来分辨声音种类的？

我们人类是可以轻易地分辨声音的种类，但很难有人能说清楚人们分辨声音种类的原理。

很难吗？好吧，我尝试总结一下：耳膜可以感受到空气中声波所传递的压强变化，进而由神经传导给大脑，然后……然后就没有然后了，因为我们对于大脑学习机理的认知目前还不足以解释这些问题。

那么，计算机是依靠什么来分辨声音种类的呢？

我们都知道，音频在计算机的存储是以数字方式进行的，而这个数字，是如何得到的呢？没错，就是数模转换器。麦克风或者模拟信号的输入信号，通过数模转换，变成量化的数字信号，用横轴表示时间，纵轴表示声音能量的大小，就是而我们常见的波形图，也就是下面这个样子：

下面的图是另一段音频的样子：

你能看出这两段音频的差异么？比较难是吧！第一幅图的是一段外文电影的音频，而下面这幅图，是蜂群飞舞的声音。差别挺大是吧！可是从波形图上看上去，这两段音频似乎没啥区别啊？于是，一位困扰了很多通信类本科生的老先生出马了，他就是——傅里叶。

通过傅里叶变换，我们可以得到语谱图。语谱图就是以时间为横轴、频率为纵轴，以颜色的明亮程度表示能量大小的图像（颜色越暗，表示能量越小，颜色越亮，表示能量越大）。频率可以和平常的听觉联系起来，频率高的信号，耳朵听起来比较刺耳，频率低的信号，听上去比较低沉。
从语谱图中，我们可以轻易地看出上面两段音频的差异。

这是电影音频的语谱图：

这是蜂群飞舞音频的语谱图：

怎么样，这下很清楚了是吧！