音频特征

1. 最基本那肯定是STFT，说白了就是FFT加窗。有人肯定说这不算是feature，因为这是raw data，但是现在深度学习已经越来越多的使用这种raw data作为“feature” 输入到网络让模型自己学习其中的特征。其物理含义也十分明确：就是把时间信号转换为时间-频率的信号，根据FFT的窗长和选择的窗函数来决定时间-频率分辨率的tradeoff。说白了就是直接让你看每一段时间内的频率成分。从人类感知的角度来说，在连续的声音中人耳感知和分析的是短时间的一段段信号，所以这也是使用STFT的一个原因。

2. 在FFT的基础上还有一个叫constant Q transform （CQT）。使用FFT进行频率分析中的频率是线性的，但人耳感知频率却不是线性的，也就是说人耳对某些频段要比其他频段敏感：对频率的感知敏感度大体符合一个对数分布；对比较低频率的敏感度（或者区分度）比较高，越高频率敏感率越低，CQT就是按照这个原理在FFT的基础上进行对数压缩，使结果更逼近人耳的感知。

3. 频率质心 （Spectral centroid），这个比较容易理解，就说对于整个频率带去一个几何平均值，作用类似于物理上的质量之心：用一个点来代表整个质量。这个同理，用一个频率来代表整个频率带，比如一段声音主要是高频成分的频率质心就比较高。这个值一般和声音的亮度有关。

4. Spectral rolloff： 这个是一种频率带宽的度量； spectral spread： 这个是表征瞬时的频率带宽的，数学上其实是对于在频率质心处取了一个导数。

5. Spectral flux： 一种频率变换率的度量

6.Spectral decrease: 表征随着能量值随着频率变化而变化的程度

7.Spectral slope, skewness, kurtosis... 有兴趣的可以自己查查，都是频率的一些统计特征，个人感觉用的不算多。

8. 各种倒谱特征，最有名的当属MFCC，但MFCC是属于比较高级别的特征，所以其具体的物理含义没有像以上的特征直白好理解。