語音訊號的前置處理並求取語音的參數，將聲音做『數位信號處理（Digit Signal Processing.DSP）』將類比訊號轉為數位，方便電腦的讀取。
因為每個人輸入的聲音大小不同。為了使聲音大小都在同一範圍內做比較，所以將聲音 做『標準化（Normalize）』，使信號的取樣值都落在同一範圍內。
切『音框』：因為聲音屬於時變的訊號，不過在『短時間』內的變化是緩慢的 ，所以若 將整段語音做切割的動作，使語音變成一小段、一小段，那麼就可以擷取到語音的所有 特性，這種每一小段稱為『音框（frame）』。取音框時，音框彼此可以重疉，取樣點數 也可自訂，我們這邊取10ms 為一音框長度。
聲音輸入的過程中，因為種種因素造成語音的前後會有靜音出現。這些靜音對於語音的 辨識不但沒有幫助，而且也會增加許多不需要的計算，使得辨識速度變慢，所以我們使 用『能量偵測法』來切除靜音的部份，藉以得到有效的資料值。
圖 1: 切取音框示意圖
『端點偵測』（End-Point Detection）：聲音輸入的過程中，因為種種因素造成語音的 前後會有靜音出現。這些靜音對於語音的辨識不但沒有幫助，而且也會增加許多不需要 的計算，使得辨識速度變慢，所以我們必須要切除不需要的部分藉以得到有效的資料 值。我捫利用語音的特性來做端點的偵測的模擬。由「音量」與「音高」著手，使用「能 量偵測法」為主「越零率」為輔的方法，來切除靜音的部份，藉以得到有效的資料值。
以下是我們的分析比較：
音量，代表聲音的強度、能量（Energy），可以由音框內的訊號振幅大小來表示。如圖2。
圖 2：原始聲音訊號
一般而言，語音的特性，有聲音的音量大於氣音的音量，而氣音的音量又大於雜訊 的音量。我們就是利用這個語音特性來設計「能量偵測分析器」的端點偵測。訂「門檻」
來做有聲和無聲的區隔，當一音框能量大於門檻值為「有聲訊號」，反之則為「氣音」
或「雜訊」。
圖 3：MATLAB/Simulink 方塊圖
越零率（Zero Crossing Rate），指在每個音框中，音訊通過零點的次數，可以代表聲 音的頻率。如下圖，越零率=8。
圖 4：越零率=8
一般而言，語音的特性，雜訊及氣音的越零率均大於有聲語音。我捫利用這個語音 特性來設計「越零率」的端點偵測。也是利用門檻值的方法來做有聲無聲的區隔。當一 音框的越零率低於門檻值為「有聲訊號」，反之則為「氣音」或「雜訊」。而在模擬軟體 matlab/simulink 中我捫利用這個概念設計門檻值＝3 的越零率之偵測器如下圖 5。
圖 5：:MATLAB/Simulink 方塊圖
『預強調（pre-emphasis）』。因為根據研究聲音從嘴巴說出來後會有高頻的損失，
所以使用遇強調來還原語音。
『加窗』。將切出來的全部音框做加窗動作，也就是每個音框都乘上一個視窗函數，
乘上函數後，每一個音框在頻譜上的能量會更集中，語音的特徵也能更明顯，我們使用 的是『漢明視窗』。下圖6 為語音訊號前處理的流程圖。
圖 6：前置處理流程圖
完成上述1~6 處理的工作後，就可以開始求取『特徵參數』 我們將對四種求取的 方法（線性預估編碼（LPC）、線性預估編碼導出的倒頻譜參數（LPCC）、梅爾倒頻譜 參數（MFCC）和共振峰(Formant)做比較，選出較好的參數來進行後續辯識的工作。
倒頻譜（cepstrum）顧名思義，就是將頻譜（spectrum）的英文前四個字母反過來
線性預估編碼（linear predictive coding-LPC）
「線性預估編碼」在語音辨識上，已經被研究多年，從人的發聲構造入手，認為聲道模
際語音的採樣值和線性預測採樣值之間達到均方差（LMS）最小，即可得到線性預估係
梅爾倒頻譜參數（mel-frequency cepstrum coefficient - MFCC）
梅爾頻率倒頻譜是倒頻譜的一種應用，梅爾頻率倒頻譜常應用在聲音訊號處理，對於聲
圖11：MFCC 模擬方塊圖 共振峰參數(Formant)
「共振峰」一般語音訊號的母音部分，都會出現重複性很高的基本週期，在一個基本週 期內的波形，就是代表語音的內容或音色。一般來說，頻譜能量的個數仍然太多，因此 一個簡單的方式，是採用頻譜能量圖的局部最大點，稱為共振峰（Formants），來作為語 音特徵。下圖12 為本人念數字「一」之共振峰的 f1 f2 f3 頻段分佈情形。
圖12:本人單音「1」共振峰的頻段 f1 f2 f3 分布圖