根據上一節所述，當我們選定碼本的大小 M 之後，使用 K 中心的方 法可以幫助我們找到代表１３維特徵向量的碼本。但是，如果想直 接對這個１３維的特徵向量作向量量化，會遇到以下的因難：
一．當我們將碼本大小設成一般的大小時，例如 M＝２５６，因為 特徵向量多達１３維，因此這樣的向量量化會造成最後的精確 度不佳；也就是說，所找出來的碼本向量代表性不足、不“像
”原先的向量。
二．若想讓精確度變大，最直接的方式就是加大碼本的大小。不過
，因為向量的維度多達１３維，加大碼本的大小會使得訓練碼 本的工作太過繁雜，因此加大碼本的大小實際上並不可行。
在上面兩點的討論中，說明了不能直接對１３維的特徵向量做量化 的原因，乃是在於其維度太大之故；如果是維度較小的向量，不用 太大的碼本大小，就可以做到不錯的準確度。所以為了避免上面所 提到的問題。所以我們應該設法減小向量維度的大小。一個可行的 方向是：我們可以把１３維的特徵向量切成數個維度比較小的向量
，然後再對這些比較小的向量分別作向量量化，最後再把量化後所
得到的小向量結合起來，還原成１３維的向量。 這樣的作法有別 於原來的直接作向量量化，因此，我們給這樣的作法一個新的名 稱，叫做分割式向量量化（Split Vector Quantization）。
那麼我們該怎麼樣分割這１３維的特徵向量呢？從對這１３維特徵 向量的基本了解可以給我們一些提示：
一． １３維的特徵向量包括１２維的梅爾倒頻譜係數，另外再加上 能量頻譜係數。由於能量頻譜係數取對數值的關係，所以數值 的大小並不如其他１２維來得大，在做向量量化的時候，應該 單獨對這項去做量化。
二． 梅爾倒頻譜係數的特性：每個音框所求出的２３個梅爾倒頻譜 係數，任兩個係數若愈靠近，兩者之間的相關性（Correlation）
會愈大；反之，若愈逺離，兩者之間的相關性會愈小。例如：
假設我們把所取出的第K 個梅爾倒頻譜係數記做 CK，那麼，
CK和CK－1或是CK和CK+1的相關性會比CK和其他的梅爾倒 頻譜係數的相關性來得高。因此，我們可以把１３維特徵向 量中較靠近的梅爾倒頻譜係數取出，做成一個維度較小的特 徵向量。
由以上的基本了解，並參照 ETSI 所制定的標準，我們決定了１３維
１３維的特徵向量還具有另一個特性：次序比較前面的梅爾倒頻譜 係數對於辨識來說比較重要；也就是說，如果ｍ＞ｎ，那麼Cｍ在 辨識上的重要性會大過Cｎ。因此，對於次序比較小的子特徵向量，
我們可以設法突顯其重要性以取得較佳的辨識效果。這樣的重要性 其實可以反應在給每一個子特徵向量的碼本大小上，我們可以給次 序比較小先的子特徵向量一個較大的碼本，而給次序比較後的子特 徵向量一個較小的碼本：因為如前面所提到的，加大碼本的大小能 使向量量化的精確度提高；若加大某個子特徵向量的碼本大小，在
向量量化後該子特徵向量在原來１３維特徵向量的部分會愈趨近於 未量化前的該部份；若加強的部分恰好是對辨識較重要的部分，那 麼可預期的，量化後的辨識效果和量化前的辨識效果比較不會有太 大的差別。給定各個子特徵向量不同的碼本大小，除了上述的好處 以外，另外還可以讓無線通訊的頻寬有效的被使用―－這是因為無 線通訊的頻寬有限，故每一秒我們所能傳輸的位元數也是有限的；
為了維持一定的辨識正確率，我們應該在可用的位元中分配多一些 給對辨識較重要的部分，也就是給較重要的子特徵向量較大的碼本
。在本章後面實驗的部分，我們會用不同的碼本大小組合進行實驗
，並從中論證以上所述。