问如何在帧上分割语音数据并计算MFCC

EN

我理解创建一个自动语音识别引擎的基本步骤。然而，我需要一个清晰的概念，分割是如何做的，什么是帧和样本。我会写下我所知道的，并期待答案--呃，在我错的地方纠正我，并进一步指导我。

据我所知，语音识别的基本步骤是：

(我假设输入数据是wav/ogg (或某种音频)文件)

1. 预先强调语音信号:即，应用一个滤波器来强调高频信号。可能类似于: yn = xn - 0.95 xn-1
2. 找到话语开始和调整剪辑大小的时间。(可与步骤1互换)
3. 将剪辑分割成更小的时间框架，每个片段大约30毫秒长。此外，每段将有大约256帧和两段将有一个100帧分开？(即30*100/256毫秒?)
4. 在每一帧(段的1/256)上加汉明窗口？结果是一系列的信号。
5. 用X(t)表示的每帧信号的快速傅里叶变换
6. Mel过滤器组处理：(尚未详细说明)
7. 离散余弦变换：(尚未详细说明--但要知道这将给我一组MFCC，也称为每个输入话语的声矢量。
8. Delta和Delta谱:我知道这是用来计算MFCC的增量系数和双δ系数的，不是很多。
9. 在此之后，我认为需要使用HMMs或ANNs对对应的音素进行Mel倒谱系数(delta和double delta)的分类，并进行分析，将音素与单词和单词分别与句子进行匹配。

虽然这些对我来说很清楚，但我很困惑第三步是否正确。如果它是正确的，在下面的步骤3，我是否适用于每一帧？另外，在第6步之后，我认为每个帧都有自己的MFCC集，对吗？

提前谢谢你！