前提：将波形图转换成频率相关的频谱图，一般用一个长度为25ms的窗口从头开始，截取25ms的语音信息，称为第一帧，然后向后滑动10ms，再截取第二帧，依次类推，1秒的语音就被截成100帧，接下来对每一帧的波形信号进行变成频谱图，x轴为频率，y轴为强度，用不同颜色表示强度，全部叠加到一起可以得到对应的语谱图，颜色表示这些频率信号的强度。根据人类发声和听觉的特性，还要对原始的频谱进行三角滤波、取对数，