如果用44.1khz的话每秒就得处理44100个采样数据，要是做个变音播放什么的就算了，但要做识别的话每秒4万多的数据计算量太大了，有没有经验丰富的说下采样多少khz比较合适？

那你能不能想办法每秒只采样200次呢，把1/200秒的波形用一个接近的函数来描述

8k or 16k

”
时域的波形必须要分帧，也就是把波形切开成一小段一小段，每小段称为一帧。
每帧的长度为25毫秒，每两帧之间有25-10=15毫秒的交叠。我们称为以帧长25ms、帧移10ms分帧。
分帧后将波形作变换。常见的一种变换方法是提取MFCC特征，
把每一帧波形变成一个12维向量。这12个点是根据人耳的生理特性提取的，
可以理解为这12个点包含了这帧语音的内容信息。这个过程叫做声学特征提取。
“
原来这个1秒取样40到60段的处理，已经被封装内置了啊

问寒冰筑笛，他的语音识别已经注册专利了，号称识别率百分之一百，呵。

8k，我的经验值，4k及以下采样率播放出来的声音人耳已经不能准确的分辨出来了，机器应该也困难

人耳的分辨率最高是20khz，但是人的说话音频一般最高在4khz左右，因此8khz采样已经够了。又不是音乐播放器，不需要44khz的采样速率。

你自己掌握采样值吧，能低到多少，取决于后期的算法。原则上，能低到连你都听不出来为止。