如果我只打算使用我链接的存储库提供的神经网络工具包中的数据，这是否必要？

是的。

无论您是否进行下采样（而不仅仅是抽取）与分类性能无关，而是（尽可能多地）保留信号中包含的信息。

更改信号的采样率时，您需要考虑混叠。否则，信号将以这样的方式失真，以至于无法从样本中重建原始信号。

如果是这样，是否有改变采样率的行业标准方法？

是的。

下采样时执行此操作的“正确”方法是首先应用抗混叠滤波器，然后抽取信号，但在上采样时，您首先上采样然后应用插值（也可以表示为滤波器）。各种平台都提供了执行此操作的函数（例如Python、MATLAB）。

我意识到这可能取决于正在使用的功能。

在某种程度上。也许您可以简单地保持一切不变，只要您调整算法中的某些点，这些点专门针对与您使用的采样频率不同的采样频率进行硬连线。但是，语音的带宽是有限的。如果您的分类器也接受过非语音训练，那么拥有更多带宽意味着您可以区分更多事物。如果您的大部分数据集是纯语音，那么拥有更多带宽不会有太大的不同。

我可以使用我的 48khz 数据 - 没有过滤的下采样 - 期望该模型将用于预测真实的 16khz 数据吗？

不。

如果您在不过滤的情况下进行下采样，您很可能会产生失真的信号。

然后为了未来的读者，另一种方式怎么样？假设我有一个 8khz 的文件，我可以在不过滤的情况下将采样率提高到 16khz 吗？

不。

当您增加采样率时，您会遇到更严重的问题。您现在必须填补没有数据的“空白”。过滤（或插值）阶段填补了这些空白，但不添加任何新信息。当您下采样时，您正在丢弃信息。上采样无法取代它。

了解 DSP 的一些基础知识（例如采样、采样和重构、混叠和抗混叠滤波器）或许对您有所帮助。此外，为了进一步了解您的功能是什么样的、它们如何工作以及如何选择和使用它们，您可能需要查找有关短时傅里叶变换和多速率信号处理（更一般地）的更多信息。

希望这可以帮助。