（2）利用“fft”解析频谱，绘出其时域波形及幅度频谱,并放在同一个figure中； （3）利用MATLAB中的随机函数产生高斯白噪声加入到语音信号中，模仿语音信号被污染，并对其进行频谱分析。 （4）设计IIR和FIR数字滤波器，并对被噪声污染的语音信号进行滤波，分析滤波后信号的时域和频域特征，回放语音信号。 （5）与原信号进行对比

以下是针对每个问题的解答：

（2）利用“fft”解析频谱，绘出其时域波形及幅度频谱，并放在同一个figure中。

假设语音信号为x，采样率为fs，则可以通过下列代码绘制其时域波形和幅度频谱：

% 读取语音信号
[x,fs] = audioread('audio.wav');

% 绘制时域波形
time = (0:length(x)-1)/fs;
subplot(2,1,1);
plot(time, x);
xlabel('Time (s)');
ylabel('Amplitude');
title('Time Domain Waveform');

% 计算幅度频谱
nfft = 2^nextpow2(length(x));
X = fft(x, nfft)/length(x);
freq = fs/2*linspace(0,1,nfft/2+1);

% 绘制幅度频谱
subplot(2,1,2);
plot(freq, 2*abs(X(1:nfft/2+1)));
xlabel('Frequency (Hz)');
ylabel('Magnitude');
title('Amplitude Spectrum');

（3）利用MATLAB中的随机函数产生高斯白噪声加入到语音信号中，模仿语音信号被污染，并对其进行频谱分析。

假设语音信号为x，采样率为fs，噪声强度为noise_level，则可以通过下列代码产生被噪声污染的语音信号并绘制其幅度频谱：

% 读取语音信号
[x,fs] = audioread('audio.wav');

% 产生高斯白噪声
noise = noise_level*randn(length(x),1);

% 将噪声加入到语音信号中
x_noisy = x + noise;

% 计算幅度频谱
nfft = 2^nextpow2(length(x_noisy));
X_noisy = fft(x_noisy, nfft)/length(x_noisy);
freq = fs/2*linspace(0,1,nfft/2+1);

% 绘制幅度频谱
plot(freq, 2*abs(X_noisy(1:nfft/2+1)));
xlabel('Frequency (Hz)');
ylabel('Magnitude');
title('Amplitude Spectrum of Noisy Speech');

（4）设计IIR和FIR数字滤波器，并对被噪声污染的语音信号进行滤波，分析滤波后信号的时域和频域特征，回放语音信号。

假设语音信号为x，采样率为fs，被噪声污染的语音信号为x_noisy，IIR滤波器的系数为b和a，FIR滤波器的系数为h，则可以通过下列代码设计IIR和FIR数字滤波器并对被噪声污染的语音信号进行滤波：

% 读取语音信号
[x,fs] = audioread('audio.wav');

% 产生高斯白噪声
noise = noise_level*randn(length(x),1);

% 将噪声加入到语音信号中
x_noisy = x + noise;

% 设计IIR数字滤波器
[b,a] = butter(4, [1000 4000]/(fs/2));
x_filtered_iir = filter(b,a,x_noisy);

% 设计FIR数字滤波器
h = fir1(1000, [1000 4000]/(fs/2));
x_filtered_fir = filter(h,1,x_noisy);

% 绘制时域波形
time = (0:length(x)-1)/fs;
figure;
subplot(3,1,1);
plot(time, x);
xlabel('Time (s)');
ylabel('Amplitude');
title('Original Signal');

subplot(3,1,2);
plot(time, x_noisy);
xlabel('Time (s)');
ylabel('Amplitude');
title('Noisy Signal');

subplot(3,1,3);
plot(time, x_filtered_iir);
xlabel('Time (s)');
ylabel('Amplitude');
title('Filtered Signal (IIR)');

% 回放语音信号
sound(x_filtered_iir, fs);

% 计算幅度频谱
nfft = 2^nextpow2(length(x_filtered_iir));
X_filtered_iir = fft(x_filtered_iir, nfft)/length(x_filtered_iir);
X_filtered_fir = fft(x_filtered_fir, nfft)/length(x_filtered_fir);
freq = fs/2*linspace(0,1,nfft/2+1);

% 绘制幅度频谱
figure;
subplot(2,1,1);
plot(freq, 2*abs(X_filtered_iir(1:nfft/2+1)));
xlabel('Frequency (Hz)');
ylabel('Magnitude');
title('Amplitude Spectrum (IIR)');

subplot(2,1,2);
plot(freq, 2*abs(X_filtered_fir(1:nfft/2+1)));
xlabel('Frequency (Hz)');
ylabel('Magnitude');
title('Amplitude Spectrum (FIR)');

（5）与原信号进行对比

可以通过对比滤波后的信号和原信号的时域波形和幅度频谱来评估滤波效果。可以发现，滤波后的信号比被噪声污染的语音信号更接近于原信号，且幅度频谱也更加平滑。