語音識別對特征參數有如下要求：

1.能將語音信號轉換為計算機能夠處理的語音特征向量

2.能夠符合或類似人耳的聽覺感知特性

3.在一定程度上能夠增強語音信號、抑制非語音信號

常用特征提取方法有如下幾種：

（1）線性預測分析（LinearPredictionCoefficients，LPC）

擬人類的發聲原理，通過分析聲道短管級聯的模型得到的。假設系統的傳遞函數跟全極點的數字濾波器是相似的，通常用12-16個極點就可以描述語音信號的特征。所以對于n時刻的語音信號，我們可以用之前時刻的信號的線性組合近似的模擬。然后計算語音信號的采樣值和線性預測的采樣值。并讓這兩者之間達到均方的誤差（MSE）最小，就可以得到LPC。

（2）感知線性預測系數（PerceptualLinearPredictive，PLP）

一種基于聽覺模型的特征參數。該參數是一種等效于LPC的特征，也是全極點模型預測多項式的一組系數。不同之處是PLP是基于人耳聽覺，通過計算應用到頻譜分析中，將輸入語音信號經過人耳聽覺模型處理，替代LPC所用的時域信號，這樣的優點是有利于抗噪語音特征的提取。

（3）Tandem特征和Bottleneck特征

這是兩種利用神經網絡提取的兩類特征。Tandem特征是神經網絡輸出層節點對應類別的后驗概率向量降維并與MFCC或者PLP等特征拼接得到。Bottleneck特征是用一種特殊結構的神經網絡提取，這種神經網絡的其中一個隱含層節點數目比其他隱含層小的多，所以被稱之為Bottleneck（瓶頸）層，輸出的特征就是Bottleneck特征。

（4）基于濾波器組的Fbank特征（Filterbank）

亦稱MFSC，Fbank特征的提取方法就是相當于MFCC去掉最后一步的離散余弦變換，跟MFCC特征相比，Fbank特征保留了更多的原始語音數據。

（5）線性預測倒譜系數（LinearPredictiveCepstralCoefficient，LPCC）

基于聲道模型的重要特征參數。LPCC是丟棄了信號生成過程中的激勵信息。之后用十多個倒譜系數可以代表共振峰的特性。所以可以在語音識別中取得很好的性能。

（6）梅爾頻率倒譜系數（MelFrequencyCepstrumCoefficient，MFCC）

基于人耳聽覺特性，梅爾頻率倒譜頻帶劃分是在Mel刻度上等距劃分的，頻率的尺度值與實際頻率的對數分布關系更符合人耳的聽覺特性，所以可以使得語音信號有著更好的表示。1980年由Davis和Mermelstein搞出來的。從那時起。在語音識別領域，MFCC可謂是鶴立雞群，一枝獨秀。

Q:MFCC為何一枝獨秀

人通過聲道產生聲音，聲道的shape決定了發出怎樣的聲音。聲道的shape包括舌頭，牙齒等。如果我們可以準確的知道這個形狀，那么我們就可以對產生的音素phoneme進行準確的描述。聲道的形狀在語音短時功率譜的包絡中顯示出來。而MFCC就是一種準確描述這個包絡的一種特征。

聲譜圖

處理語音信號，如何去描述它很重要，因為不同的描述方式放映它不同的信息,而聲譜圖的描述方式是最利于觀測和理解的。

由上圖可知，這段語音被分為很多幀，每幀語音都對應于一個頻譜（通過短時FFT計算），頻譜表示頻率與能量的關系。在實際使用中，頻譜圖有三種，即線性振幅譜、對數振幅譜、自功率譜（對數振幅譜中各譜線的振幅都作了對數計算，所以其縱坐標的單位是dB（分貝）。這個變換的目的是使那些振幅較低的成分相對高振幅成分得以拉高，以便觀察掩蓋在低幅噪聲中的周期信號）。

先將其中一幀語音的頻譜通過坐標表示出來，如上圖（a）。旋轉90度，得到圖（b）。把這些幅度映射到一個灰度級表示，得到了圖（c）。這樣操作的原因是為了增加時間維度，，得到一個隨著時間變化的頻譜圖，這個就是描述語音信號的聲譜圖（spectrogram）。這樣就可以顯示一段語音而不是一幀語音的頻譜，而且可以直觀的看到靜態和動態的信息。

倒譜分析（CepstrumAnalysis）

下面是一個語音的頻譜圖。峰值就表示語音的主要頻率成分，我們把這些峰值稱為共振峰（formants），而共振峰就是攜帶了聲音的辨識屬性，用它就可以識別不同的聲音。因此，需要把它提取出來。要提取的不僅是共振峰的位置，還得提取它們轉變的過程。所以我們提取的是頻譜的包絡（SpectralEnvelope）。這包絡就是一條連接這些共振峰點的平滑曲線。

由上圖可以看出，原始的頻譜由兩部分組成：包絡和頻譜的細節。因此需要把這兩部分分離開，就可以得到包絡了。按照下圖的方式進行分解，在給定logX[k]的基礎上，求得logH[k]和logE[k]滿足logX[k]=logH[k]+logE[k]。

由上面這個圖我們可以看到，包絡主要是低頻成分，而高頻主要是頻譜的細節。把它倆疊加起來就是原來的頻譜信號了。即，h[k]是x[k]的低頻部分，因此將x[k]通過一個低通濾波器就可以得到h[k]了，也就是頻譜的包絡。

以上解卷過程的專業術語叫做同態信號處理，（另一種方法為基于線性變換）。語音本身可以看成是聲道沖擊信息（包括話者個性信息、語義信息，表現為頻譜低頻成分）經過聲門激勵的一個響應函數，在時域上表現為卷積形式。為將二者分離開來，求得聲道共振特征和基音周期，需要把這種非線性問題轉化為線性問題。第一步通過FFT將其變成了乘性信號（時域的卷積相當于頻域的乘積）；第二步通過取對數將乘性信號轉化為加性信號；第三步進行逆變換，使其恢復為卷性信號。此時，雖然前后均是時域序列，但它們所處的離散時域顯然不同，所以后者稱為倒譜頻域。計算過程如下圖所示。

附上MFCC求取流程：https://blog.csdn.net/xiaoding133/article/details/8106672
————————————————
版權聲明：本文為CSDN博主「Marvin-nj」的原創文章，遵循CC 4.0 BY-SA版權協議，轉載請附上原文出處鏈接及本聲明。
原文鏈接：https://blog.csdn.net/w_manhong/article/details/78977833

其他：特征提取

http://www.bubuko.com/infodetail-2317325.html

總結

以上是生活随笔為你收集整理的语音识别之特征参数提取（一)的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。