語音合成目前比較流行的方案是Tacotron(2) + WaveNet(WaveRNN, LPCNet)等神經網絡聲碼器。

這些方案的流程大致相同，先由文本生成特征譜，再將特征譜重建為音頻。在選擇特征譜的時候，有的使用了Mel譜，有的使用了倒譜。

本文通過梳理計算倒譜的流程，試圖說明使用Mel譜和倒譜并無區別。

下圖是Matlab計算倒譜的過程

可以分成以下幾步：

音頻時域信號分幀

對每一幀進行傅里葉變換，并取幅值，得到線性譜

對線性譜進行Mel刻度的加權求和，得到Mel譜

取log10，得到Fbank

取離散余弦變換，得到倒譜系數

從以上過程可以知道，Mel譜和倒譜系數的區別，在于一個取對數和取離散余弦變換的過程。

我們知道，離散余弦變換是一個線性變換。線性變換對于神經網絡來說是小菜一碟。所以Mel譜和倒譜系數的主要區別是取對數的過程。

在幾乎所有的開源代碼中，使用Mel譜特征的時候，都會對Mel譜特征求db值，也就是求一個N*log10()的值。其中N與mel譜幅值是否平方有關：如果Mel譜單是傅里葉變換后的幅值，那么N一般取10；如果Mel譜是傅里葉變換后幅值的平方，那么N一般取20。按照這樣的方法，Mel譜特征和倒譜特征只差了一個線性變換矩陣，對于神經網絡來說相當于沒差。

所以，在使用Mel譜特征時，如果計算了db值，那么和使用Mfcc倒譜特征效果應是相同的。

總結

以上是生活随笔為你收集整理的功率谱 幅值谱_语音合成中的Mel谱和MFCC谱无区别的全部內容，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。