1 特征提取流程

在語音識別和話者識別方面，最常用到的語音特征就是梅爾倒譜系數（Mel-scaleFrequency Cepstral Coefficients，簡稱MFCC）。

MFCC提取過程包括預處理、快速傅里葉變換、Mei濾波器組、對數運算、離散余弦變換、動態特征提取等步驟。

2 快速傅里葉變換

快速傅里葉變換即利用計算機計算離散傅里葉變換（DFT)的高效、快速計算方法的統稱，簡稱FFT。

FFT不是Fast FT，而是Fast DFT

FT的種類很多，以最簡單的基于2的FFT為例。

FFT實際上一種分治算法。FFT將長度為

的信號分解成兩個長度為信號進行處理，這樣分解一直到最后，每一次的分解都會減少計算的次數。理解FFT分以下三個步驟進行：

步驟1：將信號

分解成兩個子信號
偶數樣本點信號：；
奇數樣本點信號：；

步驟2：將兩個求和項理解成兩個長度為

的DFT

步驟3：FFT的具體計算過程

對于任意

都要進行次加法操作，所以DFT共有次乘法操作。
對于任意都要進行次加法操作，DFT共有次加法操作。
FFT共有次乘法操作和次加法操作。

語音信號是有限長的離散信號。

預處理后的語音信號：

FFT后效果：

3 Mel濾波器組

將能量譜通過一組Mel尺度的三角形濾波器組，定義一個有M個濾波器的濾波器組（濾波器的個數和臨界帶的個數相近），采用的濾波器為三角濾波器，中心頻率為 。M通常取22-26。各f(m)之間的間隔隨著m值的減小而縮小，隨著m值的增大而增寬，如圖所示：

三角帶通濾波器有兩個主要目的：

（1）三角形是低頻密、高頻疏的，這可以模仿人耳在低頻處分辨率高的特性；

（2）對頻譜進行平滑化，并消除諧波的作用，突顯原先語音的共振峰。頻譜有包絡和精細結構，分別對應音色與音高。對于語音識別來講，音色是主要的有用信息，音高一般沒有用。在每個三角形內積分，就可以消除精細結構，只保留音色的信息。

（3）傅里葉變換得到的序列很長（一般為幾百到幾千個點），把它變換成每個三角形下的能量，可以減少數據量

Mel頻率和頻率f的對應關系：

或者

Mel濾波器實現過程：

（1）確定最低頻率（0HZ），最高頻率（fs/2），Mel濾波器個數M（23）；

（2）轉換最低頻率和最高頻率的Mel(f)；

（3）計算相連兩個Mel濾波器中心Mel頻率的距離，在Mel頻率上，兩兩之間的中心頻率是等間距的；

（4）將各種中心Mel頻率轉化為頻率f（非等間距）；
（5）計算頻率所對應的FFT中點的下標；

靈魂的拷問：為什么有些Mel濾波器組不等高，我設計的是等高的？這樣有影響嗎？有優勢嗎？

AI大語音：不等高的原因是乘了一個遞減的系數，就是實現上一些細節的差別，保證了每個濾波器的能量和一樣。橫軸指的頻率，低頻的系數高，就是對低頻更加的關注 。沒有太大的影響，一般主要用等高的。

經過梅爾濾波器組后的Fbank特征：

4 對數運算

將原語音信號經過傅里葉變換得到頻譜：

X[k]=H[k]E[k]

只考慮幅度就是：

|X[k] |=|H[k]||E[k] |

兩邊取對數：

log||X[k] ||= log ||H[k] ||+ log ||E[k] ||

再在兩邊取逆傅里葉變換得到：

x[k]=h[k]+e[k]

靈魂的拷問：為什么要進行對數運算？它在干嘛？

對數運算包括取絕對值和log運算。取絕對值是僅使用幅度值，忽略相位的影響，因為相位信息在語音識別中作用不大。

log運算是為了分別包絡和細節，包絡代表音色，細節帶包音高，顯然語音識別就是為了識別音色。另外，人的感知與頻率的對數成正比，正好使用log模擬。

FFT變換后，卷積變成了乘法，取對數后，乘法變成了加法，把卷積信號轉換成加性信號。

5 離散余弦變換（DCT）

再在兩邊取逆傅里葉變換得到：

x[k]=h[k]+e[k]

在上一步中，我們成功地把基音信息與聲道信息變成了加性的。那么如何分離呢？它們有如下性質：

頻譜圖中（注意是一幀FFT變換內）

（1）基音信息在頻域是快速變化的。

（2）聲道信息在頻域是緩慢變化的。

因此再做一次DCT可以將其分離。我們稱之為"倒譜域"。因此倒譜域的低頻部分刻畫了聲道信息，高頻部分刻畫了基音信息。

由此得到12維的MFCC特征：

由于許多要處理的信號都是實信號，在使用DFT時由于傅里葉變換時由于實信號傅立葉變換的共軛對稱性導致DFT后在頻域中有一半的數據冗余。
將DFT式子拆開，抽出實數部分：

則實數部分：

虛數部分：

又有：

而當x[n]是實偶信號時：

把DFT寫成：

但是實際中并沒有那么多實偶信號，我們就認為造出來。將信號長度擴大成原來的兩倍,并變成2N，又為了讓造出來的信號關于0對稱，把整個延拓的信號向右平移 0.5 個單位，最終DCT變換公式：

6 動態特征提取

標準的倒譜參數MFCC只反映了語音參數的靜態特性，語音的動態特性可以用這些靜態特征的差分譜來描述。實驗證明：把動、靜態特征結合起來才能有效提高系統的識別性能。差分參數的計算可以采用下面的公式：

式中,dt表示第t個一階差分，Ct表示第t個倒譜系數，Q表示倒譜系數的階數，K表示一階導數的時間差，可取1或2。將上式的結果再代入就可以得到二階差分的參數。

因此，MFCC的全部組成其實是由： N維MFCC參數（N/3 MFCC系數+ N/3 一階差分參數+ N/3 二階差分參數）+幀能量（此項可根據需求替換）。

這里的幀能量是指一幀的音量（即能量），也是語音的重要特征。

d_mfcc_feat = delta(wav_feature, 1) d_mfcc_feat2 = delta(wav_feature, 2)

feature = np.hstack((wav_feature, d_mfcc_feat, d_mfcc_feat2))

最終39維MFCC圖：

附錄（魔鬼寫手）

——————

淺談則止，細致入微AI大道理

掃描下方“AI大道理”，選擇“關注”公眾號

歡迎加入！

▼下期預告▼

AI大語音（五）——聲學模型

▼往期精彩回顧▼

AI大語音（一）——語音識別基礎

AI大語音（二）——語音預處理

AI大語音（三）——傅里葉變換家族

留你心，言你想

創作挑戰賽新人創作獎勵來咯，堅持創作打卡瓜分現金大獎

總結

以上是生活随笔為你收集整理的c++ 提取傅里叶描述子_AI大语音（四）——MFCC特征提取（深度解析）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。