MFCC--学习笔记

1. 使用原因：
   1. 200Hz到5000Hz的语音信号对语音的清晰度影响最大。
   2. 频率不相等会有影响，所以从低频到高频按临界带宽由密到疏安排一组带通滤波器，对输入信号进行滤波。
2. 将每个带通滤波器输出的信号能量作为信号的基本特征。
3. mfcc提取的基本流程：预加重->分帧->加窗->FFT->mel 滤波器组 ->对数运算->DCT
   1. 预加重：将语音信号通过一个高通滤波器，目的是提升高频部分。使信号的频谱变得平坦，保持在低频和高频的整个频带中，使其能用同样的信噪比求频谱。
   2. 分帧：
      1. 帧：N个采样点集合成的一个观测单位。N一般为256或512。涵盖的时间约20-30ms左右。
      2. 为避免相邻两帧变化过大，会让两帧之间有一段重叠区域，包含M个采样点(通常M≈N/2或N/3)
         1. 通常语音识别的采样频率约为8KHz或16KHz。
         2. 8KHz:若每个帧长度为256个采样点，则对应的时间长度为32ms
      3. 将信号分成短时帧，原理：信号中的频率随时间变化，在大多数情况下，对整个信号进行傅里叶变换没有意义。因为随着时间的推移会丢失信号的频率轮廓。所以假设信号中的频率在很短的时间内是平稳的。通过在短时帧内进行傅里叶变换，可以通过连接相邻帧来获得信号的频率轮廓的良好近似。
   3. 加窗：将每一帧乘上汉明窗，以增加帧左端和右端的连续性。为抵消FFT假设的数据是无限的，并减少频谱泄露。
   4. 快速傅里叶变换 FFT：
      1. 将在时域上的信号转为频域上的能量分布。不同的能量分布代表不同语音特性。
      2. 对分帧加窗后的各帧信号进行快速傅里叶变换得到各帧的频谱。
      3. 对频谱取模平方得到语音信号的功率谱。
   5. 三角带通滤波器的两个目的：对频谱进行平滑化，并消除谐波，突出原先语音的共振峰。（即一段语音的音调或音高不会呈现在MFCC参数中（wsy：所以这就是autovc未选择mfcc作为特征，而是通过自编码器学习特征来进行语音转换，因为音调和音高在语音转换是重要特性，不可忽略））
   6. 计算每个滤波器组输出的对数能量
   7. 将对数能量带入离散余弦变换求出L阶的Mel-scale Cepstrum参数。L阶指MFCC系数阶数，通常取12-16。这里M是三角滤波器个数。
      1. 应用离散余弦变换DCT去 相关滤波器组系数，并产生滤波器组的压缩表示。
      2. 通常对于自动语音识别ASR，得到的倒谱系数2-13被保留，其余被丢弃。
   8. 对数能量：一帧内信号的平方和，再取以10为底的对数值，再乘以10.
   9. 动态差分参数的提取（包括一阶差分和二阶差分）：标准的倒谱参数MFCC只反映了语音参数的静态特性，语音的动态特性可以用这些静态特征的差分谱来描述。

这篇好文章是转载于：学新通技术网