mfcc詳解

1、作了一段時間的語音識別，看到壇子里有人問起MFCC，現(xiàn)在就整理一下有關(guān)MFCC參數(shù)的資料。在語音辨識（SpeechRecognition）和語者辨識（SpeakerRecognition）方面，最常用到的語音特征就是「梅爾倒頻譜系數(shù)」（MelscaleFrequencyCepstralCoefficients，簡稱MFCC），此參數(shù)考慮到人耳對不同頻率的感受程度，因此特別適合用在語音辨識。下面簡單的介紹一下求解MFCC的過程。1.預(yù)強調(diào)

2、（Preemphasis）：將語音訊號s(n)通過一個高通濾波器。H(z)=1a（z1）系數(shù)其中a介于0.9和1.0之間。若以時域的表達(dá)式來表示，預(yù)強調(diào)后的訊號s2(n)為s2(n)=s(n)as(n1)這個目的就是為了消除發(fā)聲過程中聲帶和嘴唇的效應(yīng)，來補償語音信號受到發(fā)音系統(tǒng)所壓抑的高頻部分。（另一種說法則是要突顯在高頻的共振峰。）2.音框化（Frameblocking）：先將N個取樣點集合成一個觀測單位，稱為音框（Frame），通常

3、N的值是256或512，涵蓋的時間約為20~30ms左右。為了避免相鄰兩音框的變化過大，所以我們會讓兩相鄰因框之間有一段重迭區(qū)域，此重迭區(qū)域包含了M個取樣點，通常M的值約是N的一半或13。通常語音辨識所用的音訊的取樣頻率為8KHz或16KHz，以8KHz來說，若音框長度為256個取樣點，則對應(yīng)的時間長度是25680001000=32ms。3.漢明窗（Hammingwindow）：將每一個音框（frame）乘上漢明窗，以增加音框左端和右端

4、的連續(xù)性（請見下一個步驟的說明）。假設(shè)音框化的訊號為S(n)n=0…N1。N為frame的大小，那么乘上漢明窗后為S(n)=S(n)W(n)，此W(n)形式如下：W(na)=(1a)acos(2πn(N1))，0≦n≦N1？？不同的a值會產(chǎn)生不同的漢明窗。一般我們都取a=0.46。4.快速傅利葉轉(zhuǎn)換（FastFourierTransfmFFT）：由于訊號在時域（Timedomain）上的變化通常很難看出訊號的特性，所以通常將它轉(zhuǎn)換成頻域

5、（Frequencydomain）上的能量分布來觀察，不同的能量分布，就能代表不同語音的特性。所以在乘上漢明窗后，每個音框還必需再經(jīng)過FFT以得到在頻譜上的能量分布。乘上漢明窗的主要目的，是要加強音框左端和右端的連續(xù)性，這是因為在進(jìn)行FFT時，都是假設(shè)一個音框內(nèi)的訊號是代表一個周期性訊號，如果這個周期性不存在，F(xiàn)FT會為了要符合左右端不連續(xù)的變化，而產(chǎn)生一些不存在原訊號的能量分布，造成分析上的誤差。當(dāng)然，如果我們在取音框時，能夠使音框中

6、的訊號就已經(jīng)包含基本周期的整數(shù)倍，這時候的音框左右端就會是連續(xù)的，那就可以不需要乘上漢明窗了。但是在實作上，由于基本周在此階段加入，這些常用的其它語音特征，包含音高、過零率、共振峰等。）8.差量倒頻譜參數(shù)（Deltacepstrum）：雖然已經(jīng)求出13個特征參數(shù)，然而在實際應(yīng)用于語音辨識時，我們通常會再加上差量倒頻譜參數(shù)，以顯示倒頻譜參數(shù)對時間的變化。它的意義為倒頻譜參數(shù)相對于時間的斜率，也就是代表倒頻譜參數(shù)在時間上的動態(tài)變化，公式如下