语音识别中的特征提取是理解语音内容的关键步骤，它将原始语音信号转换为有助于识别语言结构的有用信息，同时丢弃背景噪声、情绪等无关因素。语音产生涉及肺部气流、声门开闭、声道（如舌头和牙齿）的调节，最终形成不同形状的声道，产生不同的音素（phoneme），每种形状对应着不同的滤波器，形成独特的语音信号。
MFCC（梅尔频率倒谱系数）特征提取是一个具体的过程，包含多个步骤。首先，语音信号被分成20-40毫秒的帧，通常选择25毫秒长度，以确保每个帧足够稳定，同时包含足够的信息。接下来，计算每帧的功率谱，借鉴人耳蜗的原理，通过周期图估计功率谱，以捕捉不同频率的振动信息。随后，通过梅尔滤波器组对功率谱进行处理，将频率范围划分为不同桶（bin），累加桶内的能量，以过滤无用信息，如高频信号的细微区分度，更贴近人耳对声音的感知。对滤波器组的能量取对数，采用log操作，更好地匹配人类的听觉感知，同时简化后续的模型处理。最后，进行DCT变换，去除不同梅尔滤波器的互相关性，简化特征表示，便于后续模型的训练。
梅尔尺度（Mel Scale）是一个从人类听觉感知频率（Pitch）到实际频率的映射方法。它考虑到人耳对低频和高频的分辨率差异，通过公式转换频率，使特征更符合人类听觉特性。梅尔滤波器组的参数计算包括选择频率范围、划分滤波器、将Mel频率转换为实际频率，并将这些频率对应到FFT的bin中，最终形成包含26个滤波器的组。
在MFCC特征提取过程中，还会计算Delta和Delta-Delta系数，以捕捉帧之间的动态变化信息，提高识别效果。通过计算当前帧前后几帧的信息，可以得到一阶和二阶差分系数，增加特征维度，最终形成39维的MFCC特征向量。
与Filter Bank特征相比，MFCC引入DCT去相关性，主要为了简化GMM模型的协方差矩阵，使其成为对角矩阵，便于模型训练。然而，对于HMM-DNN系统，这种方法可能不是最优选择，因为会丢失一些信息，而直接使用Filter Bank特征可能更适合此类系统。
本文如未解决您的问题请添加抖音号：51dongshi（抖音搜索懂视），直接咨询即可。
热心网友
回答时间：2025-03-19 10:23
