音频特征建模：音频特征提取

python_speech_features

• 歌声样本集下载链接

滤波器与MFCC

• 任何自动语音识别系统的第一步都是提取特征。
• 梅尔频率倒谱系数（MFCC）是广泛用于自动语音和说话者识别的功能。
  • 将信号分成短帧。
    • 假设音频信号在短时间范围内变化不大（当我们说它不变时，我们指的是统计上的，即统计上是平稳的，显然样本在不断变化。即使是短时间尺度）。这就是为什么我们将信号分成20-40ms帧的原因。
  • 对于每个帧，计算功率谱的周期图估计。
  • 将梅尔滤波器组应用于功率谱，对每个滤波器的能量求和。
    • 梅尔滤波器组：第一个滤波器非常窄，可以指示0赫兹附近存在多少能量。随着频率的升高，我们对滤波器的关注也越来越小，滤波器也变得越来越宽。
  • 取所有滤波器组能量的对数。
    • 有了滤波器组能量，我们就可以取它们的对数。这也是由人类听力引起的：我们听不到线性范围的响度。通常，要将声音的感知音量加倍，我们需要将8倍的能量投入其中。为什么是对数而不是立方根？对数允许我们使用倒谱均值减法，这是一种通道归一化技术。