梅尔频率倒谱系数

✍ dations ◷ 2025-09-11 12:51:01 #信号处理

在声音处理领域中,梅尔频率倒谱(Mel-Frequency Cepstrum)是基于声音频率的非线性梅尔刻度(mel scale)的对数能量频谱的线性变换。

梅尔频率倒谱系数 (Mel-Frequency Cepstral Coefficients,MFCCs)就是组成梅尔频率倒谱的系数。它衍生自音讯片段的倒频谱(cepstrum)。倒谱和梅尔频率倒谱的区别在于,梅尔频率倒谱的频带划分是在梅尔刻度上等距划分的,它比用于正常的对数倒频谱中的线性间隔的频带更能近似人类的听觉系统。这样的非线性表示,可以在多个领域中使声音信号有更好的表示。例如在音讯压缩中。

梅尔频率倒谱系数(MFCC)广泛被应用于语音识别的功能。他们由Davis和Mermelstein在1980年代提出,并在其后持续是最先进的技术之一。在MFCC之前,线性预测系数(LPCS)和线性预测倒谱系数(LPCCs)是自动语音识别的的主流方法。


MFCC通常有以下之过程:

声音信号是连续变化的,为了将连续变化信号简化,我们假设在一个短时间尺度内,音频信号不发生改变。因此将信号以多个采样点集合成一个单位,称为'''讯框'''。一个讯框多为20-40毫秒,如果讯框长度更短,那每个讯框内的采样点将不足以做出可靠的频谱计算,但若长度太长,则每个讯框信号会变化太大。

预强化的目的就是为了消除发声过程中,声带和嘴唇造成的效应,来补偿语音信号受到发音系统所压抑的高频部分。并且能突显高频的共振峰。

由于信号在时域上的变化通常很难看出信号的特性,所以通常透过傅里叶变换将它变换成频域上的能量分布来观察,不同的能量分布,就能代表不同语音的特性。

由于能量频谱中还存在大量的无用讯息,尤其人耳无法分辨高频的频率变化,因此让频谱通过梅尔滤波器。梅尔滤波器,也就是一组20个非线性分布的三角带通滤波器(Triangular Bandpass Filters),能求得每一个滤波器输出的对数能量。必须注意的是:这 20 个三角带通滤波器在'''梅尔刻度'''的频率上是平均分布的。梅尔频率代表一般人耳对于频率的感受度,由此也可以看出人耳对于频率 f 的感受是呈对数变化的。


http://i.stack.imgur.com/YUH48.gif 页面存档备份,存于互联网档案馆


最后的步骤是计算对数滤波器的能量的离散傅里叶反变换,在此相当于离散余弦反变换(IDCT)。值得注意的是,虽然通常的会有24-26个系数,但我们只保留前12个系数。这是因为丢弃高倒频域值的DCT系数,代表一个类似低通滤波器的概念,可以使信号平滑化,能增进语音处理的性能。


在此过程中可以有很多变化,例如,映射时的窗口的形状和间距。 The 欧洲电信标准协会在2000年初定义了一个可以用在移动电话上的标准MFCC算法.


1.对该信号做傅里叶变换
X=FT{x}
2.根据下面公式算出Y
Y = log ( k = f m 1 f m + 1 | X | 2 B m ) {\displaystyle Y=\log \left(\sum _{k=f_{m-1}}^{f_{m+1}}\left|X\right|^{2}B_{m}\right)}

其中 B m {\displaystyle B_{m}} 是梅尔频率倒频谱的遮罩

B m = { 0 for  k < f m 1  and  k > f m + 1 k f m 1 f m f m 1 for  f m 1 k f m f m + 1 k f m + 1 f m for  f m k f m + 1 {\displaystyle B_{m}={\begin{cases}0&{\mbox{for }}k<f_{m-1}{\mbox{ and }}k>f_{m+1}\\{\cfrac {k-f_{m-1}}{f_{m}-f_{m-1}}}&{\mbox{for }}f_{m-1}\leq k\leq f_{m}\\{\cfrac {f_{m+1}-k}{f_{m+1}-f_{m}}}&{\mbox{for }}f_{m}\leq k\leq f_{m+1}\end{cases}}}

3.对Y做IDCT得 c x {\displaystyle c_{x}}
因为Y是偶函数,故用IDCT(反离散余弦变换)取代IDFT(反离散傅里叶变换)
c x = 1 M m = 1 M Y c o s ( π n ( m 1 / 2 ) M ) {\displaystyle c_{x}={\frac {1}{M}}\sum _{m=1}^{M}Ycos\left({\cfrac {\pi n(m-1/2)}{M}}\right)}

与原倒频谱的差异
一.log里面因为使用了sum,故等于0的几率变小
二.避免了相位的问题
三.使用IDCT取代IDFT,减少了运算量
四. B m {\displaystyle B_{m}} 随着频率的增加而增宽,该特性符合人类听觉,更适合用来描述语音特征

MFCC主要作为语音识别系统中的特征,这样的系统可以自动识别语音中的数字内容。MFCC同样也用于说话人识别(英语:Speaker Recognition),该技术尝试通过语音该鉴别说话人。

MFCC也被用于语音信息检索(英语:music information retrieval)领域,如流派分类(genre classification)、音频相似性计算等。


比起倒频谱,梅尔倒频谱更接近人耳对于语音的区别性(因为遮罩 B {\displaystyle B} )
c x , c x , . . . , c x {\displaystyle c_{x},c_{x},...,c_{x}} ,MFCCs的前13项足以描述语音特征

MFCC特征在加性噪声的情况下并不稳定,因此在语音识别系统中通常要对其进行归一化处理(normalise)以降低噪声的影响。一些研究人员对MFCC算法进行修改以提升其强健性,如在进行DCT之前将log-mel-amplitudes提升到一个合适的能量(2到3之间),以此来降低低能量成分的影响.

相关

  • 芭蕾舞裙芭蕾舞裙是在进行古典芭蕾时穿着的连衣裙,通常带有束腹。材料可能是丝绸、薄纱、纱布或尼龙,现代芭蕾舞短裙有两种基本款式,分为较短的钟形和长至小腿或脚踝的长裙。
  • 范·沃格特阿尔弗雷德·埃尔登·范·沃格特(Alfred Elton van Vogt,1912年4月26日-2000年1月26日)美国科幻小说作家。1912年生于加拿大,1944年迁居美国,是科幻小说黄金时期四大才子之一。193
  • 无量纲转动惯量无量纲转动惯量是天文学中常用的的一个物理量,用以衡量天体内部的质量分布,是测量天体内部结构的重要指标。通常这一值越大(越接近0.4),天体密度越均匀。计算公式:转动惯量÷(质量
  • 马拉塔战争1775年,英国东印度公司从孟买的基地出发,在浦那与马拉塔人发生冲突,史称第一次马拉塔战争。该战争于1782年结束。1802年,英国在巴洛达干涉王位的继承,并且与和英国同盟的继承人签
  • 国家级文化生态保护区中国的国家级文化生态保护区,是指以保护非物质文化遗产为核心,对历史文化积淀丰厚、存续状态良好,具有重要价值和鲜明特色的文化形态进行整体性保护,并经文化部批准设立的特定区
  • 吉维·格里戈里耶维奇·贡巴里泽吉维·格里戈里耶维奇·贡巴里泽(俄语:Ги́ви Григо́рьевич Гумбари́дзе,格鲁吉亚语:გივი გრიგოლის ძე გუმბარიძე,1945年3月
  • 詹姆斯二世 (英格兰)英格兰国王和爱尔兰国王詹姆斯二世,同时也是苏格兰国王詹姆斯七世(James II & VII,1633年10月14日-1701年9月16日),1685年—1688年为英格兰国王、苏格兰国王、爱尔兰国王,也是最后
  • 祖鲁法则祖鲁法则(The Zulu Principle),证券投资指导原则,说明‘集中投资的重要性,精通整个投资天地没有好处,专注于一个比较小的领域,变得比较专精则有用多了’。作者吉姆·史莱特(Jim Slat
  • 潘伯鑅潘伯鑅(越南语:Phan Bá Vành/.mw-parser-output .han-nom{font-family:"Nom Na Tong","Han-Nom Gothic","Han-Nom Ming","HAN NOM A","HAN NOM B","Ming-Lt-HKSCS-UNI-H","Mi
  • 万秀大胜利《万秀大胜利》是中国电视公司监制的台湾综艺节目,2014年11月2日开播,台湾时间每周日20:00首播,主持人为曾国城(红队队长)、姚元浩(蓝队队长)、连静雯、阿喜。以下时间以当地时间(台