1 特征提取流程
在语音识别和话者识别方面，最常用到的语音特征就是梅尔倒谱系数（Mel-scaleFrequency Cepstral Coefficients，简称MFCC）。
MFCC提取过程包括预处理、快速傅里叶变换、Mei滤波器组、对数运算、离散余弦变换、动态特征提取等步骤。
2 快速傅里叶变换
快速傅里叶变换即利用计算机计算离散傅里叶变换（DFT)的高效、快速计算方法的统称，简称FFT。
FFT不是Fast FT，而是Fast DFT
FT的种类很多，以最简单的基于2的FFT为例。
FFT实际上一种分治算法。FFT将长度为
步骤1：将信号
偶数样本点信号：
奇数样本点信号：
步骤2：将两个求和项理解成两个长度为
步骤3：FFT的具体计算过程
对于任意
对于任意
FFT共有
语音信号是有限长的离散信号。
预处理后的语音信号：
FFT后效果：
3 Mel滤波器组
将能量谱通过一组Mel尺度的三角形滤波器组，定义一个有M个滤波器的滤波器组（滤波器的个数和临界带的个数相近），采用的滤波器为三角滤波器，中心频率为 。M通常取22-26。各f(m)之间的间隔随着m值的减小而缩小，随着m值的增大而增宽，如图所示：
三角带通滤波器有两个主要目的：
（1）三角形是低频密、高频疏的，这可以模仿人耳在低频处分辨率高的特性；
（2）对频谱进行平滑化，并消除谐波的作用，突显原先语音的共振峰。频谱有包络和精细结构，分别对应音色与音高。对于语音识别来讲，音色是主要的有用信息，音高一般没有用。在每个三角形内积分，就可以消除精细结构，只保留音色的信息。
（3）傅里叶变换得到的序列很长（一般为几百到几千个点），把它变换成每个三角形下的能量，可以减少数据量
Mel频率和频率f的对应关系：
或者
Mel滤波器实现过程：
（1）确定最低频率（0HZ），最高频率（fs/2），Mel滤波器个数M（23）；
（2）转换最低频率和最高频率的Mel(f)；
（3）计算相连两个Mel滤波器中心Mel频率的距离，在Mel频率上，两两之间的中心频率是等间距的；
（4）将各种中心Mel频率转化为频率f（非等间距）；
（5）计算频率所对应的FFT中点的下标；
灵魂的拷问：为什么有些Mel滤波器组不等高，我设计的是等高的？这样有影响吗？有优势吗？
AI大语音：不等高的原因是乘了一个递减的系数，就是实现上一些细节的差别，保证了每个滤波器的能量和一样。横轴指的频率，低频的系数高，就是对低频更加的关注 。没有太大的影响，一般主要用等高的。
经过梅尔滤波器组后的Fbank特征：
4 对数运算
将原语音信号经过傅里叶变换得到频谱：
X[k]=H[k]E[k]
只考虑幅度就是：
|X[k] |=|H[k]||E[k] |
两边取对数：
log||X[k] ||= log ||H[k] ||+ log ||E[k] ||
再在两边取逆傅里叶变换得到：
x[k]=h[k]+e[k]
灵魂的拷问：为什么要进行对数运算？它在干嘛？
对数运算包括取绝对值和log运算。取绝对值是仅使用幅度值，忽略相位的影响，因为相位信息在语音识别中作用不大。
log运算是为了分别包络和细节，包络代表音色，细节带包音高，显然语音识别就是为了识别音色。另外，人的感知与频率的对数成正比，正好使用log模拟。
FFT变换后，卷积变成了乘法，取对数后，乘法变成了加法，把卷积信号转换成加性信号。
5 离散余弦变换（DCT）
再在两边取逆傅里叶变换得到：
x[k]=h[k]+e[k]
在上一步中，我们成功地把基音信息与声道信息变成了加性的。那么如何分离呢？它们有如下性质：
频谱图中（注意是一帧FFT变换内）
（1）基音信息在频域是快速变化的。
（2）声道信息在频域是缓慢变化的。
因此再做一次DCT可以将其分离。我们称之为"倒谱域"。因此倒谱域的低频部分刻画了声道信息，高频部分刻画了基音信息。
由此得到12维的MFCC特征：
由于许多要处理的信号都是实信号，在使用DFT时由于傅里叶变换时由于实信号傅立叶变换的共轭对称性导致DFT后在频域中有一半的数据冗余。
将DFT式子拆开，抽出实数部分：
则实数部分：
虚数部分：
又有：
而当x[n]是实偶信号时：
把DFT写成：
但是实际中并没有那么多实偶信号，我们就认为造出来。将信号长度扩大成原来的两倍,并变成2N，又为了让造出来的信号关于0对称，把整个延拓的信号向右平移 0.5 个单位，最终DCT变换公式：
6 动态特征提取
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。实验证明：把动、静态特征结合起来才能有效提高系统的识别性能。差分参数的计算可以采用下面的公式：
式中,dt表示第t个一阶差分，Ct表示第t个倒谱系数，Q表示倒谱系数的阶数，K表示一阶导数的时间差，可取1或2。将上式的结果再代入就可以得到二阶差分的参数。
因此，MFCC的全部组成其实是由： N维MFCC参数（N/3 MFCC系数+ N/3 一阶差分参数+ N/3 二阶差分参数）+帧能量（此项可根据需求替换）。
这里的帧能量是指一帧的音量（即能量），也是语音的重要特征。
d_mfcc_feat = delta(wav_feature, 1) d_mfcc_feat2 = delta(wav_feature, 2)
feature = np.hstack((wav_feature, d_mfcc_feat, d_mfcc_feat2))
最终39维MFCC图：
附录（魔鬼写手）
——————
浅谈则止，细致入微AI大道理
扫描下方“AI大道理”，选择“关注”公众号
欢迎加入！
▼下期预告▼
AI大语音（五）——声学模型
▼往期精彩回顾▼
AI大语音（一）——语音识别基础
AI大语音（二）——语音预处理
AI大语音（三）——傅里叶变换家族
留你心，言你想
