Mel频谱和MFCC深入浅出

前言

在音频领域，mel频谱和mfcc是非常重要的特征数据，在深度学习领域通常用此特征数据作为网络的输入训练模型，来解决音频领域的各种分类、分离等业务，如端点侦测、节奏识别、和弦识别、音高追踪、乐器分类、音源分离、回声消除等相关业务。

当然，针对深度学习音频领域的业务，不是用下这两个特征、选几个网络、打个标签，放数据训练就完事了， 仅仅基于mel频谱和mfcc这两个特征，解决好上述业务某些情况下还是远远不够的，熟悉这些特征的内在逻辑性、衍生细节和延展，才能更好的结合深度学习解决业务问题。

下面讲解mel频谱和mfcc特征的算法流程和一些细节、延展，这些细节从局部角度来看，都会影响到最终特征呈现的细节差异，这些差异放大到模型训练结果的准确性、鲁棒性上怎么样是非常值得研究的，某些情况下可能会有质的变化，质的变化无论正向还是负向都是值得关注的，最怕的是没变化；同时，一些问题的延展从广义角度来看，带来不同的特征组合、网络结构设计思考等也是解决业务问题非常重要的思想源泉。

算法流程

设 sr 为采样率，fftLength 为帧长度，slideLength 为滑动长度
下面是一张mel频谱和mfcc的大概算法流程图。

1. 预加重（Pre-emphasis）

如流程图所示的第1步，属于信号的预处理，补偿高频分量损失，提升高频分量，一般情况下可以忽略此步骤，属于信号的简单增强，对特征有一定的提升效果。公式如下
Pre-emphasis的公式为：

x[n] = x[n] - αx[n-1]

其中，x[n]表示经过预加重处理后的信号，α是一个常数，通常取值为0.95或0.97。该公式的实现过程如下：

1 对于输入信号x[n]，将每一时刻的信号与前一时刻的信号相减，得到预加重处理后的信号x[n]。
2 α是一个控制预加重程度的常数，取值范围通常在0到1之间。α越大，预加重的程度越高，高频分量的增强效果越明显。
通过上述公式，Pre-emphasis算法可以有效地增强信号中的高频分量，提高信号的清晰度和可懂度。在实际应用中，Pre-emphasis算法可以用于语音处理、音频处理等领域，以改善语音和音频信号的质量。

Mel频谱和MFCC深入浅出