MFCC特征提取学习笔记

最新推荐文章于 2024-05-06 18:19:53 发布
最新推荐文章于 2024-05-06 18:19:53 发布
阅读量802 收藏 2
点赞数
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/chenger97/article/details/90749530
版权
本文介绍了MFCC特征提取过程，包括预加重以增强高频信号，分帧利用语音的短时平稳性，加窗确保信号周期性，快速傅里叶变换实现时域到频域转换，Mel滤波模拟人耳听觉特性，以及离散余弦变换得到MFCC系数。
摘要由CSDN通过智能技术生成

MFCC特征提取学习笔记


做毕设的过程中接触到了语音识别，对MFCC特征提取的步骤有一些粗浅的理解，如有理解错误的地方，请前辈们指出。

  1. 预加重
    由于人在发声的过程中存在唇端辐射，会造成语音的高频信号比中频和低频信号弱。预加重的目的就是突出语音信号中高频部分的能量。预加重通过一个高通滤波器实现： H ( z ) = 1 − μ z − 1 H(z) = 1 - \mu z^{-1} H(z)=1−μz−1 μ \mu μ称作预加重系数，可以取0.9~1之间的值。
    高通滤波器可以使高于某一值的信号通过，而使低于临界值的信号被削弱或者阻隔，所以它最终的效果不仅突出了语音信号的高频部分，还提升了语音信号的信噪比。预加重前后的波形图中振幅得到突出的部分就是语音信号的高频部分，同时语音的背景噪声也得到了削弱。
    在这里插入图片描述
  2. 分帧
    分帧是为了利用语音信号的短时平稳性，即假设语音信号在足够短的时间内是平稳的。这里的图是取帧长25毫秒，帧移10毫秒进行分帧的结果图。帧长是指每一帧的长度，帧移是相邻帧起始点的间隔。这里帧与帧之间的重叠为15毫秒，超过了帧长的一半。

在这里插入图片描述
3. 加窗
由于下一步是快速傅里叶变换，而快速傅里叶变换要求信号具有周期性。分帧得到的信号首尾不连续，所以通过汉明窗（汉明窗可以使窗边界处信号平滑衰减）使信号首尾连续，可以被视作一个周期性的信号。由于信号首尾衰减意味着信息的丢失，分帧时帧与帧之间的重叠超过帧长的一半是为了弥补这一部分的信息损失。
汉明窗函数： ω ( x ) = { 0.54 − 0.46 cos ⁡ ( 2 π n N − 1 ) 0 ≤ n ≤ N − 1 1 others \omega(x) = \begin{cases} 0.54-0.46 \cos(\frac{2\pi n}{N-1})&0\leq n \leq N-1\\1&\text{others}\end{cases} ω(x)={ 0.54−0.46cos(N−12πn​)1​0≤n≤N−1others​

最低0.47元/天 解锁文章
Olivia Zeng
关注
  • 0
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
【学习笔记】Task3 食物声音识别-音频数据特征提取
Jimmy吖的博客
04-17 711
参考资料 Datawhale Github官方代码 MFCC特征提取 Datawhale直播 特征提取背景 在之前的Task2中，我们初步查看了数据集的信息，并通过音频的声波图和声谱图将声音可视化了。当我们拿到这些音频数据之后，接下来就需要进行特征提取（过滤掉背景噪音等不需要的信息）筛选出我们需要的信息了。 接下来我们将简要介绍以下特征，并详细学习MFCC特征提取知识： 过零率 （Zero Crossing Rate） 频谱质心 （Spectral Centroid） 声谱衰减 (Spectral Rol
语音识别FBank特征提取学习笔记
牧羊女
07-04 936
语音识别就是把一段语音信号转换成对应的文本信息，这一过程包括四个大的模块，分别是：特征提取、声学模型、语言模型、字典与解码。本篇就来梳理一下特征提取模块的实现思路和方法。基于深度学习网络的语音识别，目前多采用FBank特征。
第二讲 语音信号处理及特征提取学习笔记
一只猫猫的博客
08-25 815
语音信号处理及特征提取学习笔记
MFCC--学习笔记
oneself的博客
09-03 534
MFCC（ASR常用特征）--学习笔记
MFCC特征使用方法总结
YoungLittleT的博客
05-27 5342
学习笔记,音乐检索,音频类学习 MFCC特征使用方法总结 joanna2017年11月27日 项目需要用到MFCC特征，关于MFCC的特征如何使用，一开始我很困惑。现在分享一些自己总结的常见的MFCC使用方法。欢迎评论补充。 假设一段语音，分为n帧，提取其12维MFCC特征 1. 每帧MFCC系数独立处理，每帧作为时序性进行处理[1]. 如用于语音识别，不同帧的MFCC构成了一个序列，...
HTK学习笔记（二）提取语音文件的mfcc特征
成长日记的博客
05-11 5801
使用 HTK 的 HCopy 文件就可以完成提取 mfcc 特征的工作。 1、需要准备内容如下： 一个配置文件： XXX.conf 一个输入输出文件：标明语音文件的地址 和 对应输出 mfcc 文件的地址 注：以上两个文件要放在相同目录下 2、给出配置文件：自命名为hcopy.conf  # # Example of anacoustical analysis c
学习笔记二：语音信号处理以及特征提取
weixin_46010850的博客
07-27 832
语音信号处理以及特征提取，包括语音信号基础知识与Fbank以及MFCC特征提取
一些语音特征--学习笔记
oneself的博客
10-05 1851
一些语音特征--学习笔记
HEU情感数据集学习笔记
m0_60813772的博客
05-06 1487
HEU Emotion共包含19004个视频片段，根据数据来源分为两部分。第一部分包含从Tumblr，Google和Giphy下载的视频，包括10种情绪和两种形式（面部表情和身体姿势）。第二部分包括从电影、电视剧和综艺节目中手工提取的语料，包括10种情绪和三种模态（面部表情、身体姿势和情绪言语），拥有9951个受试。
音频深度学习的听课笔记
04-17
在处理这个数据集时，通常需要进行预处理，如切割、标准化和特征提取，如梅尔频率倒谱系数（MFCC）。 综上所述，音频深度学习结合了音频处理技术和深度学习算法，为理解和处理音频数据开辟了新的道路。无论是音频...
DSP学习笔记有助DSP知识的学习
07-10
### DSP学习笔记有助DSP知识的学习 #### 一、引言 数字信号处理（Digital Signal Processing，简称DSP）是一门涉及广泛领域的学科，它主要研究如何通过计算机或专用处理设备对信号进行数字化处理的方法和技术。...
SLP-Speech-Language-Processing-Notes-CN:言语处理学习笔记中文版
04-27
SLP-Speech-Language-Processing-Notes-CN是一部针对这一领域的中文学习笔记，旨在帮助读者深入理解并掌握相关知识。 笔记内容可能涵盖以下几个核心部分： 1. **语音基础**：这部分通常会介绍声音的物理特性，如...
基于深度学习的录音回放检测.pdf
08-18
在数据预处理阶段，研究者采用了梅尔频率倒谱系数（MFCC）来提取声音的特征，这是一种能够捕捉语音短时功率谱包络的参数，有助于描述不同说话人的独特音素特征。 为了进行深度学习训练，研究者构建了一个包含ReLU...
毕设系统—智慧工地监控管理系统-可执行内含文档代码-可执行内含文档代码.zip
07-28
毕设系统—智慧工地监控管理系统-可执行内含文档代码-可执行内含文档代码.zip
一种基于关键能力的体系贡献率评估方法_李丹.caj
最新发布
07-28
一种基于关键能力的体系贡献率评估方法_李丹
化学/环境学-线性拟合/零级反应动力学拟合/一级反应动力学拟合/二级反应动力学拟合/三级反应动力学拟合软件
07-28
在进行实验的过程中，常常遇到做出一组数据却不知其效果的困扰，如做出标准曲线却不知其拟合优度。一般需用电脑的专业软件进行拟合，如Origin、MATLAB等，但存在操作步骤复杂，软件需付费等问题。基于上述情况，针对线性拟合（linear fitting）和零级反应动力学拟合（zero-order reaction kinetics fitting）、一级反应动力学拟合（first-order reaction kinetics fitting）、二级反应动力学拟合（second-order reaction kinetics fitting）、三级反应动力学拟合（third-order reaction kinetics fitting）等特殊拟合场景，开发了一个软件，其优势有： a.使用BSD许可证，即允许免费使用、修改和分发； b.支持手机（Android系统）和电脑（Windows系统）双平台使用，便于在实验现场检验实验效果； c.软件界面均采用中文。
731545397801645熊猫侠v1.1.50.apk
07-28
731545397801645熊猫侠v1.1.50.apk
mfcc特征提取 python
06-28
### 回答1： MFCC（Mel频率倒谱系数）特征提取是语音信号处理中常用的一种特征提取方法。它利用人耳对不同频率声音的感知特性，将频域上的能量分布转化为梅尔频率，然后使用倒谱分析的方法提取特征。MFCC提取了语音信号的频谱包络特征，具有良好的区分能力，适合于语音识别中的特征提取。 在Python中，可以使用第三方库librosa来进行MFCC特征提取。首先需要读取音频文件并进行预处理，例如去噪、去静音等。然后使用librosa提供的mfcc函数，对音频信号进行处理，得到MFCC特征矩阵。可以通过调整函数参数，如采样率、帧长、帧移、梅尔带宽等，来优化特征提取效果。 MFCC特征提取后，一般需要进行降维处理以减少特征维度、节省计算量。可以使用PCA（主成分分析）等方法对MFCC特征矩阵进行降维。 在语音识别中，MFCC特征提取是特征工程中非常重要的一部分。它可以提取语音信号的韵律、音色、共振等特征，为后续分类识别提供优良的特征向量，进而提高识别准确率。在实际应用中，可以将MFCC特征与深度学习等算法相结合，构建高效的语音识别系统。 ### 回答2： MFCC即梅尔频率倒谱系数，是语音信号处理中常用的一种特征提取方法。MFCC特征提取有助于降低音频信号的维度和复杂度，使其更易于处理。在Python中，可以使用Librosa库轻松地实现MFCC特征提取。 使用Librosa库进行MFCC特征提取的步骤如下： 1. 导入Librosa库。 ``` python import librosa ``` 2. 读取音频文件。 ``` python audio_data, sample_rate = librosa.load('audio_file.wav') ``` 这里的audio_file.wav是待处理的音频文件。 3. 计算MFCC系数。 ``` python mfccs = librosa.feature.mfcc(y=audio_data, sr=sample_rate, n_mfcc=13) ``` 这里的n_mfcc是要计算的MFCC系数个数，一般取13。 4. 对MFCC系数进行归一化处理。 ``` python mfccs_normalized = sklearn.preprocessing.scale(mfccs, axis=1) ``` 这里使用了sklearn库中的preprocessing模块进行归一化处理。 5. 可以将MFCC系数可视化。 ``` python import matplotlib.pyplot as plt plt.figure(figsize=(10, 4)) librosa.display.specshow(mfccs_normalized, sr=sample_rate, x_axis='time') plt.colorbar() plt.title('MFCC') plt.tight_layout() plt.show() ``` 以上步骤完成后，就可以得到一个包含MFCC系数的矩阵。这个矩阵可以用于音频信号分类、语音识别等任务。 总之，MFCC特征提取可以在语音信号处理中起到很好的作用。在Python中，使用Librosa库可以轻松实现MFCC特征提取，同时使用sklearn库中的preprocessing模块可以轻松实现归一化处理。 ### 回答3： MFCC（Mel频率倒谱系数）是一种在语音识别领域经常使用的特征提取方式，它能够将语音信号转化为一组数值特征，以便进行进一步的分析和处理。在python语音处理的库中，可以利用librosa库和python_speech_features库来进行MFCC特征提取。 利用librosa库进行MFCC特征提取 可以使用librosa库的mfcc()函数来实现MFCC特征提取。该函数需要传入语音信号与采样率，可以返回一个二维的矩阵，表示从语音信号中提取的MFCC特征。 下面是一个利用librosa库进行MFCC特征提取的例子： ``` import librosa import librosa.display import numpy as np import matplotlib.pyplot as plt # Load audio file y, sr = librosa.load('speech.wav') # Extract MFCC feature mfcc_feat = librosa.feature.mfcc(y=y, sr=sr, n_mfcc=13) # Plot MFCC feature plt.figure(figsize=(10, 4)) librosa.display.specshow(mfcc_feat, x_axis='time') plt.colorbar() plt.title('MFCC') plt.tight_layout() plt.show() ``` 在上面的例子中，“speech.wav”是要提取MFCC特征的语音文件名，将其加载为y和sr两个变量，其中y是语音信号，sr是采样率。使用librosa.feature.mfcc()函数，将语音信号和采样率作为参数传入，同时可以指定要提取的MFCC特征的个数。通过librosa.display.specshow()函数和plt.show()函数，可以将MFCC特征以图形化形式显示出来。 利用python_speech_features库进行MFCC特征提取 python_speech_features库也提供了MFCC特征提取的函数mfcc()。与librosa库类似，该函数需要传入语音信号及其采样率，可以返回一个二维的矩阵，表示从语音信号中提取的MFCC特征。 下面是一个利用python_speech_features库进行MFCC特征提取的例子： ``` from python_speech_features import mfcc import scipy.io.wavfile as wav import numpy as np import matplotlib.pyplot as plt # Load audio file rate, sig = wav.read('speech.wav') # Extract MFCC feature mfcc_feat = mfcc(sig, rate, numcep=13) # Plot MFCC feature plt.figure(figsize=(10, 4)) plt.imshow(np.transpose(mfcc_feat), origin='lower', aspect='auto') plt.colorbar() plt.title('MFCC') plt.tight_layout() plt.show() ``` 在上面的例子中，利用scipy.io.wavfile库的read()函数将语音文件“speech.wav”加载为一个由采样率rate和信号sig组成的元组，再将sig和rate作为参数传入python_speech_features库的mfcc()函数中，指定要提取的MFCC特征的个数。通过Numpy库的transpose()函数和matplotlib库的imshow()函数，将MFCC特征以图形化形式显示出来。 总结 MFCC是语音信号特征提取的常用方法之一，通过利用python的音频处理库，可以很方便地实现MFCC特征的提取。本文分别介绍了利用librosa库和python_speech_features库进行MFCC特征提取的方法，希望能对相关领域的学习者有所帮助。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值