【语音识别】MFCC特征提取

本次笔记主要从原理层面讲述了MFCC特征提取的流程，先是介绍了正弦波的离散化，之后介绍了奈奎斯特采样定理的由来，在讲述傅里叶变换的使用，最后将这些应用于MFCC特征提取算法。

信号与正弦波

高中学过三角函数：
x t = sin(2πf0t)
但是这个图像是连续的，点动成线，而计算机最喜欢处理的就是确切的点，但是一条线上有无数点，需要我们取其中某些点进行计算，而取点就是要考虑到相同间隔，又称：采样频率。
采样周期：ts，其倒数为采样频率fs = 1/ts
而采样点序号为n

从而得到离散化后的公式：
x n = sin(2πf0nts)

这里又会延伸一个新问题，采样频率越高自然越能保留原始波的信息，那么最低可以是多少？
先给结论：采样频率大于信号中最大频率的两倍。
fs/2 ≥ fmax
这就是奈奎斯特采样定理。
即，在原始信号的一个周期内，至少要采样两个点，才能有效杜绝频率混叠问题。

下面思考问题：给出正弦波采样后的离散序列可以恢复之前的正弦波波形吗？
不一定，下图可以直观的表现出来，如果一个周期内采样点少于2，那么会丢失很多信息，最直观的就是周期不同。
这种情况又叫做频率混叠。

---

离散傅里叶变换

在现实中声音通常是很多正弦波叠加而成，我们看到的波形就像是山水画中的重山叠嶂，如果要分析就需要一点点剥离，这个工作就像是纸雕艺术中剥离一层层的纸。于是我们从正面看要转换到侧面看，也就是从时域转到频域视角，这个操作叫做DFT。

·DFT

定义：给定一个长度为𝑁𝑁的时域离散信号Xn ，对应的离散频域序列Xm 为：

j = −1, e为自然对数底
m = 0,1,2 … ,N − 1, 频率索引
X m 为DFT的第m个输出

根据欧拉公式，DFT的公式还可以为：

DFT本质上是一个线性变换：

提问：所有信号都可以进行DFT吗？

当然不！只有时域离散且周期的信号才可以。非周期的离散信号需要进行周期延拓后，才可DFT。
这里有一个有意思的现象：

即在一个维度离散在另一个维度就会表现周期，连续则对应非周期。
这个可以从上面的那个DFT公式中得到一个思路，根据DFT的欧拉公式可以发现，当n为整数，那么公式每次加上的都是2π的整数倍，故而呈现周期性。所以任何离散的时域信号，频域都以2pi为周期重复。
当时域上为连续，接上个问题，这时候得到的频域将不会具重复的特征，自然也就不会有周期性。
资料来源：https://www.zhihu.com/question/26448935

·DFT的性质（4个）

1.对称性
图像如下：

证明如下：

实际应用：如图所示，我们只需要获取一半的点就可以获得整个图像的信息，因此只需要保留前N/2+1个点。比如在语音信号特征提取的时候一般使用512点DFT，实际上只需要257个点。

2.X(m)表示谱密度
DFT之后的频域序列X(m)的幅值实际上是一个“密度”的概念，通俗讲，即单位带宽上有多少信号存在。
如果对一个幅度为A实正弦波进行N点DFT，则DFT之后，对应频率上的幅度M和A之间的关系为：

3.线性关系
即可以线性叠加，如果xsum(n)= x1(n) + x2(n)，则对应的频域上有：Xsum(m) = X1(m)+ X2(m)

4.时移性
对x(n)左移k个采样点，得到xshift(n) = x(n − k),对xshift(n)进行DFT，有：

扩展：频率轴
频率分辨率：fs/N，表示最小的频率间隔。当N越大时，频率分辨率越高，在频域上，第m个点所表示的分析频率为：

从这个角度，我们可以理解为X(m)的幅值，体现了原信号中频率成分为m/N*fsHz 的信号的强度.
为了提高DFT频率轴的分辨率，而不会影响原始信号的频率成分。我们可以将时域长度为N的信号x(n) 补0，增加信号的长度，从而提高频率轴分辨率。对信号进行补0的操作，不会影响DFT的结果，这在FFT（快速傅里叶变换）中和语音信号分析中非常常见。
Eg.在语音特征提取阶段，对于16k采样率的信号，一帧语音信号长度为400个采样点，为了进行512点的FFT，通常将400个点补0，得到512个采样点，最后只需要前257个点。

---

快速傅里叶变换(FTT)

基本思想是把原始信号的N点序列，以此分解成一系列的短序列。充分利用DFT计算式中指数因子具有的对称性和周期性，进而求出这些短序列相应的DFT并进行适当组合，达到删除重复计算，减少乘法运算和简化结构的目的。

Fbank和MFCC特征提取

Fbank和MFCC特征目前仍是主要使用的特征，虽然有些工作尝试在语音识别任务上对波形建模，但是效果并没有超过基于频域的特征。流程图如下：

1.预加重

作用：可以提高高频部分的能量。
理由：高频信号在传递过程中，衰减较快，但是高频部分又蕴含很多对语音识别有利的特征，因此，在特征提取部分，需要提高高频部分能量。
预加重滤波器是一个一阶高通滤波器，给定时域输入信号x[n]，预加重之后的信号为：
y[n]=x[n]-αx[n]
效果如下图所示：

从公式中可以看出，类似于求导，高频信号的变化率很高，那么在预加重后会大大加强，而低频信号则会被抑制，尤其是α接近1的时候。

2.加窗分帧

为什么需要分帧？
• 语音信号为非平稳信号，其统计属性是随着时间变化的，以汉语为例，一句话中包含很多声母和韵母，不同的拼音，发音的特点很明显是不一样的；
• 但是！语音信号又具有短时平稳的属性，比如汉语里一个声母或者韵母，往往只会持续几十到几百毫秒，在这一个发音单元里，语音信号表现出明显的稳定性，规律性（可以自己使用Audition观察一段语音）
• 在进行语音识别的时候，对于一句话，识别的过程也是以较小的发音单元（音素、字、字节）为单位进行识别，因此用滑动窗来提取短时片段，
Eg.对于采样率为16kHz的信号，帧长、帧移一般为25ms、10ms，即400和160个采样点。

分帧的过程，在时域上，即用一个窗函数和原始信号进行相乘：y[n]=w[n]x[n]
W[n]是窗函数，常见窗函数有：

下面是加窗之后的效果：

可以发现矩形窗主瓣窄，但是旁瓣较大，将其与原始信号的频域进行卷积会导致频率泄露。
加窗的过程实际上是在时域上将信号截断，窗函数与信号在时域相乘，就等于对应的频域表示进行卷积。

3.傅里叶变换

将上一步分帧后的语音帧，由时域变换到频域，取DFT系数的模（即|X(m)|），得到谱特征。
右图展示了语谱图的生成过程：

1. 加窗分帧
2. 将每一帧信号进行DFT（FFT），如第t帧信号，DFT系数为Xt m ,m = 0,1, … ,N
3. 将每一帧DFT的系数按时间顺序排列，得到一个矩阵Y ∈ CT∗N，且Y t,m = Xt(m)
4. 语谱图是一个三维图，横轴表示时间(t)，纵轴表示频率，颜色的深浅表示当前时频点上幅度的大小|Y[t,m]|
   

4.梅尔滤波器组和对数操作

DFT得到了每个频带上信号的能量，但是人耳对频率的感知不是等间隔的，近似于对数函数
将线性频率转化为梅尔频率，梅尔频率和线性频率的转换关系：

梅尔三角滤波器组：根据起始频率、中间频率和截止频率，确定各滤波器系数：

梅尔滤波器组设计
• 确定滤波器组个数P
• 根据采样率fs，DFT点数N，滤波器个数P，在梅尔域上等间隔的产生每个滤波器的起始频率、中间频率和截至频率，注意，上一个滤波器的中间频率为下一个滤波器的起始频率（存在overlap）
• 将梅尔域上每个三角滤波器的起始、中间和截止频率转换线性频率域，并对DFT之后的谱特征进行滤波，得到P个滤波器组能量，进行log 操作，得到Fbank特征

MFCC特征在Fbank特征基础上继续进行IDFT变换等操作

倒谱 (Cepstral)
Inverse Fourier transform of logarithm of spectrum
倒谱分析分为四步，第一步信号加窗，第二步频谱分析，第三步频谱取对数，第四步傅里叶变换。它主要的功能是可以线性分离经卷积后的两个或多个分别的信号。

注意：取log有两个目的：

1. 人耳对信号感知是近似对数的
2. 对数使特征对输入信号的扰动不敏感

5.动态特征计算

一阶差分（Delta, Δ），类比速度，最简单的一阶差分计算方法：

二阶差分（Delta delta, ΔΔ），类比加速度，简单计算方法：

6.能量计算

总结

MFCC特征总结
一般常用的MFCC特征维39维，包括：
• 12维原始MFCC
• 12维Δ
• 12维Δ Δ
• 1维能量
• 1维能量Δe
• 1维能量Δ Δe
MFCC特征一般用于对角GMM训练，各维度之间相关性小
Fbank特征一般用于DNN训练

阅读推荐：
《语音与语言处理：自然语言处理、计算机语言学和语音识别导论》Daniel Jurafsky；James H. Martin / 人民邮电出版社 / 2010-12
《Theory and Applications of Digital Speech Processing》Lawrence R. Rabiner, Ronald W. Schafer/电子工业出版社/2011-1
《understanding digital signal processing》Richard G. Lyons

关于作业的MFCC特征提取的GitHub地址：
https://github.com/MIRROR116/ASR-and-STT/blob/main/mfcc.py