语音特征MFCC原理，谱图理解（谱图横轴坐标理解）

最新推荐文章于 2024-10-09 20:49:43 发布
最新推荐文章于 2024-10-09 20:49:43 发布
阅读量2.3k 收藏 12
点赞数 1
文章标签： 语音识别 人工智能
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/niu_nini/article/details/126545844
版权

链接为学习时发现的比较详细的讲解，方便自己以后翻阅所用

原理，如何一步步得到mfcc：

语音信号的梅尔频率倒谱系数(MFCC)的原理讲解及python实现 - 凌逆战 - 博客园

谱图讲解，语谱图来源：

语音识别中MFCC频谱和如何得到频谱图的图示讲解_躺在相片里等的博客-CSDN博客_mfcc图

原意是想找MFCC频谱图纵坐标代表什么，上面的文章都没有具体指出，以下为个人见解

mfcc = librosa.feature.mfcc(y=data, sr=sr)

librosa.display.specshow(mfcc, x_axis='time') 

plt.ylabel('MFCC')
plt.colorbar()
plt.show()

 这里用默认值n_mfcc=20,表示返回的mfcc个数是20

debug可看到这段音频得出的全部mfcc系数：

最低0.47元/天 解锁文章
niu妮妮
关注
【语音识别】基于mfcc特征模板匹配算法实现语音识别matlab源码含GUI
qq_59747472的博客
09-01 68
在任意一个Automatic speech recognition 系统中，第一步就是提取特征。换句话说，我们需要把音频信号中具有辨识性的成分提取出来，然后把其他的乱七八糟的信息扔掉，例如背景噪声啊，情绪啊等等。 搞清语音是怎么产生的对于我们理解语音有很大帮助。人通过声道产生声音，声道的shape（形状？）决定了发出怎样的声音。声道的shape包括舌头，牙齿等。如果我们可以准确的知道这个形状，那么我们就可以对产生的音素phoneme进行准确的描述。声道的形状在语音短时功率谱的包络中显示出...
语音信号特征提取——梅尔频率倒谱系数(MFCC)
Michael_fchou的博客
06-24 3370
** 语音信号特征提取——梅尔倒谱系数(MFCC) ** 一、什么是MFCC   梅尔倒谱系数（Mel-scale Frequency Cepstral Coefficients，简称MFCC）是在Mel标度频率域提取出来的倒谱参数。Mel标度描述了人耳频率的非线性特性，它与频率的关系可用下式近似表示：   式中f为频率，单位为Hz。下图展示了Mel频率与线性频率的关系： 二、为什么要用Mel频率   对于人类听觉感知的实验表明，人类听觉的感知只聚焦在某些特定的区域，而不是整个频谱包络。 而Mel频率分
MFCC谱图及其三维图表示
12-20
本代码详细表达了MFCC提取过程，并且把MFCC可视化成梅尔谱图的形式；除此之外还提取了△MFCC，并且将MFCC和△MFCC表示成了3D曲面图的形式，对于写论文需要作图的朋友很方便使用，直接就可以运行，简单易懂！！
语音识别中MFCC频谱和如何得到频谱图的图示讲解
weixin_44463711的博客
05-28 2799
语音识别中MFCC频谱和如何得到频谱图的图示讲解
梅尔频率倒谱系数
最新发布
qq_52568590的博客
10-09 946
分帧、加窗；对每一帧进行快速傅里叶变换，得到频谱；使用梅尔尺度滤波器组，模拟人耳感知；计算每个滤波器的对数能量，模拟响度感知；通过离散余弦变换提取倒谱系数，去除频谱信号中的冗余信息；得到 MFCC 特征向量，并可进一步计算动态特征。MFCC 是语音和音频分析中的一种广泛使用的特征提取技术，通过模仿人类的听觉系统，将复杂的音频信号转化为易于处理的特征向量。这种方法不仅减小了数据的维度，还保留了信号的重要频谱信息，特别适用于语音识别等任务。
MFCC 特征提取
taw19960426的博客
07-27 1831
HTK以及My_htk数据链接： https://pan.baidu.com/s/1Ajo7d-odrRiAwmCB_CQTzQ 提取码：hqnv 一：文件准备 HTK 和 HTK–samples 下载 HTK 和 HTK–samples 两个压缩文件，保存至 F 盘根目录下。 下载地址：http://htk.eng.cam.ac.uk/download.shtml（注：HTK 官方 网站需要先...
梅尔频率倒谱系数（MFCC） 学习笔记
weixin_30444105的博客
02-14 4953
最近学习音乐自动标注的过程中，看到了有关使用MFCC提取音频特征的内容，特地在网上找到资料，学习了一下相关内容。此笔记大部分内容摘自博文 http://blog.csdn.net/zouxy09/article/details/9156785 有小部分标注和批改时我自己加上的，以便今后查阅。 语音信号处理之（四）梅尔频率倒谱系数（MFCC） zouxy09@qq.com htt...
声学特征（二） MFCC特征原理
热门推荐
xmdxcsj的专栏
04-23 8万+
基本含义MFCC是Mel-Frequency Cepstral Coefficients的缩写，顾名思义MFCC特征提取包含两个关键步骤：转化到梅尔频率，然后进行倒谱分析。梅尔频率梅尔刻度是一种基于人耳对等距的音高(pitch)变化的感官判断而定的非线性频率刻度。和频率的赫兹的关系如下: m=2595log10(1+f700)m=2595log_{10} (1+\frac{f}{700}) 所以
【图像拼接】 Harris角点检测图像拼接【含Matlab源码 517期】
Matlab912100926的博客
05-07 854
Harris角点检测图像拼接 完整代码，直接运行，适合小白！可提供运行操作视频！
mfcc计算 java_语音特征参数MFCC计算过程
weixin_30635707的博客
02-26 356
语音信号为从声道输入的速度波(输入信号)，与声道形状(系统)卷积得到的声压波。语音信号的特征参数的提取正是对语音信号进行时域和频域的处理分离出声道形状(系统)的过程。声道形状(系统)也正是无论任何语音信号，只要每个字母或数字相同(它的发音就相同)，它就在一定程度上相同的特征参量(频域共振峰(震荡的顶点)的包络)。过程称为倒谱分析：(频域时对信号进行取对数处理)时域：卷积性；->fft频域：乘...
深入理解MFCC（梅尔频率倒谱系数）
DEDSEC_Roger的博客
12-11 2万+
取得13个系数后，还会在时序上，对13个系数求一阶差分和二阶差分，二阶差分等价于对一阶差分求一阶差分。表示第n帧的13个系数，将一阶差分和二阶差分与原函数值拼接起来，得到39个系数。通常选取前12个系数，再拼接一个当前frame的能量，共13个。MFCC的输出可以表示为一个二维数组，shape为。越靠前的系数，包含越多的基频和共振峰的信息。，由于是二维数组，所以可以用热力图可视化。
mfcc特征提取
10-04
代码中的melcepts.m直接可以用来提取MFCC，MFCC是Mel-Frequency Cepstral Coefficients的缩写，顾名思义MFCC特征提取包含两个关键步骤：转化到梅尔频率，然后进行倒谱分析
MFCC 梅尔倒频谱系数 详解
04-19
在语音辨识（Speech Recognition）和语者辨识（Speaker Recognition）方面，最常用到的语音特征就是「梅尔倒频谱系数」（Mel-scale Frequency Cepstral Coefficients，简称MFCC），此参数考虑到人耳对不同频率的感受程度，因此特别适合用在语音辨识。下面简单的介绍一下求解MFCC的过程。
MFCC理解
James_bobo的博客
09-26 8457
MFCC 在语音识别（SpeechRecognition）和话者识别（SpeakerRecognition）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）。根据人耳听觉机理的研究发现，人耳对不同频率的声波有不同的听觉敏感度。从200Hz到5000Hz的语音信号对语音的清晰度影响对大。两个响度不等的声音作用于...
MFCC特征介绍
DataBaker的博客
08-10 5434
MFCC特征介绍 在语音识别技术中，需要提取音频的特征，然后就可以使用该音频进行模型的训练或者是进行识别，目前很常用的一种特征叫做MFCC特征，又叫做梅尔倒谱系数特征。MFCC特征保留了语义相关的一些内容，过滤掉了诸如背景杂音等无关的信息。MFCC的特点是使用一组用来创建梅尔倒谱的关键系数，这样使得它的倒频谱和人类非线性的听觉系统更为接近。 具体步骤如下： 对音频信号进行分帧加窗 将信号进行傅里叶变换 将频谱映射到梅尔刻度 取对数 进行DCT变换 为什么要对音频信号进行分帧加窗？ 因为音频信号本身是非平
语音基础知识，语音特征之【声谱图，log梅尔谱，MFCC，deltas】
Albert的博客
06-28 2018
语音基础知识： https://www.cnblogs.com/liaohuiqiang/p/9916352.html 语音特征提取： https://www.cnblogs.com/liaohuiqiang/p/10159429.html 语音特征参数MFCC提取过程： https://my.oschina.net/jamesju/blog/193343 https://blog.csdn.net/zkl99999/article/details/80723755 ...
语音特征提取: 看懂梅尔语谱图(Mel-spectrogram)、梅尔倒频系数(MFCCs)的原理
weixin_50547200的博客
05-27 5万+
本文内容主要来自于:Speech Processing for Machine Learning: Filter banks, Mel-Frequency Cepstral Coefficients (MFCCs) and What’s In-Between | Haytham Fayek 1. 什么是梅尔语谱图和梅尔倒频系数？ 机器学习的第一步都是要提取出相应的特征(feature)，如果输入数据是图片，例如28*28的图片，那么只需要把每个像素(pixel)作为特征，对应的像素值大小(代表颜色的强.
语音深度学习常用的特征：梅尔谱
rambo_csdn_123的博客
07-23 6429
Mel spectrogram 梅尔谱 根据我们人类听觉的特性，我们对低频声音比较敏感，对高频声音没那么敏感 所以当声音频率线性增大时，频率越高，我们越难听出差别，因此不用线性谱而是对数谱 Mel谱包含三大特性： 时域-频域信息 感知相关的振幅信息 感知相关的频域信息 Mel谱的核心就是Mel-scale，一个对数尺度的对于频率感知线性变化的尺度 提取Mel谱的方法： 做STFT得到复数矩阵 将幅度转成分贝(db) 问：如果这里在mel spectrogram里面就把幅度转成db了， 那Log_me
语音识别之MFCC特征提取
DurIaN1023的博客
10-29 7866
提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档 ** MFCC特征提取 ** 前言 兜兜转转看了一些文献，总结出自己的一些理解，总结如下（若有错误之处，烦请指点一二）： 一、为什么要做MFCC 语音识别的第一步是特征提取，目的是可以给模型提供更加高质量的输入以此获得更好的识别效果。常用的特征提取包括线性预测倒谱系数（LPCC）和梅尔频率倒谱系数（MFCC）。 LPCC：是根据声管模型建立的特征参数，是对声道响应的特征表征 MFCC：基于人类的听觉特征提取出来的特征参数，是对人耳听觉
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