语音信号处理之语音特征提取（1）机器学习的语音处理

本文首先是将Speech Processing for Machine Learning: Filter banks, Mel-Frequency Cepstral Coefficients (MFCCs) and What's In-Between这篇2016年4月21号的文章翻译了一下，然后讲出一点自己的理解和注释。

机器学习的语音处理：滤波器组，梅尔频率倒谱系数（MFCC）以及两者之间的区别

语音处理在任何语音系统中都扮演着重要的角色，无论它是自动语音识别（ASR）还是说话者识别等等。 长期以来，梅尔频率倒谱系数（MFCC）是非常受欢迎的功能。 但是最近，滤波器组正变得越来越流行。 在这篇文章中，我将讨论滤波器组和MFCC，以及为什么滤波器组变得越来越流行。

计算滤波器组和MFCC涉及相同的过程，在这两种情况下，都将计算滤波器组，并通过一些额外的步骤可以获得MFCC。 简而言之，信号会通过预加重滤波器。 然后将其切成（重叠的）帧，并将窗口函数应用于每个帧； 之后，我们在每个帧上进行傅立叶变换（或更具体地说是短时傅立叶变换），并计算功率谱； 然后计算滤波器组。 为了获得MFCC，可将离散余弦变换（DCT）应用于滤波器组，以保留多个所得系数，而其余系数则被丢弃。 两种情况的最后一步是平均归一化。

 

建立

       在本文中，我从此处使用了一个16位PCM wav文件，称为“ OSR_us_000_0010_8k.wav”，其采样频率为8000 Hz。 wav文件是干净的语音信号，包括单个语音，在其中说出一些句子，中间有一些停顿。 为简单起见，我使用了信号的前3.5秒，大致相当于wav文件中的第一句话。
       我将使用Python 2.7.x，NumPy和SciPy。 这篇文章中使用的一些代码基于该存储库中可用的代码。

import numpy
import scipy.io.wavfile
from scipy.fftpack import dct

sample_rate, signal = scipy.io.wavfile.read('OSR_us_000_0010_8k.wav') # File assumed to be in the same directory
signal = signal[0:int(3.5 * sample_rate)] #Keep the first 3.5 seconds

'''
显示这个图片
plt.figure(figsize=(20,5)) # 修改坐标显示
plt.xlabel("Time(s)")
plt.ylabel("Amplitude")
plt.plot(x , signal)
plt.show()
'''

原始信号在时域中具有以下形式：

时域信号

强化前

第一步是对信号应用预加重滤波器，以放大高频。 预加重滤波器在几种方面很有用：（1）平衡频谱，因为与低频相比，高频通常具有较小的幅度；（2）避免在傅立叶变换操作期间出现数值问题；（3）还可改善信号 噪声比（SNR）。

可以使用以下等式中的一阶滤波器将预加重滤波器应用于信号xx：

y（t）= x（t）-αx（t-1）

可以使用以下代码轻松实现，其中滤波器系数（αα）的典型值为0.95或0.97，pre_emphasis = 0.97：

emphasized_signal = numpy.append(signal[0], signal[1: