主要图形:时域图、频谱图、语谱图
https://blog.csdn.net/yongchunaq/article/details/36227961
基础参考博客:https://blog.csdn.net/zouxy09/article/details/9156785
https://blog.csdn.net/qq_28006327/article/details/59129110
主要知识要点:STFT(短时傅里叶变换)、梅尔频谱(Mel Bank Features)与梅尔倒谱(MFCCs)
傅里叶变换数学理论的扩展阅读:https://www.zhihu.com/question/21040374
提取MFCC特征的过程:
(1)(2) 为了将时域图变为频谱图
1)先对语音进行预加重、分帧和加窗;
语音的预加重:去除口唇辐射的影响,增加语音的高频分辨率
元音能量主要集中在1KHz以下,并且以6dB/十倍频的速度下降,可以使用欲加重技术增强高频能量,这在回声消除以及语音识别中的特征提取(共振峰, LPC)中用到,声道的终端是口和唇,口唇辐射对低频影响比较小,但是对高频段影响比较大,欲加重技术技术为了提升高频分辨率
分帧和加窗的理解:https://www.zhihu.com/question/52093104
2)对每一个短时分析窗,通过FFT得到对应的频谱;
3)将上面的频谱通过Mel滤波器组得到Mel频谱;
4)在Mel频谱上面进行倒谱分析(取对数,做逆变换,实际逆变换一般是通过DCT离散余弦变换来实现,取DCT后的第2个到第13个系数作为MFCC系数),获得Mel频率倒谱系数MFCC,这个MFCC就是这帧语音的特征;