语音特征提取流程：分帧、加窗、傅里叶变换

最新推荐文章于 2024-06-23 21:33:09 发布
最新推荐文章于 2024-06-23 21:33:09 发布
阅读量3.1k 收藏 31
点赞数 3
分类专栏： 音频信号处理 文章标签： 信号处理 深度学习 语音识别 人工智能 机器学习
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/rambo_csdn_123/article/details/119035637
版权
本文介绍了语音特征提取的关键步骤，包括分帧、加窗和傅里叶变换。分帧是为了模拟人耳听觉，通常选取256-8192个采样点为一帧。傅里叶变换用于将时域信息转化为频域，但不加窗会导致频谱泄漏。加窗操作通过窗函数处理每一帧，消除不完整波形影响，确保信号周期性。
摘要由CSDN通过智能技术生成

语音特征提取流程

深度学习常用的时域-频域特征:

  • Spectrogram: 语谱图
  • Mel spectrogram 梅尔谱

Step 3: Framing 分帧

由于人耳能听到的声音时长至少为10ms，所以要将数字信号分帧成一个个可以听的块，也就是分帧

一帧中采样点的个数通常取2的幂，连续帧通常重复一半采样点，典型值是：256-8192

frame_duration = (1 / sr) * K K是一帧内采样点的个数

时域特征提取流程

在这里插入图片描述

频域特征提取流程

频域特征是在时域特征的基础上加窗再做傅里叶变换得来的

在这里插入图片描述

先说Step 5: Fourier transform 傅里叶变换

将时域信息转换为频域信息的关键步骤就是对时间帧进行傅里叶变换操作

如果不加窗就直接进行FT的话会造成频谱泄露 (spectral leakage)

Spectral leakage

最低0.47元/天 解锁文章
龙哥每天都要学
关注
  • 3
    点赞
  • 踩
  • 31
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
从傅里叶变换到加窗傅里叶变换
Yuejiang_Li的博客
12-10 3万+
从傅里叶变换到加窗傅里叶变换我们都做了什么
信号的FFT变换与加窗
chumingqian的博客
02-26 6965
数学上有一种公式叫做　泰勒展开：泰勒公式：当指数函数的个数趋近于无穷多个，那么组合出来的函数将会逼近原函数；同样的，　傅里叶想说的，
【信号处理】语音信号加窗分帧与分段，短时能量+过零率+自相关附Matlab代码
最新发布
m0_60703264的博客
06-23 840
语音信号是一种典型的非平稳信号，其特性在时间上会发生显著变化。为了更好地分析和处理语音信号，通常需要将其分成较短的、近似平稳的片段，并对每个片段进行特征提取。加窗分帧与分段，以及短时能量、过零率和自相关是常用的语音信号处理技术，为进一步的语音识别、语音合成、说话人识别等提供了关键信息。加窗分帧与分段、短时能量、过零率、自相关等技术是语音信号处理的基础。通过这些技术，可以将复杂的语音信号分解成更易于分析的特征，为后续的语音识别、语音合成、说话人识别等应用奠定了基础。
加窗傅里叶变换的演示 matlab程序 分别对加方窗和海明窗的信号做傅里叶变换
10-22
加窗傅里叶变换的演示 matlab程序 分别对加方窗和海明窗的信号做傅里叶变换 函数可以改变窗口的大小 对理解傅里叶变换和频谱非常有帮助
什么是加窗傅里叶变换
liulina603的专栏
03-01 1万+
对一个有限长的时域采样信号进行傅里叶变换实际上就是加了一个矩形窗，相当于用矩形窗把无限长的数据截断了，也可以根据需要把这个矩形窗换成其他窗函数   Gabor变换是不是小波变换?? 我觉得是也不是 是：大家都叫它Gabor Wavelet，不是小波是什么？而且它能反映局部区域的频率特征。 不是：Gabor只是加窗Fourier，不能像其他小波基一样分辨率自动调整。
傅里叶变换学习笔记（二）——栅栏效应、频谱泄漏与加窗
JazzyのBlog
02-06 9966
上文传送门： 傅里叶变换学习笔记（一） 本文将对傅里叶变换应用中常见的两个问题进行讨论。 (一) 栅栏效应 先看一个典型的应用案例： 构造信号： x(t)=−sin(2πf1t)+sin(2πf2t),f1=10Hz,f2=12Hz x\left(t\right)=-sin\left(2\pi f_1t\right)+sin\left(2\pi f_2t\right),f_1=10Hz,f_2=12Hz x(t)=−sin(2πf1​t)+sin(2πf2​t),f1​=10Hz,f2​=12Hz 从表达式
基于深度学习的音乐推荐系统（三）使用已训练的卷积神经网络提取语谱图特征并计算图像间相似度
zoe9698的博客
06-07 4584
该模块包含几部分： 调用训练好的并且已经保存的CNN模型（仅四层卷积层部分） 逐个读取tfrecords文件中的元素，并送入已训练好的CNN中，给每个图片提取128个特征 每首歌包含11个图片，即11*128个特征，将每首歌的11*128个特征之间进行余弦相似度计算 逐个歌曲计算，返回每个歌曲的最相似的三首歌歌名，以列表的形式 调用训练好的并且已经保存的CNN模型（仅四层卷积层部分） ...
sg.rar_分帧_分帧加窗_语音 短时_语音信号 分帧
09-24
在IT领域，尤其是在音频处理和信号分析中，"sg.rar_分帧_分帧加窗_语音 短时_语音信号 分帧"这个标题暗示了我们正在探讨一种用于语音信号处理的技术，即短时傅里叶变换（Short-Time Fourier Transform, STFT）。...
3.1 语音分帧与加窗.rar_woolot2_语音分帧_语音分帧与加窗_语音加窗分帧_音频 分帧
07-14
在语音处理领域，语音分帧与加窗是两个至关重要的步骤，它们对于后续的信号分析、特征提取以及语音识别等任务具有决定性的影响。这里，我们深入探讨这两个概念及其在实际应用中的作用。 首先，**语音分帧**是将连续...
语音分帧与加窗.rar
08-09
在语音处理领域，语音分帧与加窗是两个至关重要的步骤，它们对于后续的信号分析、特征提取以及语音识别等任务具有基础性的作用。这里，我们深入探讨这两个概念及其重要性。 首先，让我们理解什么是“语音分帧”。在...
语音信号的分帧加窗的matlab实现.doc
10-16
语音信号的分帧加窗的matlab实现 语音信号处理是语音识别和自然语言处理领域的基础技术之一。语音信号处理的目的是从原始语音信号中提取有用信息，...在MATLAB中，实现语音信号的分帧加窗和特征提取可以使用上述代码。
加窗傅里叶变换和小波变换的原理与程序
08-26
本文详细介绍了加窗傅里叶变换和小波变换的原理，并给出了加窗傅里叶变换和小波变换的主程序代码。
语音分帧与加窗基于MATLAB
05-22
在实际应用中，你可能还需要根据具体需求进行调整，例如，对加窗后的帧进行快速傅立叶变换（FFT），或进行其他声学特征的提取。 通过以上介绍，我们可以看到，"语音分帧与加窗基于MATLAB"这一主题涵盖了数字信号...
语音特征提取（语谱图Spectrogram，Fbank, MFCC, 及其delta-一阶差分）——python代码
yin_fei_0825的博客
11-14 5147
导入相关包 import os import wavio import numpy as np import math from matplotlib import pyplot as plt from scipy.fftpack import dct 读取语音数据及主函数 for wav in wavs: wav_dir = os.path.join(data_dir, wav) wav_data = wavio.read(wav_dir) data = wav_data.data sampl
传统语音识别介绍【二】—— 特征提取
u011590738的博客
06-23 3834
(1) 线性预测系数（LPC），线性预测分析是模拟人类的发声原理，通过分析声道短管级联的模型得到的。假设系统的传递函数跟全极点的数字滤波器是相似的，通常用 12一16个极点就可以描述语音信号的特征。所以对于 n 时刻的语音信号， 我们可以用之前时刻的信号的线性组合近似的模拟。然后计算语音信号的采样值和线性预测的采样值，并让这两者之间达到均方的误差（MSE）最小，就可以得到 LPC 。(2) 感知线性预测（PLP），PLP 是一种基于听觉模型的特征参数。该参数是一种等效于 LPC 的特征，也是全极点模型预测多
dve 二维数组信号 显示波形_语音信号的语谱图特征提取（一）
weixin_39549312的博客
01-05 626
1、获取语音数据CASIA汉语情感语料库是中科院自动化所录制的情感语料库,数据库包括奖金10000条语音。发音为中文数据库包括angry、fear、happy、neutral、sad和surprise六种情绪,四个演员对300句相同文本和100句不同文木进行朗诵。收集的语音信号基本是纯净无噪声的,16000khz采样率,16bit,pcm格式存储。2、提取语音信号的语谱图对语音信号进行加窗、分帧，...
【语音识别入门】特征提取（Python完整代码）
weixin_51293984的博客
08-24 9863
给定一段音频，请提取12维MFCC特征和23维FBank，阅读代码预加重、分帧、加窗部分，完善作业代码中FBank特征提取和MFCC特征提取部分，并给出最终的FBank特征和MFCC特征，存储在纯文本中，用默认的配置参数，无需进行修改。抽样时频率不够高，抽样出来的点既代表了信号中的低频信号的样本值，也同时代表高频信号样本值，在信号重建的时候，高频信号被低频信号代替，两种波形完全重叠在一起，形成严重失真。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。
[语音识别]声学特征提取
小哲的博客
04-08 5236
声学特征提取语音识别：声学特征提取1. 预加重2. 分帧3. 加窗4. 离散傅里叶变换（DFT）5. 语谱图6. 梅尔刻度（Mel Scale）7. 梅尔滤波器组（Mel Filter Bank）8. FBANK特征9. MFCC特征10. 差分11. CQCC特征总结 语音识别：声学特征提取 常用的声学特征有FBANK、MFCC、PLP等， MFCC特征各纬度之间具有较弱的相关性，适合GMM的训练，FBANK相比MFCC保留了更原始的声学特征，多用于DNN的训练。 1. 预加重 语音中有频谱倾斜现象，即
【个人总结】用深度学习进行信号的特征提取和分类
热门推荐
weixin_42853410的博客
11-12 1万+
项目和资料汇总参考项目汇总kaggle项目天池项目深度学习学习资料汇总机器学习总流程sklearn细节问题信号处理信号特征及特征提取方法 参考项目汇总 kaggle项目 【VSB 电源线故障检测】CNN + LSTM用于信号分类： https://www.kaggle.com/afajohn/cnn-lstm-for-signal-classification-lb-0-513/comments 【泰坦尼克之灾】预测能否生还https://www.kesci.com/mw/project/5bfe39b3
评论 1
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