MFCC特征提取过程中，各步骤的概念详解

1.为什么用mfcc特征：

在梅尔轴上，听觉是等距离的、等差的，但听觉轴上不是。听觉音高是梅尔，一个是响度，一个是音高，一起用时是最好的听觉特征，MFCC只用了响度。有一个假设是mfcc特征的均值（mean）和标准差（std）都是一样的。

2.为何预加重：

声门气流波，每倍频音下降12分贝。这是我们声带的特征。经过咽腔，口腔进行共振，最后通过嘴唇发出。在唇齿之间进行唇呛辐射时，每倍频音增加6分贝。抵消之后是：每倍频音下降6分贝。即：

• 100hz时是0db  
• 200hz是-6db
• 400hz是-12db

因此我们采用预加重，对高频提升一下，尽量让整个频谱平坦一点。

3.预加重：

在预加重公式中，传输函数如下：

假设我们采集到的样本点是sp= 1,2,3,1,2,3,1,2,3。 其中，a一般取0.95-0.97之间的值，z-1就是上一个时刻，z-2就是上上个时刻，这里的“1”不是数值1，而是要代进去sp样本点的值。要会用传输函数。

4.分帧：

语音识别、语音处理时，通常每秒取40帧。对于16k采样率的语音，指每秒钟取16k个点，就是16000点。人耳是0.1秒才能感觉到语音。

每10ms处理一次，就是每跳过160点处理1帧，即每帧距离是160个点，帧的长度就是第0点开始取。第一帧开始处理，就是第0点开始取，第1次从0点开始取，第二次从160点开始取，第三次从320点开始取……每次取400个点开始分析，即第0-第399点。

因为我们要对它做傅里叶变换。傅里叶变换要求我们做频谱分析时，信号必须是平稳信号，即他的统计信号处处不变。分析窗口取多少？25ms。那么为什么取25ms？在25ms内人的口腔被认为是固定不动的。这就是平稳的。超过25ms就变异了。为什么256或512？因为我们做快速傅里叶变换时，需要2的整数倍个0。加000000000…… 112个0。然后快速傅里叶变换结束后，分帧结束，后面进行加窗汉明窗。FFT(快速傅里叶变换)的点，得出的点取一半，只有一半的点是有用的，8k采样率只取一半，4k的点是有用的，其他的都是低频段。这个地方在每次提特征的时候设置采样率时都要注意一下： --sample-frequency=8000 就是采样率取8000。

5.加窗：

为什么要加窗？加窗会导致什么？

加上任何窗函数都会对它的频谱产生扭曲，因为它会泄露频谱，泄露的频谱主要都集中在它真正的频率附近，旁边的频谱不会受到影响。

在这里需要复习一个高数的知识点：第一类间断点和第二类间断点。不再详细提及，直接查资料就行。

两个概念：共振峰、谐波。在图上要知道哪个地方是共振峰，哪个地方是谐波。上一篇博客有提到（按时间排序）。怎么画出来呢？取实部的模，实部的平方+虚部的开平方，把它的模取对数。或者用 db。

6.离散余弦变换DCT：

前面的数值非常大，后面的数值越来越小，几乎为0。后面的就可以抛弃掉。图片压缩原理就是DCT：后面的抛弃后，就得到压缩图片。使用DCT它有两个好处，第一个好处：后面的几乎为0可以丢掉；第二个好处：加的梅尔窗有重叠，去除参数之间的相关性，提高识别效率。