人耳识别代码_语音识别之——音频特征fbank与mfcc，代码实现与分析

语音识别中常用的音频特征包括fbank与mfcc。

获得语音信号的fbank特征的一般步骤是：预加重、分帧、加窗、短时傅里叶变换（STFT）、mel滤波、去均值等。对fbank做离散余弦变换（DCT）即可获得mfcc特征。

下面通过代码进行分析说明。

• 1、导包

# 导包
import numpy as np
from scipy.io import wavfile
from scipy.fftpack import dct
import matplotlib.pyplot as plt

• 2、绘图函数

绘制时域图

def plot_time(sig, fs):
    time = np.arange(0, len(sig)) * (1.0 / fs)
    plt.figure(figsize=(20, 5))
    plt.plot(time, sig)
    plt.xlabel('Time(s)')
    plt.ylabel('Amplitude')
    plt.grid()

绘制频域图

def plot_freq(sig, sample_rate, nfft=512):
    xf = np.fft.rfft(sig, nfft) / nfft
    freqs = np.linspace(0, sample_rate/2, nfft/2 + 1)
    xfp = 20 * np.log10(np.clip(np.abs(xf), 1e-20, 1e100))
    plt.figure(figsize=(20, 5))
    plt.plot(freqs, xfp)
    plt.xlabel('Freq(hz)')
    plt.ylabel('dB')
    plt.grid()

绘制二维数组

def plot_spectrogram(spec, notylabele):
    fig = plt.figure(figsize=(20, 5))
    heatmap = plt.pcolor(spec)
    fig.colorbar(mappable=heatmap)
    plt.xlabel('Time(s)')
    plt.ylabel(ylabel)
    plt.tight_layout()
    plt.show()

• 3、数据读取

音频信号链接：OSR_us_000_0010_8k.wav

wav_file = 'OSR_us_000_0010_8k.wav'
fs, sig = wavfile.read(wav_file)
# 保留前3.5s数据
sig = sig[0: int(3.5 * fs)]

plot_time(sig, fs)

plot_freq(sig, fs) 

• 4、预加重

pre_emphasis = 0.97
sig = np.append(sig[0], sig[1:] - pre_emphasis * sig[:-1])
plot_time(sig, fs)