java mfcc_语音特征提取技术——MFCC

简介

MFCC是一种语音特征提取技术，它产生与20世纪80年代。MFCC为了从人发出的音频中去除噪音和情感的影响，提取特征值便于我们进行进一步的分析。

人的发声由很多部位共同影响的结果，如嘴形、牙齿等因素，这种形状可以决定声音的输出。如果我们可以精确的确定形状，那么我们就可以对发出的因素进行科学的表示。这篇文章将带你走进MFCC技术，解释它为什么能够很好的用于语音识别领域以及如何实现它。

首先我们来确定一下如何进行MFCC的步骤：

-----1.将音频分解为帧；

-----2.对于每一帧，计算周期功率谱；

-----3.将mel滤波器应用到功率谱中，计算每个滤波器的能量和；

-----4.计算能量的对数值；

-----5.对每个对数能量进行离散余弦变换(DCT)；

-----6.保留DCT的2-13个系数，其余系数舍去；

现在我们来探讨一下每一步的细节以及为什么要这么做。

一个音频信号通常是不断变化的，为了简化，我们通常假设一个较短时间内音频信号不会有较大的变化(我们指统计上)，所以我们把每一帧划分成20-40ms为宜，若该时间太短，则没有足够的信号来进行功率估计；方之，若太长，则每一帧信号变化太多。

下一步是计算每一帧的周期功率谱，这个源自人的耳锅，它随声音的大小而发生不同频率的振动。通过耳锅的不同位置上的振动，不同的神经元将会通知大脑现在听到的音频频率。我们的周期图同样为我们做出这种工作，确定帧中存在哪些频率。

周期图同样存在一些ASR(Automatic Speech Recognition)不需要的信息。实际上耳锅无法辨别两个空间上相近的频率。当频率变大时，这种影响更明显。因此，我们采取周期图块，并且将它们进行累加来得知在不同频率区域的能量是多少。这个是有我们的mel滤波器完成的，第一个滤波器非常狭窄，可以告诉我们频率为0Hz附近的能量是多少，当频率渐渐变高时，我们的滤波器也会越来越宽，我们只关心每一个点能量是多少。mel级别告诉我们如何去划分滤波器以及滤波器的宽度如何选择。

一旦我们有了滤波器的能量，我们对它取对数，这也是受人类听力启发的；通常我们无法听出线性级别的音量，通常若声音扩大两倍，我们需要放入8倍的