语音特征提取笔记

信号处理基础

模拟信号到数字信号转化

在科学和工程中，遇到的大多数信号都是连续的模拟信号，而计算机只能处理离散的信号，因此，必须对这些连续的模拟信号进行转化，通过采样和量化，转換成数字信号。

 频率混叠

给定一个离散信号不能唯一地恢复出一个连续的正弦波

奈奎斯特采用定理

 离散傅里叶变换DFT

Fbank和MFCC

下图是Fbank和MFCC提取的流程，以及每个步骤后的输出。

 1、预加重

预加重的目的是要提高信号高频部分的能量

预加重滤波器是一个一阶高通滤波器，给定时域信号x[n]，预加重后的信号为，其中，

如下图蓝色信号为原始信号，红色信号为预加重后的信号。低频信号变化较慢，x[n]值与x[n-1]值很相近，当接近1时，接近于0，那么此信号的幅度将被大大抑制。高频信号变化较快，x[n]值与x[n-1]值相差很大，也不会趋于0，那么此信号的幅度将被保留。

 2、分帧加窗

分帧：因为语音信号有短时平稳的属性，且在语言识别时，识别过程也是以比较小的发音单元为单位进行识别。因此用滑动窗来提取短时片段。对于16kHz的信号，帧长一般为25ms,帧移为10ms.

分窗主要有两种方法分别是矩形窗和汉明窗。

 分帧加窗将一长段信号分为了一小段一小段信号。

3、傅里叶变换

傅里叶变换将上一步分帧后的语音帧，由时域变换到频域，去DFT系数的模，得到谱特征。

下图是语谱图的生成过程。下图中彩色的图为语谱图，它是个三维图像，图形的颜色是第三个维度。

 4、梅尔滤波器组和对数操作

       梅尔值是一个新的量度，相比于正常的频率机制，梅尔值更加接近于人耳的听觉机制，其在低频范围内增长速度很快，但在高频范围内，梅尔值的增长速度很慢。将线性频率转换为梅尔频率，梅尔频率和线性频率转换关系为

       下图中，将频域信号分解成了谱包络和谱细节，谱包络信号变化慢，谱细节信号变化剧烈，频域信号等于谱包络和谱细节的乘积。而共振峰就是谱包络中的高点。DFT得到了每个频带上信号的能量，但是人耳对频率的2感知不是等间隔的，近似于对数函数

将谱包络和谱细节去对数后相加便得到了梅尔谱，以上便完成了Fbank提取。

5、IDFT

IDFT将梅尔谱横轴由频率变成时间后进行傅里叶变换，如下图所示。左图横轴为频率。

下图是MFCC的提取过程，Fbank到步骤2结束。

标准的倒谱参数MFCC只反映了语音参数的静态特性，语音的动态特性可以用这些静态特征的差分谱来描述。实验证明：把动、静态特征结合起来才能有效提高系统的识别性能。差分公式如下图。