Mel-Filter banks/MFCC特征提取（基于python）

最新推荐文章于 2024-05-12 09:40:15 发布
最新推荐文章于 2024-05-12 09:40:15 发布
阅读量2.8w 收藏 54
点赞数 7
分类专栏： python Speech Processing 文章标签： MFCC Filter banks FB speech processing
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/xl928471061/article/details/72896293
版权

最近开始上手语音相关的课题，第一步当然是了解并提取语音相关的特征及其提取，纵览paper，使用最多的莫过于Filter banks和MFCC了，因此就开始上手自己编写代码提取。（当然不是白手起家，参考在http://haythamfayek.com/2016/04/21/speech-processing-for-machine-learning.html）


1.概述

Filter banks和MFCC语音特征提取，整体是相似的，MFCC只是多了一步DCT（离散余弦变换）罢了。整体过程主要包含以下步骤：

1)预加重，作用就是为了消除发声过程中，声带和嘴唇造成的效应，来补偿语音信号受到发音系统所压抑的高频部分。并且能突显

最低0.47元/天 解锁文章
萌哒萌哒
关注
  • 7
    点赞
  • 踩
  • 54
    收藏
    觉得还不错? 一键收藏
  • 4
    评论
专栏目录
语音识别-MFCC特征提取
nsh119的博客
03-06 8612
本文是在上一篇文章（语音识别-预处理）的基础上进行的。    梅尔频率倒谱系数（MFCC）：梅尔频率是基于人耳听觉特性提出来的， 它与Hz频率成非线性对应关系。梅尔频率倒谱系数(MFCC)则是利用它们之间的这种关系，计算得到的Hz频谱特征。主要用于语音数据特征提取和降低运算维度。其主要过程为：1. 离散傅里叶变换    离散傅里叶变DFT的输入是一帧帧加窗后的信号x[n]…x[m]，输出则是包含N...
关于机器学习中语音信号的基本概念MFCC/Mel-Filter banks生成
qq_33266320的博客
03-24 8026
内容参考https://blog.csdn.net/zouxy09/article/details/9156785，本文内容只是方便自己下次学习，如有侵权，请联系我进行删除。一、声谱图（Spectrogram）       第一个图是波形图，红色是对波形图里的语音进行分帧，每帧语音都对应于一个频谱（通过短时FFT计算），频谱表示频率与能量的关系。       频谱图有三种，即线性振幅谱、对数振幅谱...
Python Speech Features：为语音识别赋予力量
最新发布
gitblog_00017的博客
05-12 263
Python Speech Features：为语音识别赋予力量 项目地址:https://gitcode.com/jameslyons/python_speech_features 项目介绍 Python Speech Features是一个强大的开源库，专门用于从音频信号中提取常见的语音特征，如梅尔频率倒谱系数(MFCCs)和滤波器组能量。对于那些对MFCCs不太了解但想要深入了解的朋友，项目...
MFCC特征提取理解
weixin_30770495的博客
08-25 443
摘自：http://blog.sina.com.cn/s/blog_6a25068b0100m5m6.html 作者：幸福的理由 看了个稀里糊涂，一知半解，觉得以后又会忘记。珍藏下来。边理解边添加。 以下是mfcc_float.cpp的内容 #include "stdlib.h" #include "stdio.h" #include "math.h" #include "MFC...
MFCC 特征提取
taw19960426的博客
07-27 1775
HTK以及My_htk数据链接： https://pan.baidu.com/s/1Ajo7d-odrRiAwmCB_CQTzQ 提取码：hqnv 一：文件准备 HTK 和 HTK–samples 下载 HTK 和 HTK–samples 两个压缩文件，保存至 F 盘根目录下。 下载地址：http://htk.eng.cam.ac.uk/download.shtml（注：HTK 官方 网站需要先...
Mel-Scale Filter Bank(Mel Spectrogram 的具体实现)
子燕若水的博客
04-30 652
它的设计是为了模仿人耳感知声音的方式，根据梅尔音阶对频率进行建模，梅尔音阶对人类来说是一个比频率的线性音阶更有感知意义的尺度。梅尔滤波器组经常被用作语音识别系统的预处理步骤，在将语音信号输入分类器以识别语音模式之前，从这些信号中提取特征。Mel 滤波器组是一种将线性频率谱转换为 Mel 频率谱的方法。它通过将线性频率划分为若干个三角形滤波器来实现，每个滤波器对应一个 Mel 频带。Mel 频率刻度基于人类听觉感知，它与线性频率的关系是非线性的：在低频区域，Mel 频率与线性频率近似成线性关系；
mfcc.rar_MFCC_mel-filterbank_mfcc转频谱图_梅尔谱_音频输入 mfcc
07-14
对每一帧的频谱用梅尔滤波器（mel filterbank）进行滤波，再对每个滤波器的结果求和得到一个长度为n滤波器n滤波器的向量 对3.中得到的向量的每个元素取对数 对4.中的向量做DCT，得到另一个向量（倒频谱） 保留第2~13...
基于MATLAB和Python实现MFCC特征参数提取
09-18
MFCC（梅尔倒谱系数）是语音处理领域中一种重要的特征提取技术，常用于语音识别和话者识别。MFCC参数的提取过程涉及到多个步骤，包括预处理、频谱分析、滤波器组处理、对数运算以及离散余弦变换。 1. **预处理**： ...
语音识别MFCC特征提取matlab代码
10-03
语音识别MFCC特征提取matlab代码。...「梅尔倒频谱系数」（Mel-scale Frequency Cepstral Coefficients，简称MFCC），是最常用到的语音特征，此参数考虑到人耳对不同频率的感受程度，因此特别适合用在语音辨识。
基于MATLAB和Python实现MFCC特征参数提取.doc
09-18
MFCC（梅尔倒谱系数）是一种常用的语音特征提取技术，尤其在语音识别和话者识别领域中占有重要地位。它的主要思想是模拟人类听觉系统对不同频率声音的感知特性，通过一系列处理步骤，将原始语音信号转化为一组对人耳...
声音特征提取：MFCC向量
热门推荐
叶剑杰的专栏
04-09 2万+
声音是模拟信号，声音的时域波形只代表声压随时间变化的关系，不能很好的代表声音的特征，因此，必须将声音波形转换为声学特征向量。目前有许多声音特征提取方法，如梅尔频率倒谱系数MFCC、线性预测倒谱系数LPCC、多媒体内容描述接口MPEG7等，其中MFCC是基于倒谱的，更符合人的听觉原理，因而是最普遍、最有效的声音特征提取算法。在提取MFCC前，需要对声音做前期处理，包括模数转换、预加重和加窗。
pyfilterbank:为python实现分数倍频程滤波器组。 基于Numpy和CFFI
05-10
PyFilterbank 适用于Python的滤波器组和声学工具包 该软件包提供了滤波器组和其他用于声学家日常工作的有用工具。 主要特点是： 分数倍频程滤波器组（适用于IEC-61260：1995） 频谱加权滤波器（IEC 61672：2003） A加权 B和C加权 梅尔频率滤波器组（三角滤波器组） 作为转换矩阵 计划中的：使用STFT 二阶截面/双二阶滤波器和滤波器设计 巴特沃思SOS RBJ音频均衡器滤波器设计模块 γ滤光片库 文献资料 该放在github页面上，可以在找到。 安装 要安装，请pip install git+https://github.com/SiggiGue/pyfilterbank.git 。 地位 该项目处于开发状态，请注意。 如果您发现一些错误或想要帮助，请加入并加入！ 执照 BSD许可的第4条适用。
MFCC语音特征提取总结
algorithm learning blog
07-05 570
MFCC(Mel倒谱系数)符合人类听觉原理，能够有效的提取语音声学特征，适合作为语音特征输入。本文学习了以下2篇博客——博客1 博客2，并做了自己的总结 MFCC的提取流程如下图所示： 令输入语音信号signal=[s1,s2,...,sT]signal=[s_1,s_2,...,s_T]signal=[s1​,s2​,...,sT​]，其中T为信号采样频率。预加重可以去除口唇辐射的影响，增加语音的高频分辨率，其实现方式如下： signali=signali+1−αsignalisignal_i=signa
【kaldi】提取二阶差分MFCC特征
LCCFlccf的博客
11-28 1283
在kaldi里面，提取MFCC特征的工具compute-mfcc-feats 没有选定提取二阶MFCC的参数，只能提取一阶。如果想要得到二阶的MFCC特征，用add-deltas 这个工具就能实现，例子如下 $cmd JOB=1:$nj $logdir/make_mfcc_${name}.JOB.log \ compute-mfcc-feats $vtln_opts $write_ut...
音频特征Mel Frequency Cepstral Coefficient (MFCC)提取(语音识别)
yunnangf的博客
01-03 1万+
语音识别系统之音频特征MFCC提取
音频（六）Mel滤波器组_原理简介
chumingqian的博客
05-25 1万+
1. 背景 为什么会产生出Ｍel 这种尺度的机制呢？ 这种产生是为了模拟，人耳朵的听觉机制； 人耳朵具有特殊的功能，可以使得人耳朵在嘈杂的环境中，以及各种变异情况下仍能正常的分辨出各种语音； 其中，耳蜗有关键作用; 耳蜗实质上的作用相当于一个滤波器组，耳蜗的滤波作用是在对数频率尺度上进行的，在1000HZ以下为线性尺度，　1K HZ以上为对数尺度，　使得人耳对低频信号敏感，高频信号不敏感； 根据这一原则，从而研制出来了Ｍel频率滤波器组，　 所以，　Ｍel滤波器组的在靠近低频出越密集，越靠近高频出
MelFrequencyFilterBank API 及Mel频率滤波器
行天之路
06-03 5885
本类的方法： public void newProperties(PropertySheet ps);对属性进行改变时，调用，对属性的设置与构造方法的设置一样。对滤波器个数，最小频率，最大频率，logger。进行的设置。 public void initialize()；在此方法中只调用了其父类相同的方法。即对本处理器的前一处理器进行了设置。 private double linToMelFreq
matlab实现mel频谱,基于MATLAB和Python实现MFCC特征参数提取
weixin_30100299的博客
03-17 1394
1、MFCC概述在语音识别(Speech Recognition)和话者识别(Speaker Recognition)方面，最常用到的语音特征就是梅尔倒谱系数(Mel-scale FrequencyCepstral Coefficients，简称MFCC)。根据人耳听觉机理的研究发现，人耳对不同频率的声波有不同的听觉敏感度。从200Hz到5000Hz的语音信号对语音的清晰度影响较大。两个响度不等的...
speechbrain（一）MFCC特征提取
qq_55796594的博客
12-30 1170
MFCC的提取过程： 声波----->DFT------->幅值图------->filter bank-------->log-------->DCT------>MFCC speechbrain.processing.features下的类和函数 STFT：计算短时傅里叶变换 spectral_magnitude：返回复频谱图的幅值 Filterbank：计算filter bank特征 Deltas：计算delta系数（时间的导数） ...
mfcc特征提取 python
06-28
### 回答1： MFCC（Mel频率倒谱系数）特征提取是语音信号处理中常用的一种特征提取方法。它利用人耳对不同频率声音的感知特性，将频域上的能量分布转化为梅尔频率，然后使用倒谱分析的方法提取特征。MFCC提取了语音信号的频谱包络特征，具有良好的区分能力，适合于语音识别中的特征提取。 在Python中，可以使用第三方库librosa来进行MFCC特征提取。首先需要读取音频文件并进行预处理，例如去噪、去静音等。然后使用librosa提供的mfcc函数，对音频信号进行处理，得到MFCC特征矩阵。可以通过调整函数参数，如采样率、帧长、帧移、梅尔带宽等，来优化特征提取效果。 MFCC特征提取后，一般需要进行降维处理以减少特征维度、节省计算量。可以使用PCA（主成分分析）等方法对MFCC特征矩阵进行降维。 在语音识别中，MFCC特征提取是特征工程中非常重要的一部分。它可以提取语音信号的韵律、音色、共振等特征，为后续分类识别提供优良的特征向量，进而提高识别准确率。在实际应用中，可以将MFCC特征与深度学习等算法相结合，构建高效的语音识别系统。 ### 回答2： MFCC即梅尔频率倒谱系数，是语音信号处理中常用的一种特征提取方法。MFCC特征提取有助于降低音频信号的维度和复杂度，使其更易于处理。在Python中，可以使用Librosa库轻松地实现MFCC特征提取。 使用Librosa库进行MFCC特征提取的步骤如下： 1. 导入Librosa库。 ``` python import librosa ``` 2. 读取音频文件。 ``` python audio_data, sample_rate = librosa.load('audio_file.wav') ``` 这里的audio_file.wav是待处理的音频文件。 3. 计算MFCC系数。 ``` python mfccs = librosa.feature.mfcc(y=audio_data, sr=sample_rate, n_mfcc=13) ``` 这里的n_mfcc是要计算的MFCC系数个数，一般取13。 4. 对MFCC系数进行归一化处理。 ``` python mfccs_normalized = sklearn.preprocessing.scale(mfccs, axis=1) ``` 这里使用了sklearn库中的preprocessing模块进行归一化处理。 5. 可以将MFCC系数可视化。 ``` python import matplotlib.pyplot as plt plt.figure(figsize=(10, 4)) librosa.display.specshow(mfccs_normalized, sr=sample_rate, x_axis='time') plt.colorbar() plt.title('MFCC') plt.tight_layout() plt.show() ``` 以上步骤完成后，就可以得到一个包含MFCC系数的矩阵。这个矩阵可以用于音频信号分类、语音识别等任务。 总之，MFCC特征提取可以在语音信号处理中起到很好的作用。在Python中，使用Librosa库可以轻松实现MFCC特征提取，同时使用sklearn库中的preprocessing模块可以轻松实现归一化处理。 ### 回答3： MFCC（Mel频率倒谱系数）是一种在语音识别领域经常使用的特征提取方式，它能够将语音信号转化为一组数值特征，以便进行进一步的分析和处理。在python语音处理的库中，可以利用librosa库和python_speech_features库来进行MFCC特征提取。 利用librosa库进行MFCC特征提取 可以使用librosa库的mfcc()函数来实现MFCC特征提取。该函数需要传入语音信号与采样率，可以返回一个二维的矩阵，表示从语音信号中提取的MFCC特征。 下面是一个利用librosa库进行MFCC特征提取的例子： ``` import librosa import librosa.display import numpy as np import matplotlib.pyplot as plt # Load audio file y, sr = librosa.load('speech.wav') # Extract MFCC feature mfcc_feat = librosa.feature.mfcc(y=y, sr=sr, n_mfcc=13) # Plot MFCC feature plt.figure(figsize=(10, 4)) librosa.display.specshow(mfcc_feat, x_axis='time') plt.colorbar() plt.title('MFCC') plt.tight_layout() plt.show() ``` 在上面的例子中，“speech.wav”是要提取MFCC特征的语音文件名，将其加载为y和sr两个变量，其中y是语音信号，sr是采样率。使用librosa.feature.mfcc()函数，将语音信号和采样率作为参数传入，同时可以指定要提取的MFCC特征的个数。通过librosa.display.specshow()函数和plt.show()函数，可以将MFCC特征以图形化形式显示出来。 利用python_speech_features库进行MFCC特征提取 python_speech_features库也提供了MFCC特征提取的函数mfcc()。与librosa库类似，该函数需要传入语音信号及其采样率，可以返回一个二维的矩阵，表示从语音信号中提取的MFCC特征。 下面是一个利用python_speech_features库进行MFCC特征提取的例子： ``` from python_speech_features import mfcc import scipy.io.wavfile as wav import numpy as np import matplotlib.pyplot as plt # Load audio file rate, sig = wav.read('speech.wav') # Extract MFCC feature mfcc_feat = mfcc(sig, rate, numcep=13) # Plot MFCC feature plt.figure(figsize=(10, 4)) plt.imshow(np.transpose(mfcc_feat), origin='lower', aspect='auto') plt.colorbar() plt.title('MFCC') plt.tight_layout() plt.show() ``` 在上面的例子中，利用scipy.io.wavfile库的read()函数将语音文件“speech.wav”加载为一个由采样率rate和信号sig组成的元组，再将sig和rate作为参数传入python_speech_features库的mfcc()函数中，指定要提取的MFCC特征的个数。通过Numpy库的transpose()函数和matplotlib库的imshow()函数，将MFCC特征以图形化形式显示出来。 总结 MFCC是语音信号特征提取的常用方法之一，通过利用python的音频处理库，可以很方便地实现MFCC特征的提取。本文分别介绍了利用librosa库和python_speech_features库进行MFCC特征提取的方法，希望能对相关领域的学习者有所帮助。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 4
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