MFCC梅尔倒谱参数及matlab代码

1、转发:有关 MFCC 梅尔倒谱参数的资料。内容:1. Mfcc 梅尔倒谱参数参数知识2. mfcc 的 matlab 代码1.在语音辨识( Speech Recognition )和语者辨识( Speaker Recognition )方面，最常用到 的语音特征就是 梅尔倒频谱系数 ( Mel-scale Frequency Cepstral Coefficients ，简称 MFCC )， 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。 下面简单的介绍一 下求解 MFCC 的过程。1预强调(Pre-emphasis):将语音讯号 s(n)通过一个高通滤波器。H(z)=1-

2、a* ( z-1 )系数其中a介于0.9和1.0之间。若以时域的表达式来表示，预强调后的讯号s2(n)为s2(n) = s(n) - a*s(n-1)这个目的就是为了消除发声过程中声带和嘴唇的效应， 来补偿语音信号受到发音系统所压抑的高频部分。 (另一种说法则是要突显在高频的共振峰。 )2.音框化( Frame blocking) :先将 N 个取样点集合成一个观测单位，称为音框(Frame)，通常 N 的值是 256 或 512，涵盖的时间约为 2030 ms 左右。为了避免相邻两音框的变 化过大，所以我们会让两相邻因框之间有一段重迭区域，此重迭区域包含了M 个取样点，通常 M 的值约是 N

3、 的一半或 1/3。通常语音辨识所用的音讯的取样频率为 8 KHz 或 16KHz，以8 KHz来说，若音框长度为256个取样点，则对应的时间长度是256/8000*1000= 32 ms。3.汉明窗(Hamming window):将每一个音框(frame)乘上汉明窗，以增加音框左端和右端的连续性(请见下一个步骤的说明)。假设音框化的讯号为S(n), n = 0,-N N为frame的大小，那么乘上汉明窗后为 S(n) = S(n)*W(n) ，此 W(n) 形式如下:W(n, a) = (1 - a) - a *cos(2pn/(N-1) , 0W n w N-1 ? ?不同的 a 值会产

4、生不同的汉明窗。一般我们都取 a = 0.46。4.快速傅利叶转换( Fast Fourier Transform, or FFT ):由于讯号在时域( Time domain )上的 变化通常很难看出讯号的特性，所以通常将它转换成频域(Frequency domain )上的能量分布来观察， 不同的能量分布，就能代表不同语音的特性。 所以在乘上汉明窗后，每个音框还 必需再经过 FFT 以得到在频谱上的能量分布。 乘上汉明窗的主要目的，是要加强音框左端和右端的连续性，这是因为在进行FFT 时，都是假设一个音框内的讯号是代表一个周期性讯号，如果这个周期性不存在，FFT 会为了要符合左右端不连续的

5、变化， 而产生一些不存在原讯号的能量分布， 造成分析上的误差。 当然， 如果我们在取音框时， 能够使音框中的讯号就已经包含基本周期的整数倍， 这时候的音框左 右端就会是连续的， 那就可以不需要乘上汉明窗了。 但是在实作上， 由于基本周期的计算会 需要额外的时间，而且也容易算错，因此我们都用汉明窗来达到类似的效果。5.三角带通滤波器( Triangular Bandpass Filters )：将 能量频谱 能量乘以一组 20 个三角带通 滤波器， 求得每一个滤波器输出的对数能量 (Log Energy )，共 20个。必须注意的是： 这 20 个三角带通滤波器在 梅尔频率 (Mel Frequ

6、ency )上是平均分布的，而梅尔频率和一般频 率 f 的关系式如下：mel(f)=2595*log10(1+f/700)或是mel(f)=1125*ln(1+f/700)梅尔频率代表一般人耳对于频率的感受度， 由此也可以看出人耳对于频率 f 的感受是呈对 数变化的：在低频部分，人耳感受是比较敏锐 。在高频部分，人耳的感受就会越来越粗糙 。 三角带通滤波器有两个主要目的： 对频谱进行平滑化，并消除谐波的作用，突显原先语音的 共振峰 。(因此一段语音的音调或 音高，是不会呈现在 MFCC 参数内，换句话说， 以 MFCC 为特征的语音辨识系统，并不 会受到输入语音的音调不同而有所影响。 )降低资

7、料量。6.离散余弦转换 ( Discrete cosine transform, or DCT )：将上述的 20 个对数能量 Ek 带入离散 余弦转换， 求出 L 阶的 Mel- scale Cepstrum 参数， 这里 L 通常取 12。离散余弦转换公式 如下：Cm=Sk=1Ncosm*(k-0.5)*p/N*Ek, m=1,2, ., L其中 Ek 是由前一个步骤所算出来的三角滤波器和频谱能量的内积值，这里 N 是三角滤波 器的个数。由于之前作了FFT,所以采用 DCT转换是期望能转回类似Time Domain的情况来看，又称 Quefrency Domain，其实也就是 Cepstr

8、um (倒谱)。又因为之前采用Mel-Frequency 来转换至梅尔频率，所以才称之 Mel-scale Cepstrum。7.对数能量(Log energy): 个音框的音量(即能量)，也是语音的重要特征，而且非常容 易计算。 因此我们通常再加上一个音框的对数能量 (定义为一个音框内讯号的平方和， 再取 以 10 为底的对数值， 再乘以 10)，使得每一个音框基本的语音特征就有 13 维，包含了 1 个对数能量和 12 个倒频谱参数。 ( 若要加入其它语音特征以测试辨识率，也可以在此阶段 加入，这些常用的其它语音特征，包含音高、过零率、共振峰等。)8.差量倒频谱参数(Delta cepst

9、rum)：虽然已经求出 13个特征参数，然而在实际应用于语 音辨识时， 我们通常会再加上差量倒频谱参数， 以显示倒频谱参数对时间的变化。 它的意义为倒频谱参数相对于时间的斜率，也就是代表倒频谱参数在时间上的动态变化，公式如下： Cm(t) = St=-MMCm(t+t)t / St=-MMt2这里 M 的值一般是取 2 或 3。因此，如果加上差量运算，就会产生26 维的特征向量；如果再加上差量运算，就会产生 39 维的特征向量。一般我们在 PC 上进行的语音辨识， 就是使用 39 维的特征向量。2. %mfccfunction mfc=mfcc(x)% 对输入的语音序列 x 进行 mfcc 参

10、数提取，返回 mfcc 参数和一阶差分 mfcc 参数， mel 滤波器的阶数为 24%fft变换长度为256，采样频率为8000HZ,对x 256点分为一帧%bank=melbankm(24,256,8000,0,0.5,m);% 归一化 mel 滤波器组参数bank=full(bank); bank=bank/max(bank(:);%DCT 系数， 12*24for k=1:12n=0:23; dctcoef(:,k)=cos(2*n+1)*k*pi/(2*24);end% 归一化倒谱提升窗口 w=1+6*sin(pi*1:12./12);w=w/max(w);% 预加重滤波器 xx=double(x);xx=filter(1 -0.9375,1,xx);% 语音信号分帧xx=enframe(xx,256,80);% 计算每帧的 mfcc 参数for i=1:size(xx,1) %y=xx(i,:);s=y.*hamming(256);t=abs(fft(s);t=t.A2;%计算能量c仁dctcoef*log(bank*t(1:129);%dctcoef 为 det 系数，bank 归一化 mel 滤波器组系 数c2=c1.*w;%w 为归一化倒谱提升窗口m(i,:)=c2;end% 差分系数dtm=zeros(siz