语音识别之MFCC特征提取

语音识别之MFCC特征提取第1页/共35页语音识别应用第2页/共35页预处理模块：对输入的原始语音信号进行处理滤除掉不重要的信息及背景噪声语音分帧（近似认为语音信号在10-30ms内是短时平稳的）预加重（提升高频部分）等处理第3页/共35页特征提取：去除语音信号中对于语音识别无用的冗余信息保留反映语音本质特征的信息即提取出反映语音信号特征的关键特征参数形成特征矢量序列，以便用于后续处理第4页/共35页声学模型训练：根据训练语音库的特征参数训练出声学模型参数在识别时可以将待识别的语音的特征参数同声学模型进行匹配，得到识别结果。第5页/共35页语言模型训练：语言模型是用来计算一个句子出现概率的概率模型。

它主要用于决定哪个词序列的可能性更大，或者在出现了几个词的情况下预测下一个即将出现的词语的内容。第6页/共35页语音解码和搜索算法：针对输入的语音信号，根据己经训练好的HMM声学模型、语言模型及字典建立一个识别网络根据搜索算法在该网络中寻找最佳的一条路径，这个路径就是能够以最大概率输出该语音信号的词串第7页/共35页语音是怎么产生

人通过改变声道的shape发出的不同声音。声道的shape包括舌头，牙齿等。

我们可以分析不同声道产生的语音短时功率谱的包络识别语音MFCCs（MelFrequencyCepstralCoefficents）是一种能准确描述这个包络的特征，在语音识别人工特征方面，可谓是一枝独秀第8页/共35页主要的几个概念声谱图（Spectrogram）倒谱分析（CepstrumAnalysis）Mel频率分析（Mel-FrequencyAnalysis）梅尔倒频谱系数（Mel-FrequencyCepstralCoefficients）第9页/共35页一、声谱图（Spectrogram）FFTFFTFFT第10页/共35页一、声谱图（Spectrogram）第11页/共35页一、声谱图（Spectrogram）第12页/共35页一、声谱图（Spectrogram）第13页/共35页一、声谱图（Spectrogram）第14页/共35页一、声谱图（Spectrogram）第15页/共35页一、声谱图（Spectrogram）第16页/共35页一、声谱图（Spectrogram）第17页/共35页一、声谱图（Spectrogram）第18页/共35页一、声谱图（Spectrogram）第19页/共35页二、CepstrumAnalysis峰值表示语音的主要频率成分，我们把这些峰值称为共振峰（formants）共振峰携带了声音的辨识属性（就是个人身份证一样，所以它特别重要）。用它就可以识别不同的声音。如何提取？第20页/共35页二、CepstrumAnalysis语音信号序列时域：x(n)=h(n)*e(n)频域：X(K)=H(K)E(K)为了较好地将语音信号中的激励信号和声道响应分离倒谱：log||X[k]||=log||H[k]||+log||E[k]||第21页/共35页二、CepstrumAnalysis慢变化的包络快变化的周期化细致结构第22页/共35页二、CepstrumAnalysis我们需要把这两部分分离开--卷积同态系统第23页/共35页二、CepstrumAnalysis第24页/共35页二、CepstrumAnalysis第25页/共35页二、CepstrumAnalysis第26页/共35页Mel-FrequencyAnalysis现在给我们一段语音，我们可以得到它的频谱包络（连接所有共振峰值点的平滑曲线）理论我们可以得到特征向量，但是第27页/共35页Mel-FrequencyAnalysis人类听觉感知的实验表明:听觉系统是一个特殊的非线性系统，它响应不同频率信号的灵敏度是不同的，人耳就像一个滤波器组这些滤波器在频率坐标轴上不是统一分布的

在低频区域，分布密集

在高频区域，分布稀疏

如果在语音识别系统中能模拟人类听觉感知处理特点，就有可能提高语音的识别率第28页/共35页Mel-FrequencyAnalysis梅尔频率倒谱系数（MelFrequencyCepstrumCoefficient,MFCC）考虑了人类的听觉特征，先将线性频谱映射到基于听觉感知的Mel非线性频谱中。第29页/共35页第30页/共35页第31页/共35页提取特征流程图第32页/共35页至此，特征向量提取完毕，这样就可以通过这些倒谱向量对语音分类器进行训练和识别主要参考资料：现代信号处理讲义/miscellaneous/machine-learning/guide-mel-frequency-cepstral-coefficient