MFCC特征介绍
在语音识别技术中，需要提取音频的特征，然后就可以使用该音频进行模型的训练或者是进行识别，目前很常用的一种特征叫做MFCC特征，又叫做梅尔倒谱系数特征。MFCC特征保留了语义相关的一些内容，过滤掉了诸如背景杂音等无关的信息。MFCC的特点是使用一组用来创建梅尔倒谱的关键系数，这样使得它的倒频谱和人类非线性的听觉系统更为接近。
具体步骤如下：
- 对音频信号进行分帧加窗
- 将信号进行傅里叶变换
- 将频谱映射到梅尔刻度
- 取对数
- 进行DCT变换
为什么要对音频信号进行分帧加窗？
因为音频信号本身是非平稳信号，主要是由于发声器官的运动不可预测带来的短时变，因此不能直接进行信号处理和分析。但发声器官的状态变化速度较声音振动的速度要缓慢的多，因此为了获得一段平稳的信号，就可以采取分帧的处理方法。假设在很短的时间内，信号是平稳的，通常取值在20-40ms之间作为一帧。
得到一帧的信号后，还需要进行加窗处理，主要原因是由于直接对信号截断会产生频谱泄露，为了改善频谱泄露的情况，需要进行加窗，通常选择汉明窗，因为汉明窗的幅频特性是旁瓣衰减较大。
加窗的代价是一帧两端的信号被削弱了，因此需要进行帧移，就是分帧的时候需要在帧与帧之间重叠一部分，通常取值为0-1/2之间。分帧加窗之后就可以进行傅里叶变换，得到一帧的频谱。
python可以直接调用librosa库来获取MFCC特征，具体如下：
import librosa
import librosa.display
from matplotlib import pyplot as plt audio_path='test.wav'
(signal, sample_rate) = librosa.load(audio_path, sr=16000)
mfccs = librosa.feature.mfcc(y=signal, sr=sample_rate, n_mfcc=40)
fig, ax = plt.subplots()
img = librosa.display.specshow(mfccs, x_axis='time', ax=ax)
fig.colorbar(img, ax=ax)
ax.set(title='MFCC')
