声音信号
将n个采样点集合成一个观测单位,成为帧。通常N的值为256或512,覆盖范围约为20-30ms左右。为来避免两帧之间变化过大,因此会让相邻帧之间有一段重叠区域。通常语音识别所采用的语音信号的采样频率为8khz或16khz
MFCC梅尔频率倒谱系数
MFCC是一种广泛使用的语音特征。
语音被分为很多帧,每帧语音对应于一个频谱(通过FFT快速傅里叶变换得到),频谱表示频率与能量的关系。
频谱图
spectrogram声谱图
共振峰
峰值表示语音的主要频率成份,这些峰值成为共振峰。共振峰携带来声音辨识属性,用它就可以识别不同的声音。
包络
我们需要把共振峰提取出来,不仅需要提取共振峰的位置,还要提取他们的转变过程,也就是频谱的包络。包络就是一条连接这些共振峰点的平滑曲线。
Mel频率分析。
语音处理流程: 输入语音–>预加重,分帧和加窗—FFT—取绝对值或平方值—Mel滤波----取对数—DCT(discrete cosine transform) —动态特征(delta MFCC)—> 输出特征向量
https://github.com/librosa/librosa
https://serv.cusp.nyu.edu/projects/urbansounddataset