fbank 以及 MFCC 特征推导

最新推荐文章于 2025-12-03 23:29:32 发布
原创 最新推荐文章于 2025-12-03 23:29:32 发布 · 205 阅读 · 0 ·
CC 4.0 BY-SA版权
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。
文章标签：

#语音识别 #人工智能 #傅里叶分析 #机器学习

本文作为语音技术初学者的指南，作者浅析了fbank和mfcc这两种常用特征，通过快速傅里叶变换的介绍，帮助读者建立基础概念，提升对语音特征的认识。

基础不牢，地动山摇！

笔者作为语音技术的初学者，对fbank以及mfcc这两个常用的特征进行了较为粗糙的推导，以便在日后使用的过程中逐步加深对语音特征的理解，如下图：

快速傅里叶变换参考：

详解快速傅里叶变换(FFT) - 知乎

megumi222
关注
解密AI人工智能语音识别的核心算法
AI天才研究院
04-03 793
本文旨在全面解析现代AI语音识别系统的核心技术原理和实现方法。我们将重点关注基于深度学习的语音识别算法，包括传统混合模型和最新的端到端方法。内容涵盖从基础理论到工程实践的完整知识体系。文章首先介绍语音识别的基本概念和背景知识，然后深入解析核心算法原理，包括特征提取、声学建模和语言建模。接着通过Python代码示例展示具体实现，并讨论实际应用场景和工具资源。最后展望未来发展趋势并解答常见问题。语音识别(Automatic Speech Recognition, ASR)：将人类语音转换为文本的技术。
GBDT的语音识别与语
AI天才研究院
06-09 734
GBDT的语音识别与语音合成应用 1. 背景介绍 1.1 语音识别与语音合成的重要性 在当今信息时代,语音技术已成为人机交互的重要手段。语音识别可以让机器理解人类的语音指令,而语音合成则能让机器以自然的语音与人类对话。这两项技术
解码器之特征提取
qq_41445952的博客
01-09 1200
特征提取（fbank） 目的： 1.把每一帧波形变成一个包含声音信息的多维向量； 2.能够符合或类似人耳的听觉感知特性 3.在一定程度上能够增强语音信号、抑制非语音信号 fbank fbank的总体流程可以由下图表示，去掉（DCT）。 1.语音采样率： 语音采样率顾名思义就是在一秒长的音频上采样多少个幅值点。根据采样定理采样率要大于采样信号的两倍，才能还原原始信号信息。...
小智音箱MFCC提取语音前端特征方法
weixin_28913879的博客
11-01 634
MFCC作为语音识别前端特征，凭借其模拟人耳听觉特性、计算高效和鲁棒性强等优势，广泛应用于智能设备中，并在噪声环境下通过优化与深度学习融合持续演进。
小智音箱MFCC提取声学特征用于识别
weixin_36369848的博客
11-01 303
本文系统阐述了小智音箱中MFCC声学特征的提取原理、工程实现及在复杂环境下的优化策略，涵盖预处理、滤波器组设计、倒谱变换与稳定性增强，并探讨其向自适应和学习型特征的演进方向。
MFCC特征提取完整项目实战压缩包
weixin_28681379的博客
11-06 687
汉明窗（Hamming Window）是一种广泛应用于语音处理的标准窗函数，其离散形式定义为：其中 $ N $ 为窗长。该表达式通过余弦项调制实现了两端趋近于零、中部接近1的平滑过渡。相比海宁窗（Hanning Window，$ w(n)=0.5 - 0.5\cos() $），汉明窗优化了旁瓣抑制性能，最大旁瓣电平约为-41dB，远低于矩形窗的-13dB。其代价是主瓣略宽，牺牲了一定频率分辨率，但在语音识别任务中，抗干扰能力优先于极致分辨力。下面展示三种常见窗函数的对比：窗函数。
归一化频率的物理意义_语音处理：滤波器组（Filter Banks），梅尔频率倒谱系数（MFCC）...
weixin_34049168的博客
01-02 1923
在使用深度学习训练模型时，我们需要先对语音信号进行变换，常用的提取特征的方法有梅尔频率倒谱系数(MFCC)和滤波器组(Filter Banks)。这篇文章讲讲如何对原始的语音信号做以上两种处理。语音处理在任何语音系统中都扮演着重要的角色，无论它是语音识别(ASR-Automatic Speech Recognition)还是声纹识别(Speaker Recognition)等等。梅尔频率...
mel滤波器组频率响应曲线_语音处理：滤波器组（Filter Banks），梅尔频率倒谱系数（MFCC）...
weixin_39876645的博客
11-20 4706
在使用深度学习训练模型时，我们需要先对语音信号进行变换，常用的提取特征的方法有梅尔频率倒谱系数(MFCC)和滤波器组(Filter Banks)。这篇文章讲讲如何对原始的语音信号做以上两种处理。语音处理在任何语音系统中都扮演着重要的角色，无论它是语音识别(ASR-Automatic Speech Recognition)还是声纹识别(Speaker Recognition)等等。梅尔频率...
Automatic Speech Recognition (ASR)原理与代码实例讲解
AI天才研究院
07-02 552
Automatic Speech Recognition (ASR)原理与代码实例讲解 作者：禅与计算机程序设计艺术 / Zen and the Art of Computer Programming 关键词：语音识别、声学模型、语言模型、深度学习、端到端模型、Ka
关键词检测第一步：基于MFCC特征提取的边缘计算实战5步法
[关键词检测第一步：基于MFCC特征提取的边缘计算实战5步法](https://cvexplained.wordpress.com/wp-content/uploads/2020/07/image-18.png?w=1024) # 1. 关键词检测与边缘计算的技术融合背景 随着物联网（IoT）终端...
ESP32 + MFCC + TinyML三剑合璧：构建超低功耗语音特征提取管道
![ESP32 + MFCC + TinyML三剑合璧：构建超低功耗语音特征提取管道]...# 1. ESP32
【10大语音识别特征优化核心技术】：从MFCC到深度学习的演进全揭秘
早期依赖信号处理理论，如MFCC模拟人耳感知特性，通过滤波器组和倒谱分析提取稳定表征；随后PLP、RASTA等方法引入心理声学模型，提升噪声鲁棒性。随着机器学习发展，GMM-iVector实现说话人层面的特征归一化，而DNN与...
用深度学习实现语音识别系统
最新发布
shayudiandian的博客
12-03 468
语言模型概率加权公式： [ \log P_{\text{total}}(y|x) = \log P_{\text{AM}}(y|x) + \lambda \log P_{\text{LM}}(y) + \gamma |y| ] 其中λ控制语言模型权重，γ调节输出长度惩罚。评估指标使用词错误率(WER)： [ \text{WER} = \frac{S + D + I}{N} \times 100% ] S为替换错误数，D为删除错误数，I为插入错误数，N为参考文本总词数。标准化操作需对特征进行均值方差归一化。
TensorRT笔记（5）：研究timingCache
ouliten的博客
12-02 821
在里出现了大量的timingCache，但是当时没有取研究这是干啥的，本文就来解析一下。样例都基于上面的文章。
向量嵌入：RAG系统背后的语义引擎
uncle_ll的博客
11-29 1529
向量嵌入技术将高维语义信息压缩为低维向量，使相似概念在向量空间中聚集。作为RAG系统的核心，嵌入质量直接影响语义检索效果。从静态词嵌入到动态上下文嵌入，技术不断演进，解决了多义词等难题。现代嵌入模型基于Transformer架构，通过对比学习优化检索性能。选型需考虑MTEB排名、语言支持等维度，并结合业务测试。未来趋势包括多模态融合、知识图谱增强和轻量化部署。嵌入技术已成为NLP领域的关键支柱，其优化对提升RAG系统性能至关重要。
大模型应用：大模型 MapReduce 全解析：核心概念、中文语料示例实现.12
minhuan的专栏
12-03 874
本文介绍了MapReduce编程模型及其在大模型训练中的应用。MapReduce通过"分治-并行-聚合"思想处理大规模数据，传统Hadoop MapReduce侧重结构化数据计算，而大模型MapReduce则针对自然语言处理任务。文章详细对比了两者在架构、处理对象和核心算力等方面的差异，并提供了中文词频统计的Python实现示例，包括单机版和分布式版本。分布式实现利用多进程模拟集群计算，展示了数据分片、Map、Shuffle和Reduce的完整流程。
07_Spring AI 干货笔记之提示词
在科技的浪潮中，我们寻找着创新的火种，在代码的海洋里，我们编织着智慧的网。腾飞开源，就是这样一个由技术精英汇聚而成的博客平台，我们致力于分享在Java、Python、IoT和人工智能等领域的最新研究成果和实战经验。 在腾飞开源的博客上，你会看到紧跟技术前
11-30 1745
本文详细介绍了Spring AI中的提示词核心概念与API设计。提示词作为引导AI模型生成特定输出的关键输入，其结构从简单字符串演进为包含多角色消息的复杂形式。Spring AI通过Prompt和Message接口提供结构化提示词管理，支持系统、用户、助手等角色分配。PromptTemplate类实现动态内容渲染，并支持自定义模板引擎。文章还涵盖提示词工程的最佳实践与令牌机制，为开发者提供完整的提示词设计解决方案。
【LLM】DeepSeekMath-V2模型
发现问题，并解决问题，批判性思维
11-29 1536
研究问题：这篇文章要解决的问题是如何在大型语言模型（LLMs）中进行自我验证的数学推理。具体来说，现有的基于最终答案奖励的强化学习方法在数学推理中存在根本局限性，因为正确答案并不能保证推理的正确性，特别是在定理证明任务中。 研究难点：该问题的研究难点包括：如何在不依赖最终答案的情况下验证推理的正确性；如何在生成和验证之间建立有效的迭代改进循环；如何在没有已知解决方案的开放问题上扩展测试时计算。 相关工作：该问题的研究相关工作有：OpenAI的推理模型在定量推理竞赛中取得了显著进展；DeepMind的Deep
【AI是否能替代IT从业者？】
博文致力于人工智能算法的探索研究；前后端分离项目的技术分享交流；专升本计算机基础课程内容讲解；各种中间件技术分享
12-03 588
2025年IT行业面临AI深度重构：基础开发、测试、运维岗位替代率超60%，但AI相关新兴岗位激增380%。人类在复杂系统设计、伦理决策和跨界融合领域仍具不可替代性。微软等企业实践显示，人机协作可使效率提升40%。从业者需转型高价值领域（如Agent开发、大模型工程），掌握"技术+领域"双轨能力。AI本质是职业生态重构器，持续学习者的薪资溢价可达150%。建议立即评估岗位AI暴露指数，优先学习分布式架构优化、多智能体开发等技能。
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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