HCopy源码，提取MFCC特征部分函数调用关系记录

最新推荐文章于 2019-10-24 12:43:47 发布

daydayup58

最新推荐文章于 2019-10-24 12:43:47 发布

阅读量1k

点赞数 2

分类专栏：语音处理

本文链接：https://blog.youkuaiyun.com/ljrsunshine/article/details/88996755

版权

本文记录了调试HCopy源码过程中，关于提取MFCC特征的部分函数调用关系。从OpenSpeechFile开始，详细介绍了OpenWaveInput、SetUpForCoding、FillBufFromChannel等函数的作用，涉及音频文件处理、预处理、快速傅里叶变换、梅尔滤波器和MFCC计算等步骤。文章适合对语音处理和HTK有一定了解的读者。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

转载请注明出处，谢谢您！https://blog.youkuaiyun.com/ljrsunshine/article/details/88996755
使用HTK进行语音处理时，会用到HCopy工具提取wav音频文件的MFCC特征。
- HCopy还支持其他形式的输入和输出，具体请参考《HTK book 》“17.4节HCopy 之 Table. 17.1 Valid Parameter Conversions”
本文仅是笔者调试HCopy源码过程中，对提取MFCC特征向量的部分代码调用关系的简要记录
对于MFCC和wav音频的概念，您可以参考以下博客：

文章目录

前期准备

HTK代码开源，http://htk.eng.cam.ac.uk/，注册账号，阅读并同意许可协议，申请下载源码即可。
笔者下载的是3.4.1版本。使用VS2013编译源码，具体步骤请参考这篇博客：HTK3.4.1在VS2013建立工程编译（在此感谢博主）。

配置文件

config文件，指定所有转换参数

#[MODULE]	PARAMETER		= VALUE

SOURCEKIND		= WAVEFORM

TARGETKIND 		= MFCC_0_D_A
TARGETRATE 		= 100000.0	
SOURCEFORMAT 		= WAV
SAVECOMPRESSSED 	= T
SAVEWITHCRC 		= T
ZMEANSOURCE 		= T	

WINDOWSIZE 		= 250000.0	
USEHAMMING 		= T
PREEMCOEF 		= 0.97		
NUMCHANS 		= 26		

CEPLIFTER 		= 22		
NUMCEPS 		= 12		
ENORMALISE 		= F

源文件及其相应输出文件的列表

S0001.wav	S0001.mfc
S0002.wav	S0002.mfc
S0003.wav	S0003.mfc
(etc.)

源码之函数调用关系浅析

1. HCopy的main函数可以划分成3部分

初始化

InitMem();   InitLabel();
………… ………… (etc.)
CreateHeap(&tStack, "Trace", MSTAK, 1, 0.0, 100, 200);

根据命令行参数做相应处理

while (NextArg() == SWITCHARG)
{
	s = GetSwtArg();
	switch (s[0])
	{
	case 'a':
	…………(etc.)
	…………(etc.)
	default:
	}
}

根据命令行参数，对输入进行处理（这是本文解析的重点）及收尾处理

while (NumArgs() > 1)
{ /* process group S1 + S2 + ... TGT */
	off = 0.0;
	s = GetStrArg();
	OpenSpeechFile(s); 
	…………(etc.)
	if (trans != NULL)
	{
		trans = NULL;
		ResetHeap(&lStack);
	}
	ResetHeap(&iStack);
	ResetHeap(&oStack);
	if (chopF) ResetHeap(&cStack);
}
if (useMLF) CloseMLFSaveFile();
if (NumArgs() != 0) HError(-1019, "HCopy: Unused args ignored");
Exit(0);
return (0);

2. HCopy对输入音频文件的处理

在main函数 “3. 根据命令行参数，对输入进行处理” 中调用OpenSpeechFile(char *s)函数，处理输入的wav文件或参数文件。char *s是文件名，即在config文件中罗列的输入文件名。
OpenSpeechFile调用OpenParmFile
OpenParmFile调用OpenBuffer
OpenBuffer调用OpenAsChannel

OpenAsChannel函数的作用是打开并创建一个音频输入缓冲区。

OpenAsChannel调用OpenWaveInput函数，该函数的作用是打开输入的wav文件并读取文件信息。

OpenWaveInput函数

调用GetWAVHeaderInfo读取wav文件头信息（编码方式、采样率、位深etc.），并返回音频数据的长度。

wav文件的具体格式可以参考我的另一篇博客：wav文件分析（实例+代码）

typedef enum
{
	DoCVT = 1,     /* input conversion needed */
	DoBSWAP = 2,     /* byte swap needed */
	DoSPACK = 4,     /* SHORT PACK decompression needed */
	DoSHORT = 8,     /* SHORTEN decompression needed */
	DoMULAW = 16,    /* 8 bit Mu-Law expansion needed */
	DoALAW = 32,    /* 8 bit A-Law expansion needed */
	Do8_16 = 64,    /* 8 bit PCM expansion needed */
	DoSTEREO = 128     /* Convert stereo to mono*/
}InputAction;

InputAction ia = (InputAction)0;      /* flags to enable conversions etc */

/* GetWAVHeaderInfo: get header for Microsoft WAVE format sound file */
static long GetWAVHeaderInfo(FILE *f, Wave w, InputAction *ia)
{
	char magic[4];
	int32 len, lng, numBytes;
	char c;
	short sht, sampSize, type, chans;

	if (MustSwap(VAXSO))
		*ia = (InputAction)(*ia | DoBSWAP);

	fread(magic, 4, 1, f);
	if (strncmp("RIFF", magic, 4))
	{
		HRError(6251, "Input file is not in RIFF format");
		return -1;
	}

	fread(&lng, 4, 1, f);
	fread(magic, 4, 1, f);
	if (strncmp("WAVE", magic, 4))
	{
		HRError(6251, "Input file is not in WAVE format");
		return -1;
	}

	/* Look for "fmt " before end of file */
	while (1)
	{
		if (feof(f))
		{
			HRError(6251, "No data portion in WAVE file");
			return -1;
		}
		fread(magic, 4, 1, f); // fmt 
		fread(&len, 4, 1, f); 
		if (*ia & DoBSWAP) SwapInt32(&len);
		/* Check for data chunk */
		if (strncmp("data", magic, 4) == 0) break;
		if (strncmp("fmt ", magic, 4) == 0)
		{
			fread(&type, 2, 1, f); // 十进制是1 线性的PCM编码
			if (*ia & DoBSWAP) SwapShort(&type);
			if (type != WAVE_FORMAT_PCM && type != WAVE_FORMAT_MULAW && type != WAVE_FORMAT_ALAW)
			{
				HRError(6251, "Only standard PCM, mu-law & a-law supported");
				return -1;
			}
			if (type == WAVE_FORMAT_MULAW)
				*ia = (InputAction)(*ia | (DoMULAW | DoCVT));
			else if (type == WAVE_FORMAT_ALAW)
				*ia = (InputAction)(*ia | (DoALAW | DoCVT));
			fread(&chans, 2, 1, f); /* Number of Channels */
			if (*ia & DoBSWAP) SwapShort(&chans);
			if (chans != 1 && chans != 2)
			{
				HRError(6251, "Neither mono nor stereo!");
				return -1;
			}
			if (chans == 2)
				*ia = (InputAction)(*ia | (DoSTEREO | DoCVT));
			fread(&lng, 4, 1, f);   /* Sample Rate */
			if (*ia & DoBSWAP) SwapInt32(&lng);
			w->sampPeriod = 1.0E7 / (float)lng;
			fread(&lng, 4, 1, f);                  /* Average bytes/second */