语音特征提取流程：分帧、加窗、傅里叶变换

语音特征提取：分帧、加窗与傅里叶变换
最新推荐文章于 2024-11-12 20:05:01 发布
原创 最新推荐文章于 2024-11-12 20:05:01 发布 · 3.5k 阅读 · 31 ·
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：

#信号处理 #深度学习 #语音识别 #人工智能 #机器学习

本文介绍了语音特征提取的关键步骤，包括分帧、加窗和傅里叶变换。分帧是为了模拟人耳听觉，通常选取256-8192个采样点为一帧。傅里叶变换用于将时域信息转化为频域，但不加窗会导致频谱泄漏。加窗操作通过窗函数处理每一帧，消除不完整波形影响，确保信号周期性。

语音特征提取流程

深度学习常用的时域-频域特征:

  • Spectrogram: 语谱图
  • Mel spectrogram 梅尔谱

Step 3: Framing 分帧

由于人耳能听到的声音时长至少为10ms，所以要将数字信号分帧成一个个可以听的块，也就是分帧

一帧中采样点的个数通常取2的幂，连续帧通常重复一半采样点，典型值是：256-8192

frame_duration = (1 / sr) * K K是一帧内采样点的个数

时域特征提取流程

在这里插入图片描述

频域特征提取流程

频域特征是在时域特征的基础上加窗再做傅里叶变换得来的

在这里插入图片描述

先说Step 5: Fourier transform 傅里叶变换

将时域信息转换为频域信息的关键步骤就是对时间帧进行傅里叶变换操作

如果不加窗就直接进行FT的话会造成频谱泄露 (spectral leakage)

Spectral leakage

最低0.47元/天 解锁文章
[语音识别]声学特征提取
小哲的博客
04-08 6509
声学特征提取语音识别：声学特征提取1. 预加重2. 分帧3. 加窗4. 离散傅里叶变换（DFT）5. 语谱图6. 梅尔刻度（Mel Scale）7. 梅尔滤波器组（Mel Filter Bank）8. FBANK特征9. MFCC特征10. 差分11. CQCC特征总结 语音识别：声学特征提取 常用的声学特征有FBANK、MFCC、PLP等， MFCC特征各纬度之间具有较弱的相关性，适合GMM的训练，FBANK相比MFCC保留了更原始的声学特征，多用于DNN的训练。 1. 预加重 语音中有频谱倾斜现象，即
加窗傅里叶变换的演示 matlab程序 分别对加方窗和海明窗的信号做傅里叶变换
11-20
加窗傅里叶变换的演示 matlab程序 分别对加方窗和海明窗的信号做傅里叶变换 函数可以改变窗口的大小 对理解傅里叶变换和频谱非常有帮助
AI大语音（四）——MFCC特征提取（深度解析）
aibigtruth的博客
08-12 6631
点击上方“AI大道理”，选择“置顶”公众号 —————— 1 特征提取流程 在语音识别和话者识别方面，最常用到的语音特征就是梅尔倒谱系数（Mel-scaleFrequency Cepstral Coefficients，简称MFCC）。 MFCC提取过程包括预处理、快速傅里叶变换、Mei滤波器组、对数运算、离散余弦变换、动态特征提取等步骤。 2 快速傅里叶变换 快速傅里叶变换即利用计算机计算离散傅里叶变换（DFT)的高效、快速计算方法的统称，简称FFT。 FFT不是Fas...
从傅里叶变换到加窗傅里叶变换
热门推荐
Yuejiang_Li的博客
12-10 3万+
从傅里叶变换到加窗傅里叶变换我们都做了什么
什么是加窗傅里叶变换
liulina603的专栏
03-01 1万+
对一个有限长的时域采样信号进行傅里叶变换实际上就是加了一个矩形窗，相当于用矩形窗把无限长的数据截断了，也可以根据需要把这个矩形窗换成其他窗函数   Gabor变换是不是小波变换?? 我觉得是也不是 是：大家都叫它Gabor Wavelet，不是小波是什么？而且它能反映局部区域的频率特征。 不是：Gabor只是加窗Fourier，不能像其他小波基一样分辨率自动调整。
基于NumPy手动实现：信号的分帧、加窗、傅里叶变换 / 逆变换、重建
qq_34941290的博客
11-12 2829
这是因为在信号的每一帧的边缘，信号值可能会发生突变，导致频谱中出现不必要的伪影。由于窗函数在信号处理过程中影响了信号的幅度，因此在重建信号时，必须对恢复的幅度进行适当的归一化处理，以确保信号的真实幅度。通过对加窗后的帧进行傅里叶变换，我们能够观察信号在时间和频率上的变化，获得频谱信息。通过加窗，我们可以更好地分析信号的频率特征，并在后续的重建过程中获得更高的准确性。最后，我们可以通过对比重建信号与原始信号之间的差异来评估重建效果。加窗的主要作用是平滑每一帧的信号，减少在傅里叶变换过程中出现的频谱泄漏。
3.1 语音分帧与加窗.rar_woolot2_语音分帧_语音分帧与加窗_语音加窗分帧_音频 分帧
07-14
在语音处理领域，语音分帧与加窗是两个至关重要的步骤，它们对于后续的信号分析、特征提取以及语音识别等任务具有决定性的影响。这里，我们深入探讨这两个概念及其在实际应用中的作用。 首先，**语音分帧**是将连续...
机器学习语音特征提取详解：FBank 与 MFCC 原理及分步实现指南
最新发布
08-18
MFCC的计算过程通常包括预加重、分帧、加窗、快速傅里叶变换（FFT）、梅尔滤波器组处理、对数能量计算和离散余弦变换（DCT）。其目的是将频谱信号转换到梅尔刻度上，模拟人类的听觉特性。MFCC特征因其在语音信号处理...
sg.rar_分帧_分帧加窗_语音 短时_语音信号 分帧
09-24
在IT领域，尤其是在音频处理和信号分析中，"sg.rar_分帧_分帧加窗_语音 短时_语音信号 分帧"这个标题暗示了我们正在探讨一种用于语音信号处理的技术，即短时傅里叶变换（Short-Time Fourier Transform, STFT）。...
加窗傅里叶变换和小波变换的原理与程序
08-26
本文详细介绍了加窗傅里叶变换和小波变换的原理，并给出了加窗傅里叶变换和小波变换的主程序代码。
学习笔记二：语音信号处理以及特征提取
weixin_46010850的博客
07-27 1054
语音信号处理以及特征提取，包括语音信号基础知识与Fbank以及MFCC特征提取
语音识别中的傅里叶变化
SManganeseKing的博客
09-08 2541
在语音识别和话者识别中，需要将声音编码为数字信息，提取其中的特征进行处理，而最常用的语音特征便是梅尔倒谱系数MFCC。为了将频谱的包络与细节分离开来，以便分析声道共振特征和基音周期，需要把这种非线性问题转化为线性问题。MFCC预处理之后的第一步便是通过快速傅里叶变换（Fast Fourier Transform）将时域信号转变为信号频谱。
深度学习和语音系列教程 3-100：提取音频特征
Mrrunsen的博客
07-13 1254
文章目录音频功能librosa featurespyaudioanalysis featuresSoX featuresAudioset features 音频功能 音频特征是语音特征，它不包含来自转录本的特征，也不包含从语音到文本模型输出的文本字符串。 Audio Feature Description Use case Mel spectrogram frequency coefficients (mfcc) 在人声范围内变窄的频带（通常是13种类型，但可以更多） Classifyin
信号频域特征提取 Matlab
welovepan的博客
04-17 9570
经过我的大量搜索，简单总结了一下对于时序信号频域特征提取的手段。 首先是对于时域信号进行快速傅里叶变换，使其能够生成频域信号。 频域信号相对于时域信号来说，信号变化更加明晰，便于分析观察。 计算频域特征我见到两类，你们自己选择需要提取哪种参数。 一、获取频域信号后计算对应的数学统计特征，代码如下： load('Data.mat') %所有样本，二维矩阵，时域样本 %每列表示：单个样本的采样长度，单个样本采集时长为2.5 s，采样频率为Fs =20 kHz
傅里叶变换学习笔记（二）——栅栏效应、频谱泄漏与加窗
JazzyのBlog
02-06 1万+
上文传送门： 傅里叶变换学习笔记（一） 本文将对傅里叶变换应用中常见的两个问题进行讨论。 (一) 栅栏效应 先看一个典型的应用案例： 构造信号： x(t)=−sin(2πf1t)+sin(2πf2t),f1=10Hz,f2=12Hz x\left(t\right)=-sin\left(2\pi f_1t\right)+sin\left(2\pi f_2t\right),f_1=10Hz,f_2=12Hz x(t)=−sin(2πf1​t)+sin(2πf2​t),f1​=10Hz,f2​=12Hz 从表达式
Python信号处理：快速傅里叶变换(FFT)，短时傅里叶变换(STFT)，窗函数，以及滤波
Ten_yn的博客
06-28 1万+
摘要：一直以来都是用MATLAB做信号处理，得到预处理的特征后再用Python进一步应用神经网络之类的方法。这里将MATLAB中的FFT、STFT、加窗以及带通滤波通过Python接口实现，防止以后MATLAB用不了了，一定程度上也提高了效率，不用两个软件换来换去。
基于深度学习的音乐推荐系统（三）使用已训练的卷积神经网络提取语谱图特征并计算图像间相似度
zoe9698的博客
06-07 4971
该模块包含几部分： 调用训练好的并且已经保存的CNN模型（仅四层卷积层部分） 逐个读取tfrecords文件中的元素，并送入已训练好的CNN中，给每个图片提取128个特征 每首歌包含11个图片，即11*128个特征，将每首歌的11*128个特征之间进行余弦相似度计算 逐个歌曲计算，返回每个歌曲的最相似的三首歌歌名，以列表的形式 调用训练好的并且已经保存的CNN模型（仅四层卷积层部分） ...
语音特征提取（语谱图Spectrogram，Fbank, MFCC, 及其delta-一阶差分）——python代码
yin_fei_0825的博客
11-14 5396
导入相关包 import os import wavio import numpy as np import math from matplotlib import pyplot as plt from scipy.fftpack import dct 读取语音数据及主函数 for wav in wavs: wav_dir = os.path.join(data_dir, wav) wav_data = wavio.read(wav_dir) data = wav_data.data sampl
MATLAB语音信号处理：分帧与加窗实战教程
此外，用户可以对加窗后的信号进行进一步的处理，比如傅里叶变换（FFT）分析、滤波、特征提取等。项目代码可直接编译运行，意味着用户不需要做额外的配置或者修改，可以直接使用这些代码进行实验或者学习。 知识点...
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