语音深度学习常用的特征：梅尔谱

最新推荐文章于 2025-09-10 10:59:52 发布
原创 最新推荐文章于 2025-09-10 10:59:52 发布 · 6.8k 阅读 · 18 ·
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 #神经网络 #机器学习 #python

梅尔谱是基于人类听觉特性的频谱表示，它将频率信息转换为感知相关的对数尺度。主要步骤包括STFT、频率转为Mel-scale、构造Mel滤波器银行。梅尔谱广泛应用于音频分类、自动情感识别、音乐分类等领域。

Mel spectrogram 梅尔谱

根据我们人类听觉的特性，我们对低频声音比较敏感，对高频声音没那么敏感

所以当声音频率线性增大时，频率越高，我们越难听出差别，因此不用线性谱而是对数谱

Mel谱包含三大特性：

  • 时域-频域信息
  • 感知相关的振幅信息
  • 感知相关的频域信息

Mel谱的核心就是Mel-scale，一个对数尺度的对于频率感知线性变化的尺度
在这里插入图片描述

提取Mel谱的方法：

  1. 做STFT得到复数矩阵
  2. 将幅度转成分贝(db) 问：如果这里在mel spectrogram里面就把幅度转成db了，
    那Log_mel_spectrogram跟它又有什么区别呢？
  3. 将频率转到mel-scale

step 3 : 先选择mel bands的数目，一个mel band就像一系列跟感知有关的频率

构造mel filter banks:

  • 将最低频率和最高频率转到mel尺度上
  • 在我们的频率范围内等距取到(# bands)个点，这些点是不同mel band的中心频率
  • 将我们取的点又转回Hertz
  • 将这些中心频率点(float)取整到临近的frequency bin
  • 生成三角滤波器

对语谱图使用mel filter banks

M = (# bands, framesize / 2 + 1)

Y = (framesize / 2 + 1, # frames)

Mel spectrogram = MY (# bands, # fr

最低0.47元/天 解锁文章
神经网络在语音识别领域的应用：深度学习与声学特征提取
AI天才研究院
10-07 2015
语音识别（Automatic Speech Recognition, ASR）是人工智能领域的一个基础且重要的研究方向。它旨在将语音信号转换为文本，使得计算机能够理解和处理人类的语音指令。随着深度学习技术的飞速发展，神经网络在语音识别领域取得了革命性的突破，成为了实现高精度语音识别的关键技术。前端预处理：对语音信号进行预处理，如分帧、加窗、倒谱化等。声学模型：将预处理后的语音信号转换为声学特征。语言模型：将声学特征转换为文本序列。
语音信号处理-概念（二）：幅度谱（短时傅里叶变换谱/STFT spectrum）、梅尔谱（Mel spectrum）【语音的深度学习主要用幅度谱、梅尔谱】【用librosa或torchaudio提取】
u013250861的博客
06-26 2864
一、语音的深度学习使用哪种谱？ 答：以amp spec和melspec为主，通常可以用librosa库或者torchaudio库进行提取。二、那Fbank、MFCC 呢？ 答：由于其蕴含信息较少，已经不适合这个大数据时代。但有些任务由于其本身的特殊性质，还是会使用到MFCC谱。如情感语音转换任务。...............
语音特征提取: 梅尔频谱(Mel-spectrogram)与梅尔倒频系数（MFCCS）
十年以上架构设计经验，专注于软件架构和人工智能领域，对机器视觉、NLP、音视频等领域都有涉猎
11-20 1万+
在音频处理和语音识别领域，Mel频谱（Mel-spectrogram）和梅尔频率倒谱系数（MFCC）都是常用的特征表示方法。两者都广泛应用，但在不同的应用场景中各有优势。
机器学习中的音频特征：理解Mel频谱图
deephub
08-26 2万+
如果你像我一样，试着理解mel的光谱图并不是一件容易的事。你读了一篇文章，却被引出了另一篇，又一篇，又一篇，没完没了。我希望这篇简短的文章能澄清一些困惑，并从头解释mel的光谱图。 信号 信号是一定量随时间的变化。 对于音频，变化的量是气压。 我们如何以数字方式捕获此信息？ 我们可以随时间采集气压样本。 我们采样数据的速率可以变化，但是最常见的是44.1kHz，即每秒44,100个采样。 我们捕获的是信号的波形，可以使用计算机软件对其进行解释，修改和分析。 import librosa import li.
一文读懂 Mel 谱图：机器如何 “听懂” 声音的核心特征？
最新发布
weixin_41413777的博客
09-10 857
要理解Mel 谱图（Mel Spectrogram），首先需要明确其核心定位：它是一种将音频信号从 “物理频率域” 映射到 “人类听觉感知域” 的特征表示方法，旨在模拟人耳对声音的非线性感知特性，从而更高效地提取音频中的关键信息（如语音、音乐的特征）。
梅尔频谱（Mel-Spectrum）详解
weixin_73784131的博客
05-10 1970
梅尔频谱是一种声音的频谱表示方式，它结合了声学特性和人类听觉感知。与普通的频谱图（如傅里叶变换得到的频谱）不同，梅尔频谱在频率轴上采用了梅尔刻度（Mel Scale），这种刻度更接近人耳对不同频率声音的感知特性。核心特点对数频率压缩：在低频区域分辨率高，高频区域分辨率低，与人耳感知一致保留声音的时频特征：同时表示声音的时间和频率信息广泛应用于语音和音频处理：如语音识别、情感分析、音乐信息检索等梅尔频谱是音频处理领域的核心特征表示方法，它通过模拟人耳感知特性，在语音识别、情感分析等任务中表现出色。
声音特征提取--Mel梅尔频谱、梅尔倒谱系数MFCC
qq_52631753的博客
12-26 2630
主要频率成分包含了声音的识别属性，在声目标识别时，我们需要找到共振峰的位置还有它们转变的过程，所以我们提取的是频谱的包络：一条连接共振峰点的平滑曲线。但是人耳感知到的声音高低与声音的原始频率并不呈线性关系，人耳对低频声音更加敏感，低频区域的差异变化比较容易被感受，而对于高频声音的变化感知并不明显。比如10hz和110hz的声音，人耳能够明显感觉到不同，而1000hz和1100hz的声音，人耳感觉会是一样的。这样使得在Mel刻度上相等距离的两对频度，人耳的感知差异也是相同的，即人耳感知和梅尔尺度呈线性关系。
声谱图，梅尔语谱，倒谱，梅尔倒谱系数（超详细）
Barbara‘s Blog
09-03 3万+
语音特征提取。
深度学习语音降噪_Matlab深度学习语音降噪_
10-01
在语音降噪场景中，深度学习网络可以学习到噪声和纯净语音之间的特征差异，并据此进行噪声消除。 在MATLAB中，我们可以使用深度学习框架——Deep Learning Toolbox来构建和训练模型。这个工具箱提供了丰富的神经...
语音深度鉴伪识别项目实战：基于深度学习的语音深度鉴伪识别算法模型(二)音频数据预处理及去噪算法+Python源码应用
master_hunter的博客
05-31 4697
Fanstuck博主现任高级人工智能工程师，专注于深度学习项目的实际应用。曾发表多篇SCI论文并在多次国际竞赛中获奖，具备深厚的理论知识和丰富的实战经验。专栏内容涵盖图像处理、预测分析、语音识别等深度学习项目，每篇文章均包含详细的实战项目与可运行代码。目标是帮助零基础读者快速掌握各类深度学习模型及其应用，提供最新的竞赛思路和全面的解决方案。紧跟技术前沿，为读者呈现最具实用价值的内容。深度学习技术在当今技术市场上面尚有余力和开发空间的，主流落地领域主要有：视觉，听觉，AIGC这三大板块。
【语音基础】梅尔频谱
似水流年
01-23 2509
梅尔倒频谱(Mel-Frequency Spectrum, MFC)是一个可用来代表短期音讯的频谱， 其原理根基于以非线性的梅尔刻度(mel scale)表示的对数频谱(spectrum)及其线性余弦转换(linear cosine transform)之上。
MFCC 梅尔倒频谱系数 详解
04-19
在语音辨识（Speech Recognition）和语者辨识（Speaker Recognition）方面，最常用到的语音特征就是「梅尔倒频谱系数」（Mel-scale Frequency Cepstral Coefficients，简称MFCC），此参数考虑到人耳对不同频率的感受程度，因此特别适合用在语音辨识。下面简单的介绍一下求解MFCC的过程。
语音基础知识，语音特征之【声谱图，log梅尔谱，MFCC，deltas】
Albert的博客
06-28 2443
语音基础知识： https://www.cnblogs.com/liaohuiqiang/p/9916352.html 语音特征提取： https://www.cnblogs.com/liaohuiqiang/p/10159429.html 语音特征参数MFCC提取过程： https://my.oschina.net/jamesju/blog/193343 https://blog.youkuaiyun.com/zkl99999/article/details/80723755 ...
STFT和声谱图，梅尔频谱（Mel Bank Features）与梅尔倒谱（MFCCs）
热门推荐
qq_28006327的博客
03-01 6万+
最近小编在做ASC（Acoustic Scene Classification）问题，不管是用传统的GMM模型，还是用机器学习中的SVM或神经网络模型，提取声音特征都是第一步。梅尔频谱和梅尔倒谱就是使用非常广泛的声音特征形式，小编与它们斗争已有一段时间了，在此总结一下使用它们的经验。STFT和声谱图（Spectrogram）声音信号本是一维的时域信号，直观上很难看出频率变化规律。如果通过傅里叶变换把
语音特征学习之声学谱系数
shiqiang12138的博客
03-11 1234
相关参考资料： 从Mel谱预测lpc系数 语音合成中的Mel谱和MFCC谱无区别 语音特征小结 幅度谱、相位谱、能量谱等语音信号处理中的基础知识 傅里叶变换 相位谱 幅度谱 语音信号线性预测(LPC)分析 一、MFCC MFCC，即梅尔倒谱系数（Mel-scaleFrequency Cepstral Coefficients）。是一种非线性映射，根据人耳对不同频率的声波有不同的听觉敏感度进行映射的。 计算流程图 音频时域信号分帧 对每一帧进行傅里叶变换，并取幅值，得到线性谱 对线性谱进行 Mel 刻度的
语音特征MFCC原理，谱图理解（谱图横轴坐标理解）
niu_nini的博客
08-26 2715
语音特征MFCC原理，谱图理解（谱图横轴坐标）
【音频特征】语音特征小结
tobefans的博客
06-25 6776
本文汇总了一些常见或不常见的语音特征。包含语音中音高、语调、能量、节奏变化等重要信息，表现为人昕觉系统感知到的“抑扬顿挫”，在语音信号处理的许多领域都有应用。
一、音频基础知识 - 语音的基本特征
优快云mianfeixiazai001的博客
04-09 6036
一、音频基础知识-声音的产生和记录一文中描述了声音的本质，并且介绍了一段单一的声波（比如正弦波）从振动产生，到最终被数字化为一段音频文件的整个过程，这个是理想状态，但是我们知道音频在实际传输过程中，是会受到各种复杂环境的干扰的，而且也不单单是只有一个频率。因此，今天这篇文章就以语音为例，从语音的产生这个角度，分析一下在实际语音产生、传递过程中，遇到的问题，以及以此延伸出来的一些专业名词、术语。 文章目录语音的产生 语音的产生 上图是《新闻传播大辞典》 ...
Mel频谱图
百态老人的博客
01-04 2008
Mel频谱图更适合需要详细频谱信息的任务，如音乐分类和声音识别，因为它保留了频谱的语义信息，并且在可视化和解释上更为直观。MFCC则更适合需要高效特征提取和去相关性的任务，如语音识别，因为它通过压缩和去相关性减少了特征向量的复杂度，并且能够较好地模拟人耳对声音的感知特性。在音乐分析中，Mel频谱图如何帮助进行流派分类和节奏估计？在音乐分析中，Mel频谱图通过将音频信号转换为一种视觉表示形式，帮助进行流派分类和节奏估计。
评论 2
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