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）...-优快云博客

本文详细介绍了语音处理中的梅尔频率倒谱系数(MFCC)和滤波器组(Filter Banks)的计算过程，包括预加重、短时傅立叶变换、滤波器组应用以及MFCC的生成。MFCC是ASR系统的经典特征，而滤波器组在现代语音系统中变得流行。文章探讨了滤波器组与MFCC的差异，以及为何在某些场景下滤波器组可能更为适用。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

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。梅尔频率倒谱系数(MFCC)很长一段时间曾是非常流行的特征。但最近，滤波器组(Filter Banks)变得越来越流行。在这篇文章中将讨论滤波器组(Filter Banks)和MFCC，以及为什么滤波器组变得越来越流行。

计算滤波器组和MFCC涉及一些相同的过程，在这两种情况下，都会计算滤波器组，在此基础上通过一些额外的计算步骤可以得到MFCC。简而言之，信号通过预加重滤波器；然后将其切成(重叠的)帧，并将窗口函数应用于每个帧；之后，在每个帧上进行傅立叶变换(或更具体地说是短时傅立叶变换)，并计算功率谱；然后计算滤波器组。为了获得MFCC，将离散余弦变换(DCT)应用于滤波器组，保留多个所得系数，而其余系数则被丢弃。Filter Banks和MFCC两种情况的最后一步为平均归一化。

在本文中，使用了一个16位PCM wav文件，名为“ OSR_us_000_0010_8k.wav”，其采样频率为8000 Hz。wav文件是干净的语音信号，包括单个语音，在其中说出一些句子，中间有一些停顿。为简单起见，使用了信号的前3.5秒，该时间大致对应于wav文件中的第一句话。

音频下载地址：http://www.voiptroubleshooter.com/open_speech/american/OSR_us_000_0010_8k.wav

这里使用的是Python 2.7.x，NumPy和SciPy。这篇文章中使用的一些代码基于该存储库中可用的代码。

import numpy
import scipy.io.wavfile
from scipy.fftpack import dct

sample_rate, signal = scipy.io.wavfile.read('OSR_us_000_0010_8k.wav')  # File assumed to be in the same directorysignal = signal[0:int(3.5 * sample_rate)]  # Keep the first 3.5 seconds

原始信号在时域中具有以下形式：

时域信号

可以看下频谱图(Specgram可以看出频率的分布)：

import scipy.io.wavfilefrom scipy.fftpack import dctimport matplotlib.pyplot as pltimport numpy as npdef show_specgram():    plt.specgram(signal, Fs=sample_rate)    plt.xlabel('Time')    plt.ylabel('Frequency')    plt.show()def show_amplitude():    plt.plot(signal)    # label the axes    plt.ylabel("Amplitude")    plt.xlabel("Sample")    # set the title    plt.title("Sample Wav")    # display the plot    plt.show()sample_rate, signal = scipy.io.wavfile.read('OSR_us_000_0010_8k.wav')signal = signal[0:int(3.5 * sample_rate)]show_amplitude()show_specgram()