简单的快速提取Fbank特征的方法

最新推荐文章于 2024-07-14 17:52:15 发布
最新推荐文章于 2024-07-14 17:52:15 发布
阅读量2.1k 收藏 2
点赞数
分类专栏： 语音识别（声纹识别） 文章标签： python
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。
本文链接：https://blog.youkuaiyun.com/weixin_43198122/article/details/121352976
版权
本文介绍了如何使用Python进行声音特征提取，特别是Fbank特征。通过分帧加窗、傅里叶变换、平方以及取log，得到梅尔频谱，进一步处理可得FBANK。梅尔频谱包含了丰富的信息，经过log变换后信息更明显。文章还提供了相关代码示例。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

文章目录


之前有小伙伴让我分享一下提取Fbank的方法，其实很简单，很多开源项目都将他们分开了，所以显得很复杂，这里说一下思路：

首先分帧加窗然后傅里叶变换再取平方，此时就得到了梅尔滤波即梅尔频谱，之后对这个梅尔频谱简单取log就可以得到FBANK， 继续DCT就说MFCC，思路很清晰。

这里看一下得到的梅尔频谱：
在这里插入图片描述
是不是感觉上面都没有。。。其实包含很多信息， 我们需要对他继续过滤，取log后就很明显啦：
在这里插入图片描述

只能说很精彩神奇。

代码

下面看看代码吧：

了解本专栏 订阅专栏 解锁全文 超级会员免费看
自然语言处理之语音识别：Recurrent Neural Networks (RNN)：语音特征提取与预处理
zhubeibei168的博客
10-22 654
Mel频率倒谱系数(MFCC)是一种广泛应用于语音识别和音频处理领域的特征提取方法。它模仿了人耳对不同频率声音的感知特性，将音频信号转换为一系列与感知相关的特征向量。预加重：增强信号的高频部分，以模拟人耳对高频声音的敏感度。分帧：将连续的音频信号分割成一系列短时帧，通常帧长为20-30毫秒。加窗：对每一帧信号应用汉明窗或海明窗，以减少帧边缘的不连续性。傅里叶变换：对每一帧信号进行快速傅里叶变换(FFT)，得到频谱。Mel滤波器组：在Mel频率尺度上应用一组三角形滤波器，提取频谱的Mel频率能量。
使用ffmpeg提取音频文件，并提取音频logfbank特征
Time_Remains的博客
07-26 681
使用ffmpeg提取音频(格式为.wav) import numpy as np import os video_path='E:/Audio/data/train' output_path='E:/Audio/data/wav_out' video_list=os.listdir(video_path) for video in video_list: this_path_input=os.path.join(video_path,video) this_path_output=os.
语音识别FBank特征提取学习笔记
牧羊女
07-04 2375
语音识别就是把一段语音信号转换成对应的文本信息，这一过程包括四个大的模块，分别是：特征提取、声学模型、语言模型、字典与解码。本篇就来梳理一下特征提取模块的实现思路和方法。基于深度学习网络的语音识别，目前多采用FBank特征。
kaldi中fbank特征提取详解（结合源码,深度剖析）
c12345678999的博客
12-10 8110
kaldi中fbank特征提取详解（结合源码）1. feature-window1.1 feature-window.h 中默认值1.2 feature-window.cc 中相关函数1.2.1 ExtractWindow1.2.2 ProcessWindow1.2.2.1 dither1.2.2.2 remove_dc_offset1.2.2.3 log_energy_pre_window1.2.2.4 preemph_coeff1.2.2.5 window->MulElements(window_
手写Fbank语音特征提取
qq_49791862的博客
04-28 923
手写实现fbank特征提取
【一】从.WAV文件中提取语音的fbank特征
qq_44627776的博客
03-21 915
本文的代码的主要作用：截取声音文件的前3.5s，预加重（增大高频部分幅度），分帧（帧长25ms，步长10ms），加窗（汉明窗），FFT（计算的512点的），梅尔滤波器（32维的）最后画图显示代码效果。 每部分的参数都可以进行修改，按照自己的需求进行即可。 import numpy as np from scipy.io import wavfile from scipy.fftpack import dct import warnings warnings.filterwarnings('ignore')
语音识别之Fbank特征提取工具的比较（kaldi、python_speech_features、torchaudio）
xqacmer
02-02 7707
python_speech_features提特征源码： 从源码研究，python提fbank特征的接口python_speech_features的工作流程为： 1、signal = sigproc.preemphasis(signal,preemph)为预加重，系数=0.97
Kaldi特征提取之-FBank
热门推荐
当凌绝顶,俯瞰天下
09-21 2万+
Kaldi特征提取之-预处理背景 人耳对声音频谱的响应是非线性的，经验表明：如果我们能够设计一种前端处理算法，以类似于人耳的方式对音频进行处理，可以提高语音识别的性能。FilterBank分析就是这样的一种算法。FBank特征提取要在预处理之后进行，这时语音已经分帧，我们需要逐帧提取FBank特征。 提取FBank特征 傅里叶变换 我们分帧之后得到的任然是时域信号，为了提取FBank特征，首先需要
语音信号处理-概念（三）：FBank特征、MFCC特征（梅尔频率倒谱系数）【由于二者蕴含信息较少，已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】
u013250861的博客
06-14 1423
语音识别的第一步是特征提取，也就是提取语音信号中有助于理解语言内容的部分而丢弃掉其它的东西（比如背景噪音和情绪等等）。语音的产生过程如下：语音信号是通过肺部呼出气体，然后通过声门的开启与闭合产生的周期信号。再通过声道（包括舌头牙齿）对信号调制后产生。区分语音的关键就是声道的不同形状。不同的形状就对应不同的滤波器，从而产生了不同的语音。如果我们可以准确的知道声道的形状，那么我们就可以得到不同的音素(phoneme)的表示。声道的形状体现在语音信号短时功率谱的包络(envelope)中，因此好多特征提取方法需要
语音信号处理之语音特征提取（1）机器学习的语音处理
notlikeregist的博客
06-23 4580
语音信号处理 语音特征提取 机器学习的语音处理
语音识别特征提取（Fbank和MFCC）
qq_61179907的博客
07-02 657
mfcc和fbank特征提取
语音特征提取和识别
04-12
本文意在讲解语音识别的方法，主要包括语音特征提取（Mel频率倒谱系数的提取），softmax分类器进行四分类，数据库为京剧。
语音中常用输入特征的提取过程：MFCC、FBank
ly41811的博客
05-19 2717
声纹识别中常用输入特征的提取过程：MFCC、FBank介绍梅尔(Mel)频率掩蔽效应和临界带宽Mel滤波器MFCC提取流程1.预加重2.加窗3.DFT4.Mel滤波5.DCT变换Fbank提取流程总结 介绍 要了解 MFCC 的提取流程，我们先复习一下一些相关知识。 梅尔(Mel)频率 梅尔频率为人耳所感知到的声音频率。当音频的物理频率 fff 在1kHz 以下，其梅尔频率 Mel(f)Mel(f)Mel(f) 与 fff 近似为线性关系，而在1kHz 以上则近似为对数关系。两者的对应关系可用下式来近似：
语音识别特征处理(MFCC,Fbank,PNCC)
暮木的博客
09-29 2万+
语音参数提取特征 分帧 ——> 预增强 ——> 加窗 ——> 添加噪声 ——> FFT ——> Mel滤波 ——> 对数运算——> DCT 分帧 我们需要将不定长的音频切分成固定长度的小段，这一步称为分帧。一般取10-30ms为一帧，为了避免窗边界对信号的遗漏，因此对帧做偏移时候，要有帧迭(帧与帧之间需要重叠一部分)。 一般取帧长的一半作为帧移，也就是每次位移一帧的二分之一后再取下一帧，这样可以避免帧与帧之间的特性变化太大。通常的选择是25ms每帧，帧迭为10
语音信号特征提取详解-MFCC、FBank、Mel谱
qq_52631753的博客
10-30 2061
如何训练一个声纹识别模型：从原理到实践”，第二章:训练数据的格式与加载方法[EB/OL]. [2023.10.30]. https://www.bilibili.com/video/BV19q4y137i4/?语音分帧后，需要在时域乘以窗函数以增加帧左端和右端的连续性，减少频谱泄露，使窗口两端不会急剧变化而平滑过渡到0，从而使截出的语音波形帧缓慢降为0，减小语音帧的截断效应。在梅尔滤波器构建完成后，要得到梅尔倒谱能量，还需要对傅里叶变换后的频率谱执行 Mel 滤波运算，以计算每阶滤波器的能量和总能量值。
在kaldi中运行aishell数据集
huang_yx005的博客
01-25 3058
转载自https://blog.youkuaiyun.com/eqiang8848/article/details/81543599 以aishell为例的ASR过程 命令行到kaldi路径下，输入 cd egs/aishell/s5 首先改cmd的配置： vim cmd.sh 改为： export train_cmd=run.pl         #"queue.pl --mem 2G" expo...
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 5346
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
语音信号处理及特征提取
最新发布
李思成的博客
07-14 1422
Fbank特征通常用于深度神经网络（DNN）的训练，它是一种基于滤波器组的声音特征提取方法，常用于语音识别和语音处理领域。MFCC特征12维原始MFCC12维一阶差分12维二阶差分1维能量1维能量的一阶差分1维能量的二阶差分这些特征通常用于对角高斯混合模型（GMM）的训练，因为它们的各维度之间相关性较小，适合用于统计建模和分类任务。
Python 语音识别系列-实战学习-语音识别特征提取
weixin_44733966的博客
04-28 4301
语音识别特征提取是语音处理中的一个重要环节，其主要任务是将连续的时域语音信号转换为连续的特征向量，以便于后续的语音识别和语音处理任务。在特征提取阶段，这些特征向量能够捕捉到语音信号中的关键信息，如音调、音色和音节等。时域特征提取：包括自相关函数、方差、峰值等。频域特征提取：如傅里叶变换、快速傅里叶变换、波束傅里叶变换等。时频域特征提取：包括短时傅里叶变换、波形分解、时频图等。高级特征提取：涉及语言模型、语音模型、语音合成等。在具体实践中，语音特征提取的方法和技梅尔频率倒谱系数 (MFCC)
用kaldi提取fbank特征
06-10
Kaldi是一个工具包，可以用来提取语音特征，其中包括fbank特征。以下是用Kaldi提取fbank特征的步骤： 1. 准备数据：将所有语音文件放在同一个文件夹中，并准备好相应的标签（如果有的话）。 2. 创建Kaldi数据目录...
评论
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

打赏作者

码匀

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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