17. 声音信号

声音信号

将n个采样点集合成一个观测单位，成为帧。通常N的值为256或512，覆盖范围约为20-30ms左右。为来避免两帧之间变化过大，因此会让相邻帧之间有一段重叠区域。通常语音识别所采用的语音信号的采样频率为8khz或16khz

MFCC梅尔频率倒谱系数

MFCC是一种广泛使用的语音特征。

语音被分为很多帧，每帧语音对应于一个频谱（通过FFT快速傅里叶变换得到），频谱表示频率与能量的关系。

频谱图

spectrogram声谱图

共振峰

峰值表示语音的主要频率成份，这些峰值成为共振峰。共振峰携带来声音辨识属性，用它就可以识别不同的声音。

包络

我们需要把共振峰提取出来，不仅需要提取共振峰的位置，还要提取他们的转变过程，也就是频谱的包络。包络就是一条连接这些共振峰点的平滑曲线。

Mel频率分析。

---

语音处理流程： 输入语音–>预加重，分帧和加窗—FFT—取绝对值或平方值—Mel滤波----取对数—DCT（discrete cosine transform) —动态特征（delta MFCC)—> 输出特征向量

---

https://github.com/librosa/librosa

https://serv.cusp.nyu.edu/projects/urbansounddataset