音频特征-梅尔频率倒谱系数（MFCC）详解

最新推荐文章于 2025-07-07 10:15:14 发布
最新推荐文章于 2025-07-07 10:15:14 发布
阅读量2.5w 收藏 132
点赞数 10
CC 4.0 BY-SA版权
分类专栏： 声音识别 声音识别教程 文章标签： 音频特征 MFCC
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/zzc15806/article/details/79246716
本文汇总了多个关于Mel频率倒谱系数(MFCC)的优质资源，包括详细的提取过程讲解、原理说明及MATLAB与HTK实现代码等。适用于希望深入了解MFCC理论与实践的读者。

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

总结一些关于MFCC写的比较好的资源：

1. MFCC提取过程讲解的非常详细，形象（图表多）：

http://blog.youkuaiyun.com/zouxy09/article/details/9156785

2. MFCC原理上讲解的很简洁，有基于MATLAB和HTK的实现代码：

http://blog.youkuaiyun.com/jojozhangju/article/details/18678861

3. 另一篇MFCC Blog：

http://blog.youkuaiyun.com/xmdxcsj/article/details/51228791

4. CMU关于MFCC介绍的经典Slides：

http://www.speech.cs.cmu.edu/15-492/slides/03_mfcc.pdf

5. MFCC英文版教程：

http://practicalcryptography.com/miscellaneous/machine-learning/guide-mel-frequency-cepstral-coefficients-mfccs/

浅谈MFCC
fengzhonghen的专栏
06-20 6万+
MFCC(Mel-frequency cepstral coefficients):梅尔频率倒谱系数。梅尔频率是基于人耳听觉特性提出来的， 它与Hz频率成非线性对应关系。梅尔频率倒谱系数(MFCC)则是利用它们之间的这种关系，计算得到的Hz频谱特征。主要用于语音数据特征提取和降低运算维度。例如：对于一帧有512维(采样点)数据，经过MFCC后可以提取出最重要的40维(一般而言)数据同时也达到了将维
语音识别之MFCC
I AM BACK
03-15 1万+
在进行端点处理之后，就可以得到需要处理的信号。但是要进行语音识别就必须进行一个处理：特征提取。进行特征提取我们这里采用的就是梅尔谱。 在进行特征提取的时候需要一些操作： 1、DFT         首先是把时域的信号通过DFT变成频域的信号。         把信号转换到频域之后就更好处理了。在这里我们对于DFT做一些简单的介绍：离散傅立叶变化不能对非周期信号进行处理。
语音信号处理之（四）梅尔频率倒谱系数（MFCC）
热门推荐
zouxy09的专栏
06-23 22万+
语音信号处理之（四）梅尔频率倒谱系数（MFCC）zouxy09@qq.comhttp://blog.youkuaiyun.com/zouxy09        这学期有《语音信号处理》这门课，快考试了，所以也要了解了解相关的知识点。呵呵，平时没怎么听课，现在只能抱佛脚了。顺便也总结总结，好让自己的知识架构清晰点，也和大家分享下。下面总结的是第四个知识点：MFCC。因为花的时间不多，所以可能会有不少说的不妥的地
倒数谱分析（Cepstrum Analysis）
最新发布
qq_60461831的博客
07-07 337
讲解了倒谱分析的计算。
梅尔频率倒谱系数（MFCC）讲解
QLBB14543的博客
04-14 1570
梅尔频率倒谱系数（MFCC）讲解 这几天搞一搞关于MFCC的东西，看到这篇文章非常好，所以转载下。 转自：http://b...
MFCC（梅尔频率倒谱系数）
weixin_52734695的博客
07-27 2485
MFCC（Mel-Frequency Cepstral Coefficients，梅尔频率倒谱系数）是音频信号处理中的一种重要特征，用于捕捉音频信号的频谱特征。通过一系列的信号处理步骤，MFCC可以将复杂的音频信号转换为易于处理的特征向量，在语音识别、音乐信息检索等领域具有广泛的应用。人耳对不同频率的声音感知是非线性的，特别是对高频声音的敏感度较低。语音识别：MFCC是语音识别系统中的常用特征，因为它能够有效捕捉语音信号中的重要信息。对滤波器组输出的每个值取对数，以模拟人耳对声音强度的感知。
声音处理之-梅尔频率倒谱系数(MFCC)
qingfengxd1的博客
11-03 5687
声音处理之-梅尔频率倒谱系数(MFCC) 梅尔（Mel）频率分析 在语音识别（SpeechRecognition）和话者识别（SpeakerRecognition）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）。根据人耳听觉机理的研究发现，人耳对不同频率的声波有不同的听觉敏感度。从200Hz到5000Hz的语音信号对语音的清晰度影响对大。两个响度不等的声音作用于人耳时，则响度较高的频率成分的存在会影响到对响度较低
mfcc
qq_21210467的博客
05-21 1351
本来想着自己写一篇mfcc的博文，看了好些资料。还有些操作没有实现，下来再慢慢看吧。 学习过程中也读到了一些优秀的博文。这里就直接贴链接吧 https://blog.youkuaiyun.com/c602273091/article/details/44230403  这篇文章写得真是很好，有代码有注释，各个步骤都很清晰。 https://blog.youkuaiyun.com/robingao1994/artic...
语音特征参数MFCC提取过程详解
James Zhang's Blog
01-23 16万+
原来对语音特征参数MFCC的提取过程不是很了解，最近做实验需要自己手动去提取，所以借此机会，深入的学习了一下，所以记录下来，希望能够对日后的学习有一定的帮助。
MFCC
Lu的专栏
07-15 1064
下面内容是当时的实验报告，用word写的。所以直接截图当时的内容，主要是做个记录而已。 matlab代码如下： clear;clc;close all; z=[]; z1=[]; %语音采集 r=audiorecorder(16000,16,1); record(r);%开始录音 but_stop=input('
MFCC特征参数提取（一）（基于MATLAB和Python实现）
羞羞滴小朋友
09-05 4002
1、MFCC概述 在语音识别（Speech Recognition）和话者识别（Speaker Recognition）方面，最常用到的语音特征就是梅尔倒谱系数（Mel-scale FrequencyCepstral Coefficients，简称MFCC）。根据人耳听觉机理的研究发现，人耳对不同频率的声波有不同的听觉敏感度。从200Hz到5000Hz的语音信号对语音的清晰度影响较大。两个响度不...
梅尔频率倒谱系数（MFCC） 学习笔记
weixin_30444105的博客
02-14 5145
最近学习音乐自动标注的过程中，看到了有关使用MFCC提取音频特征的内容，特地在网上找到资料，学习了一下相关内容。此笔记大部分内容摘自博文 http://blog.youkuaiyun.com/zouxy09/article/details/9156785 有小部分标注和批改时我自己加上的，以便今后查阅。 语音信号处理之（四）梅尔频率倒谱系数（MFCC） zouxy09@qq.com htt...
#语音信号处理基础（十一）——梅尔倒谱系数的提取
张亚楠的博客
02-20 4473
文章目录1.Mel频率倒谱系数（Mel-Frequency Cepstral Coefficients）2.梅尔参数的提取 1.Mel频率倒谱系数（Mel-Frequency Cepstral Coefficients） 我们将频谱通过一组Mel滤波器得到Mel频谱。 公式表述就是：log X[k] = log (Mel-Spectrum)。这时候我们在log X[k]上进行倒谱分析：...
语音识别（MFCC）
小明知道的专栏
04-12 1万+
Abstract：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），softmaxsoftmax分类器进行四分类，数据库为京剧。1.Mel频率倒谱系数的提取人的听觉系统可以看成一组滤波器族，可以通过这些滤波器得到不同频率的声音，不同的滤波器对不同频率的信号的灵敏程度不一样，Mel频率倒谱系数（MFCC）是一种充分利用人耳感知特性的参数。MFCC和线性频率之间的转换关系如下
mfcc程序
liuliqun520的博客
06-08 571
clear all;close;clc;[x,fs]=audioread('bj.wav');%x1=zeros(60001,1);%x1(1:60001,1)=x(30000:90000,1);x1=x(:,1);l=length(x1);%x1=x1(1:60000)-0.97*x1(2:60001);%预加重%x1=x1(1:l-1)-0.95*x1(2:l);xx=double(x1);x...
MFCC理解
James_bobo的博客
09-26 8972
MFCC 在语音识别（SpeechRecognition）和话者识别（SpeakerRecognition）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）。根据人耳听觉机理的研究发现，人耳对不同频率的声波有不同的听觉敏感度。从200Hz到5000Hz的语音信号对语音的清晰度影响对大。两个响度不等的声音作用于...
Mel倒谱系数
weixin_30314813的博客
11-24 871
Mel倒谱系数：MFCC Mel频率倒谱系数（Mel Frequency Cepstrum Coefficient）的缩写是MFCC，Mel频率是基于人耳听觉特性提出来的，它与Hz频率成非线性对应关系。Mel频率倒谱系数(MFCC)则是利用它们之间的这种关系，计算得到的Hz频谱特征。 用录音设备录制一段模拟语音信号后，经由自定的取样频率(如8000 Hz、16000 Hz...
MFCC梅尔频率倒谱系数
03-19
### MFCC（梅尔频率倒谱系数）的概念与实现 #### 概念介绍 MFCC 是一种重要的音频信号特征，用于捕捉音频信号的频谱特性。它通过模拟人类听觉系统的感知方式，在梅尔尺度上对声音进行建模[^2]。具体来说，MFCC 提取过程涉及多个步骤，包括分帧、傅里叶变换、应用梅尔滤波器组、计算对数能量以及执行离散余弦变换 (DCT)[^3]。 #### 实现方法详解 以下是 MFCC 的主要计算步骤： 1. **预处理**: 音频信号通常会先经过预加重处理，以增强高频部分并减少噪声的影响[^4]。 2. **分帧**: 将连续的音频信号分割成短时帧，每帧长度一般为 20-40 ms，相邻帧之间会有一定的重叠，常用的是 50% 的重叠率。 3. **加窗**: 对每一帧数据施加汉明窗或其他窗口函数，以减小帧边界处的能量突变影响。 4. **快速傅里叶变换 (FFT)**: 对每一帧的数据进行 FFT 转换，将其从时域转换到频域，从而获得该帧的频谱信息。 5. **梅尔滤波器组**: 构造一组按梅尔刻度分布的三角形滤波器，将频谱映射到梅尔尺度上。这一步能够更好地反映人耳对不同频率的感受差异。 6. **对数能量计算**: 计算每个梅尔滤波器输出的对数值，作为后续 DCT 输入的一部分。 7. **离散余弦变换 (DCT)**: 应用 DCT 到对数能量向量上，提取低阶的倒谱系数，这些系数代表了音频的主要特征。典型的 MFCC 系数数量为 12-13 个。 8. **动态差分参数**: 进一步计算一阶和二阶差分参数，用来描述语音信号随时间变化的动力学特性。 #### Python 实现示例 以下是一个基于 `librosa` 库的简单 MFCC 实现代码： ```python import librosa import matplotlib.pyplot as plt import numpy as np # 加载音频文件 audio_path = 'example_audio.wav' y, sr = librosa.load(audio_path) # 提取 MFCC 特征 mfccs = librosa.feature.mfcc(y=y, sr=sr, n_mfcc=13, hop_length=512) # 可视化 MFCC plt.figure(figsize=(10, 4)) librosa.display.specshow(mfccs, x_axis='time', y_axis='mel', sr=sr, fmax=8000) plt.colorbar(format='%+2.0f dB') plt.title('MFCC') plt.tight_layout() plt.show() print(f"MFCC shape: {mfccs.shape}") ``` 此代码片段展示了如何加载音频文件、提取 MFCC 并可视化其结果。 ---
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
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