语音识别之MFCC特征提取精选.pptVIP

一、声谱图（Spectrogram） 一、声谱图（Spectrogram） 一、声谱图（Spectrogram） 一、声谱图（Spectrogram） 一、声谱图（Spectrogram） 二、Cepstrum Analysis 峰值表示语音的主要频率成分，我们把这些峰值称为共振峰（formants） 共振峰携带了声音的辨识属性（就是个人身份证一样，所以它特别重要）。用它就可以识别不同的声音。 如何提取？ 二、Cepstrum Analysis 语音信号序列 时域：x(n)=h(n)*e(n) 频域：X(K)=H(K)E(K) 为了较好地将语音信号中的激励信号和声道响应分离 倒谱：log||X[k] ||= log ||H[k] ||+ log ||E[k] || 二、Cepstrum Analysis 慢变化的包络 快变化的周期化细致结构 二、Cepstrum Analysis 我们需要把这两部分分离开--卷积同态系统 二、Cepstrum Analysis Shanghai Jiao Tong University 这里，这段语音被分为很多帧，每帧语音都对应于一个频谱（通过短时FFT计算），频谱表示频率与能量的关系。在实际使用中，频谱图有三种，即线性振幅谱、对数振幅谱、自功率谱（对数振幅谱中各谱线的振幅都作了对数计算，所以其纵坐标的单位是dB（分贝）。这个变换的目的是使那些振幅较低的成分相对高振幅成分得以拉高，以便观察掩盖在低幅噪声中的周期信号） * 先将其中一帧语音的频谱通过坐标表示出来 * 现在我们将左边的频谱旋转90度。得到中间的图 * 然后把这些幅度映射到一个灰度级表示（也可以理解为将连续的幅度量化为256个量化值？），0表示黑，255表示白色。幅度值越大，相应的区域越黑 那为什么要这样呢？为的是增加时间这个维度，这样就可以显示一段语音而不是一帧语音的频谱，而且可以直观的看到静态和动态的信息。优点稍后呈上。 * 我们会得到一个随着时间变化的频谱图，这个就是描述语音信号的spectrogram声谱图。 * 下图是一段语音的声谱图，很黑的地方就是频谱图中的峰值（共振峰formants） * 首先，音素（Phones）的属性可以更好的在这里面观察出来。 * 另外，通过观察共振峰和它们的转变可以更好的识别声音。 * 隐马尔科夫模型（Hidden Markov Models）就是隐含地对声谱图进行建模以达到好的识别性能。 还有一个作用就是它可以直观的评估TTS系统（text to speech）的好坏，直接对比合成的语音和自然的语音声谱图的匹配度即可 * 峰值是随时间变化的，我们要提取的不仅仅是共振峰的位置，还得提取它们转变的过程。 所以我们提取的是频谱的包络（Spectral Envelope）。这包络就是一条连接这些共振峰点的平滑曲线 语音信号的短时谱等于激励源频谱和滤波器频谱的乘积； 峰值是随时间变化的，我们要提取的不仅仅是共振峰的位置，还得提取它们转变的过程。 所以我们提取的是频谱的包络（Spectral Envelope）。这包络就是一条连接这些共振峰点的平滑曲线 峰值是随时间变化的，我们要提取的不仅仅是共振峰的位置，还得提取它们转变的过程。 所以我们提取的是频谱的包络（Spectral Envelope）。这包络就是一条连接这些共振峰点的平滑曲线 （人的听觉对频率是有选择性的） * 1）先对语音进行预加重、分帧和加窗； 2）对每一个短时分析窗，通过FFT得到对应的频谱； 3）计算每一帧的能量谱估计 4）将上面频谱通过Mel滤波器组得到Mel频谱； 5）在Mel频谱上面进行倒谱分析，取对数， 6）做逆变换，实际逆变换一般是通过DCT离散余弦变换来实现，取DCT后的第2个到第13个系数作为MFCC系数），获得Mel频率倒谱系数MFCC，这个MFCC就是这帧语音的特征； * 语音识别之MFCC特征提取 报告人：汤旭国 学号：1130349093 * 语音识别应用 预处理模块：对输入的原始语音信号进行处理 滤除掉不重要的信息及背景噪声 语音分帧（近似认为语音信号在10-30ms内是短时平稳的） 预加重（提升高频部分）等处理 特征提取： 去除语音信号中对于语音识别无用的冗余信息 保留反映语音本质特征的信息 即提取出反映语音信号特征的关键特征参数形成特征矢量 序列，以便用于后续处理 声学模型训练： 根据训练语音库的特征参数训练出声学模型参数 在识别时可以将待识别的语音的特征参数同声学模型进行匹配，得到识别结果。 语言模型训练： 语言模型是用来计算一个句子出现概率的概率模型。 它主要用于决定哪个词序列的可