语音识别之MFCC特征提取.pptVIP

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、CepstrumAnalysis语音信号序列01时域：x(n)=h(n)*e(n)02频域：X(K)=H(K)E(K)03为了较好地将语音信号中的激励信号和声道响应分离04倒谱：log||X[k]||=log||H[k]||+log||E[k]||05慢变化的包络快变化的周期化细致结构ShanghaiJiaoTongUniversity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（HiddenMarkovModels）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（texttospeech）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（SpectralEnvelope）。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（SpectralEnvelope）。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（SpectralEnvelope）。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*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能性更大，或者在出现了几个词的情况下预测下一个即将出现的词语的内容。人通过改变声道的shape发出的不同声音。声道的shape包括舌头，牙齿等。我们可以分析不同声道产生的语音短时功率谱的包络识别语音MFCCs（MelFrequencyCepstralCoefficents）是一种能准确描述这个包络的特征，在语音识别人工特征方面，可谓是一枝独秀声谱图（Spectrogram）倒谱分析（CepstrumAnalysis）Mel频率分析（Mel-FrequencyAnalysis）梅尔倒频谱系数（Mel-FrequencyCepstralCoefficients）主要的几个概念FFTFFTFFTShanghaiJiaoTongUniversity