我就是这样
从音频样本开始，例如.wav文件，您可以将其读入数组。将此数组称为$ x [n] $，其中$ n $的范围为$ 0、1，\ ldots，N-1 $（因此为$ N $个样本）。这些值对应于我猜想的音频强度-振幅。
将音频信号分成10ms左右的不同“帧”，您假设语音信号是“固定的”。这是量化的一种形式。因此，如果您的采样率为44.1KHz，则10ms等于441个采样或$ x [n] $的值。现在，这是在整个信号上还是在$ x [n] $的每个单独帧上完成的？我认为这是有区别的，因为一般而言，傅立叶变换会查看信号的所有元素，因此$ \ mathcal F（x [n]）\ neq \ mathcal F（x_1 [n]）$与$ \ mathcal F（x_2 [n]）$与$ \ ldots \ mathcal F（x_N [n]）$合并，其中$ x_i [n] $是较小的框架。无论如何，假设我们进行了一些FFT，最后剩下$ X [k] $。
映射到梅尔刻度，并进行记录。我知道如何将常规频率数字转换为梅尔刻度。对于$ X [k] $中的每个$ k $（如果允许，则为“ x轴”），您可以在此处执行公式：http://en.wikipedia.org/wiki/Mel_scale。但是，“ y值”或$ X [k] $的幅度呢？它们是否只是保持相同的值，而是移至新的Mel（x-）轴上的适当位置？我在某篇论文中看到有关记录$ X [k] $的实际值的事情，因为如果$ X [k] = A [k] * B [k] $，则其中一个信号被认为是噪声不想，对等式的对数运算将乘性噪声转换为加性噪声，希望可以对其进行滤波（？）。
现在最后一步是对修改后的$ X [k] $进行DCT从上面（但是最终被修改了）。然后，您将获得最终结果的振幅，这些就是您的MFCC。我读到一些有关丢掉高频值的内容。
另外，我听说过使用“滤波器组”（基本上是一组带通滤波器），不知道这是否指的是从原始信号中制作帧，或者FFT之后的帧？
最后，我对具有13个系数的MFCC有一些了解吗？
#1 楼
一步一步...1。 ＆2.这是正确的。注意，这些帧通常是重叠的，例如，帧0是样本0到440；帧0是样本0到440。帧1是样本220至660；第2帧是样本440到880，依此类推...还要注意，将窗口函数应用于该帧中的样本。
3。对每一帧进行傅立叶变换。其背后的动机很简单：语音信号会随时间变化，但在短段内是固定的。您想单独分析每个短片段-因为在此片段上，信号足够简单，可以用很少的系数有效地描述。想到有人说“你好”。您不希望通过一次分析所有声音来看到所有音素都折叠成一个频谱（FFT折叠了时间信息）。您希望看到“ hhhhheeeeeeeeeeelloooooooooooo”以逐步识别该词，因此必须将其分解为短段。
4。 “映射到梅尔量表”具有误导性，这可能就是为什么您感到困惑的原因。此步骤的更好描述是：“通过调谐到mel缩放频率的滤波器组计算信号能量”。这是如何完成的。我们认为$ N $频率（通常使用的值为$ N = 40 $）根据mel音阶等间隔分布，介于20 Hz（听力范围的底部）和奈奎斯特频率之间。实际示例：信号以8kHz采样，我们需要40个bin。由于4kHz（Nyquist）为2250 mel，因此滤波器组中心频率将为：
0 mel，2250/39 mel，2 x 2250/39 mel .. 2250 mel。
已经定义好了，我们将计算每个频率附近的FFT幅度（或能量）的加权和。
看下图，它表示一个具有12个bin的滤波器组：
第8个bin的中心频率约为2kHz。第八个仓中的能量是通过将大约1600至2800 Hz的加权FFT能量求和而得到的-权重的峰值约为2kHz。单操作-“滤波器组矩阵”与FFT能量矢量的矩阵相乘。
因此，在此阶段，我们已将FFT频谱“汇总”为一组40个能量（在图中为12个）值，每个对应于不同的频率范围。我们记录这些值。
5。下一步是采用40个对数能量序列的DCT。这将产生40个值。前$ K $系数是MFCC（通常$ K = 13 $）。实际上，第一个DCT系数是在上一步中计算出的所有对数能量的总和-因此，它是信号响度的整体度量，并且对信号的实际频谱含量不是很有帮助-通常将其丢弃适用于语音识别或说话者ID应用，其中系统必须对响度变化具有鲁棒性。
评论
$ \ begingroup $
关于Mel滤波器组的一个简短问题-高度/幅度范围从1.8-2很重要，或者它们可以是单位（1）高度吗？
$ \ endgroup $
– YoungMoney
13年1月14日在16:00
$ \ begingroup $
这并不重要。使用最大在1.0对2.0处的幅值只会在步骤4偏移对数能量一个常数，因此只会影响步骤5的第一个系数（无论如何通常都会舍弃）。请注意，某些实现方式使用能量归一化，因此滤波器越宽，其峰值幅度越低（i.imgur.com/IOaLa.gif）。这可能会导致识别应用程序中的轻微性能变化。如果您查看正在使用的MFCC实现，则实际上每个步骤都有许多小变化-bit.ly/ULatdL
$ \ endgroup $
–小食
13年1月14日在17:39
$ \ begingroup $
这是一个古老的话题，但是我需要对图形进行一些询问。如果奈奎斯特（Nyquist）是4kHz，为什么那些带限滤波器超过4kHz。 MFCC可以吗？通常，您不希望过滤器通过Nyquist吗？我对吗？
$ \ endgroup $
–主持人
15年2月26日在8:28
$ \ begingroup $
您是否参考了为什么使用N = 40个梅尔滤波器组频率（或26，我看到的另一个常见值）？
$ \ endgroup $
–詹姆斯·奥沃斯（James Owers）
16年8月14日在9:23
$ \ begingroup $
步骤4的39梅尔来自哪里？
$ \ endgroup $
– Germ Kommer
17 Mar 9 '17 at 14:32
评论
这是一个很好的问题，但是这里有很多要回答的问题。我建议将其分解为2-3个不同的问题（如果要保持连续性，可以参考另一个问题），以便更轻松地回答。由于您之前曾在math.SE上问过同样的问题（并被告知dsp.SE是一个更好的家），所以也许您应该删除关于math.SE的问题。
我删除了math.SE
上的版本
非常好而且信息丰富的教程，谢谢。
嘿，您在您的问题中说：“映射到梅尔刻度，然后进行记录。我知道如何将常规频率数字转换为梅尔刻度。”您能帮我计算一下这部分吗？因为我的FFt输出为x [k] = 1 * 184，但我的三角带通滤波器的设置为20 * 3。那我该如何乘以两者。请ASAp