Python提取MFCC（批量操作）

MFCC简介：

　　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，MFCC已经广泛地应用在声纹识别和语音识别领域。由于Mel频率与Hz频率之间非线性的对应关系，使得MFCC随着频率的提高，其计算精度随之下降。因此，在应用中常常只使用低频MFCC，而丢弃中高频MFCC，MFCC的提取主要包括以下几个步骤：

1.预滤波：前端带宽为300-3400Hz的抗混叠滤波器。

2.A/D变换：8kHz的采样频率，12bit的线性量化精度。

3.预加重：通过一个一阶有限激励响应高通滤波器，使信号的频谱变得平坦，不易受到有限字长效应的影响。

4.分帧：为了方便对语音分析，可以将语音分成一个个小段，称之为：帧。先将N个采样点集合成一个观测单位，称为帧。通常情况下N的值为256或512，涵盖的时间约为20~30ms左右。为了避免相邻两帧的变化过大，因此会让两相邻帧之间有一段重叠区域，此重叠区域包含了M个取样点，通常M的值约为N的1/2或1/3。通常语音识别所采用语音信号的采样频率为8KHz或16KHz，以8KHz来说，若帧长度为256个采样点，则对应的时间长度是256/8000×1000=32ms。

5.加窗：采用哈明窗对一帧语音加窗，以减小吉布斯效应的影响。语音在长范围内是不停变动的，没有固定的特性无法做处理，所以将每一帧代入窗函数，窗外的值设定为0，其目的是消除各个帧两端可能会造成的信号不连续性。常用的窗函数有方窗、汉明窗和汉宁窗等，根据窗函数的频域特性，常采用汉明窗。将每一帧乘以汉明窗，以增加帧左端和右端的连续性

6.快速傅立叶变换（Fast Fourier Transformation, FFT）： 由于信号在时域上的变换通常很难看出信号的特性，所以通常将它转换为频域上的能量分布来观察，不同的能量分布，就能代表不同语音的特性。所以在乘上汉明窗后，每帧还必须再经过快速傅里叶变换以得到在频谱上的能量分布。对分帧加窗后的各帧信号进行快速傅里叶变换得到各帧的频谱。并对语音信号的频谱取模平方得到语音信号的功率谱。

7.三角窗滤波： 用一组Mel频标上线性分布的三角窗滤波器（共24个三角窗滤波器），对信号的功率谱滤波，每一个三角窗滤波器覆盖的范围都近似于人耳的一个临界带宽，以此来模拟人耳的掩蔽效应。

8.求对数：三角窗滤波器组的输出求取对数，可以得到近似于同态变换的结果。

9.离散余弦变换（Discrete Cosine Transformation, DCT）： 去除各维信号之间的相关性，将信号映射到低维空间。

10.谱加权：由于倒谱的低阶参数易受说话人特性、信道特性等的影响，而高阶参数的分辨能力比较低，所以需要进行谱加权，抑制其低阶和高阶参数。 倒谱均值减（Cepstrum Mean Subtraction, CMS）：CMS可以有效地减小语音输入信道对特征参数的影响。

11.差分参数： 实验表明，在语音特征中加入表征语音动态特性的差分参数，能够提高系统的识别性能。

12.短时能量：语音的短时能量也是重要的特征参数，短时归一化对数能量及其一阶差分、二阶差分参数

Python代码说明

　　该示例代码调用的是 python_speech_features 包提取MFCC，MFCC基本维数是13维，将其与一阶差分、二阶差分组合，返回的是39维特征的MFCC。

python代码如下：

from python_speech_features import *
import numpy as np
import scipy.io.wavfile
from matplotlib import pyplot as plt


class WavtoMfcc(object):

    def __init__(self, ul, num_wav, numc=13):

        self.numc = numc
        self.ul = ul
        self.num_wav = num_wav

    def get_mfcc(self, data, fs):

        wav_feature = mfcc(data, fs, numcep=self.numc, winlen=0.025, winstep=0.01,
                           nfilt=26, nfft=512, lowfreq=0, highfreq=None, preemph=0.97)
        '''
        signal - 需要用来计算特征的音频信号，应该是一个N*1的数组
        samplerate - 我们用来工作的信号的采样率
        winlen - 分析窗口的长度，按秒计，默认0.025s(25ms)
        winstep - 连续窗口之间的步长，按秒计，默认0.01s（10ms）
        numcep - 倒频谱返回的数量，默认13
        nfilt - 滤波器组的滤波器数量，默认26
        nfft - FFT的大小，默认512
        lowfreq - 梅尔滤波器的最低边缘，单位赫兹，默认为0
        highfreq - 梅尔滤波器的最高边缘，单位赫兹，默认为采样率/2
        preemph - 应用预加重过滤器和预加重过滤器的系数，0表示没有过滤器，默认0.97
        ceplifter - 将升降器应用于最终的倒谱系数。 0没有升降机。默认值为22。
        appendEnergy - 如果是true，则将第0个倒谱系数替换为总帧能量的对数。 
        '''
        d_mfcc_feat = delta(wav_feature, 1)
        d_mfcc_feat2 = delta(wav_feature, 2)
        feature = np.hstack((wav_feature, d_mfcc_feat, d_mfcc_feat2))
        return feature

    def readwav(self):
        total_mfcc = []
        total_num, numk = [], []
        m1 = 0
        for i in range(1, 31):
            sample_rate, signal = scipy.io.wavfile.read(self.ul + str(i) + '.wav')
            mfcck = self.get_mfcc(signal, sample_rate)
            m, n = mfcck.shape
            total_mfcc.extend(mfcck)
            m1 = m1 + m
            numk.append(m)
            total_num.append(m1)
        total_mfcc = np.array(total_mfcc)
        plt.figure()
        plt.plot(signal)
        plt.show()
        return total_mfcc, total_num


if __name__ == '__main__':

    ul = 'D:/PyWork/train_data/'
    k = 30  # 读取音频数量
    mfccdim = 13  # mfcc基本维数
    getmfcc = WavtoMfcc(ul, k, mfccdim)
    mfcc, numk = getmfcc.readwav()
    print(mfcc.shape)

信号可视化