tensorflow提取mel谱特征_语音特征小结

在一个技术群中，聊到语音特征话题，看到一位大佬说：如果我来面试，会让求职者先讲十分钟的语音特征。看到这句话后，我一愣，如果让我讲十分钟的语音特征，我只会想到，MFCC，Bark谱，短时过零率，基频，共振峰，能量，其它也一下想不起来了。觉得自己作为一个信号出身，做语音的人，应该懂很多才行，结果也不是很在行。为此，在本文记录语音特征。

---

1、MFCC

MFCC，即梅尔倒谱系数（Mel-scaleFrequency Cepstral Coefficients）。是一种非线性映射，根据人耳对不同频率的声波有不同的听觉敏感度进行映射的。

原理：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对语音的清晰度影响最大。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的频率成分的成分，使其变得不易察觉，这种现象称为 掩蔽效应。由于频率较低的声音在内耳蜗基底膜上行波传递的距离大于频率较高的声音，故一般来说，低音容易掩蔽高音，而高音掩蔽低音较困难。在低频处的声音掩蔽临界带宽较高频要小。所以从低频到高频这一频带内按临界带宽的大小由密到疏安排一组带通滤波器，对输入信号进行滤波。

梅尔倒谱系数是在Mel标度频率域上提取出来的参数。

用途：可以看到，MFCC是根据掩蔽效应原理，在Mel标度上提取出来的参数，为了符合人耳听觉机理的。所以其常用于ASR上，语音识别中。当然，其它一些处理也会考虑到直接用线性谱运算量太大，然后采用MFCC。

具体特征提取过程：语音特征参数MFCC提取过程详解_James Zhang's Blog-CSDN博客_mfcc特征提取后的结果

2、Bark谱

Bark谱与MFCC，Mel谱非常相似，都是将线性谱映射到非线性谱上的表征，而且都是低频带宽低，高频带宽高。但还是略有区别的：

上世纪，研究者发现人耳结构对24个频点产生共振，根据这一理论，Eberhard Zwicker在1961年针对人耳特殊结构提出：信号在频带上也呈现出24个临界频带，分别从1到24。这就是Bark域。

其实Mel谱和Bark谱两者的核心都是在掩蔽效应，人耳对不同频带听感不同。然后划分出的非线性表示。

用途：比较多的看到，Bark谱用于基频，降噪，编解码，特殊声音检测等领域。

具体特征提取过程：Bark域介绍和线性频率域转换到Bark域_音频算法研究与学习-CSDN博客

3、CQT

CQT即恒Q变换，它是用一组恒Q滤波器对时域语音信号进行滤波，因为，滤波器是恒Q的，即中心频率与带宽比相同，则在低频时，带宽窄，高频时带宽高，从而得到非线性频域信号。

与MFCC，Bark谱非常相似，也是一种将线性谱转换到非线性谱的处理。

CQT更加符合乐理，在音乐中，所有的音都是由若干八度的12平均律共同组成的，12个半音等于一个八度，一个八度的跨度等于频率翻倍，所以一个半音等于

倍频。因此，音乐中的音调呈指数型跨度的，而CQT就很好的模拟了这种非线性度，以

为底的非线性频谱。

用途：常用于音乐方向。但因深度学习的兴起，很多方向也会用这种特征。

4、能量

能量特征，通常指时域上每帧的能量，幅度的平方。

很早很早以前有直接用能量特征的，大概上个世纪5-60年代吧。比如vad（voice active detection）中有一种检测语音方法：能量大的是语音，能量小的是噪声。当然，这种vad局限性非常大，用途很窄。

用途：时域能量，直接用的比较少。

5、短时过零率

短时过零率特征，核心点是计算信号跨越零点的次数。当然后面有延伸的，短时平均过零率，

有门限的过零率等。

这种特征也是非常早期用的，比如用于判别语音和噪声，判别清音和浊音等等。但与能量特征相似，局限性非常大，用途很窄。

原理和提取：短时平均过零率_Charles' home-CSDN博客

6、基频

基频对应着声带振动的频率，代表声音的音高，声带振动越快，基频越高。

一般来说，成年男性基频在100-250左右，成年女性基频在150-350左右。上述范围还未有共识，都是大致区间。

基频检测方法主要有三类：1、时域：基于过零率，自相关等，最好的是YIN/PYIN算法。2、频域：倒谱，谐波，最佳梳妆滤波器等。3、统计方法：最大似然，rnn，HMM等都有。

最近（17年，20年）有一个用kalam滤波器实时估计基频的，抗噪能力强，也比较精准，复杂度也不是很高。

用途：基频有非常多的用途，可以用于检测语音噪声，特殊声音检测，男女判别，说话人识别，参数自适应等等。

王赟大佬写过一篇基频检测的博客，非常棒。感兴趣的可以看看

王赟 Maigo：11872 基频提取算法综述​zhuanlan.zhihu.com

但是，轻量级，实时且抗噪能力强的基频检测算法还是比较少。

7、共振峰/谐波

共振峰也称谐波，下称共振峰。

共振峰是基频对应的整数次频率成分，由声带发声带动空气共振形成的。对应着声音三要素的音色。

共振峰的包络，位置，相邻的距离共同形成了音色特征。共振峰之间距离近听起来则偏厚粗，之间距离远听起来偏清澈。在男声变女声的时候，除了基频的移动，还需要调整共振峰，包括包络，距离等。否则将会丢失音色信息。

提取：有倒谱，LPC等。

用途：常见于声纹识别，voice conversion等。

8、Gabor filterbank features

Gabor filterbank常用于cv中，是模仿视觉系统的生物过程：模拟人类细胞的视觉大脑皮质的空域和属性特征。Gabor filterbank有一维和二维，常用二维Gabor filterbank处理语谱图（对一维时域语音做stft得到二维时频图）。

常用于语音声音检测，语音场景分类。

---

暂时先写这么多，有些特征没用过也不大熟悉，就没写（LPC等）。等之后用的特征多了，体会多了，再来补充。

（这些特征够我和面试官聊十几分钟了hhhhh）