python处理语音信号



Mel频率倒谱系数（MFCC）的分析是基于人的听觉机理，即依据人的听觉实验结果来分析语音的频谱，期望获得好的语音特性。

python读取语音调用wave模块

nchannels: 声道数 1

sampwidth：量化位数 2

framerate：采样频率 8000

nframes：采样点数 19000

预加重的目的是为了补偿高频分量的损失，提升高频分量，预加重的滤波器常设为

变换后：

分帧处理：由于语音信号是一个准稳态的信号,把它分成较短的帧,在每帧中可将其看做稳态信号,可用处理稳态信号的方法来处理。同时,为了使一帧与另一帧之间的参数能较平稳地过渡,在相邻两帧之间互相有部分重叠。

加窗函数：加窗函数的目的是减少频域中的泄漏,将对每一帧语音乘以汉明窗或海宁窗。语音信号x(n)经预处理后为xi(m),其中下标i表示分帧后的第i帧。

​ 人的听觉系统是一个特殊的非线性系统，它响应不同频率信号的灵敏度是不同的。在语音特征的提取上，人类听觉系统做得非常好，它不仅能提取出语义信息, 而且能提取出说话人的个人特征，这些都是现有的语音识别系统所望尘莫及的。如果在语音识别系统中能模拟人类听觉感知处理特点，就有可能提高语音的识别率。

​ 梅尔频率倒谱系数（Mel Frequency Cepstrum Coefficient, MFCC）考虑到了人类的听觉特征，先将线性频谱映射到基于听觉感知的Mel非线性频谱中，然后转换到倒谱上。

将普通频率转化为mel频率的公式为：

将mel频率转化为普通频率公式为：

梅尔滤波器组，每个滤波器的传递函数为：

每个滤波器在mel频率上是等带宽的。

中心频率f(m)可以表示为：

这里我采用m=24个滤波器

具体过程可参考：

[梅尔滤波器组的分析与设计思路]: https://blog.csdn.net/tengfei0973/article/details/

因为语音信号特征主要集中在低频部分，所以一般选用每一帧信号的前12个滤波器作为MFCC参数。

MFCC参数主要用来做语音识别和端点检测。

总代码：

输出结果：一个146×12的矩阵 146代表帧数，12代表每帧的MFCC系数

[[ 4.e+01 5.e+01 2.e+01 … -1.e+01
-2.e+01 -3.e+01]
[-7.0e+00 -5.e+00 -4.e+00 … 3.e+00
4.e+00 6.e+00]
[-1.e+01 -1.e+01 -9.e+00 … -8.e+00
-1.e+01 -1.e+01]
…
[-2.e-01 -1.e-01 -5.e-01 … -1.e-01
-2.e-02 -6.e-02]
[-1.e-01 -2.e-01 -1.e-01 … 4.e-02
-1.e-02 2.e-02]
[-1.0e-01 -6.e-02 -1.e-01 … 1.e-01
-7.e-02 8.e-02]]

MFCC提取流程图：

版权声明：

本文来源网络，所有图片文章版权属于原作者，如有侵权，联系删除。

本文网址：https://www.mushiming.com/mjsbk/9101.html