Mel 频率倒谱系数 - 语音特征提取

Question

我目前正在执行一个与语音识别相关的项目，其中鼠标事件（如右键单击、左键单击、双击 .. 等）将作为语音命令给出。因此，作为第一步，我的主管告诉我使用梅尔频率倒谱系数提取每个语音命令的特征，并使用 LIBSVM 格式将这些提取的特征存储在文本文件中。我已经使用互联网上的一些参考实现了 MFCC。但我不确定这在哪里是正确的。我不确定 MFCC 的输出。当我说“正确”时，我的程序给出了这样的结果

e.g -15.211534  8.230449    2.150475    4.000576    -0.037819   -1.083192   0.102314    0.232710    -0.813507   -0.349909   0.850858

1. 谁能解释一下 MFCC 的输出之王应该得到什么？
2. 如何以 LIBSVM 格式存储从 MFCC 提取的特征。
3. 谁能帮我找到 MFCC 的正确数学实验室实现来解决我的问题。

Answer 1

在尝试分析语音时，大多数现代解决方案都使用一系列 MFCC 系数，而不仅仅是一个。一般来说，获得 MFCC 是这样的：

complexSpectrum = fft(signal)
powerSpectrum = abs(complexSpectrum) ** 2
filteredSpectrum = melFilterBank(powerSpectrum)
logSpectrum = log(filteredSpectrum)
dctSpectrum = dct(logSpectrum)

您在 30 毫秒的窗口上执行此操作，以 10 毫秒的步长沿信号滑动。

至于具体实现，可以参考Spro中用C编写的代码（sfbcep util）或Sphinx中的代码，如果你觉得Java更熟悉的话。