本文目录一览：
mfcc特征是由对数能量特征经过什么变换得到
MFCC的物理含义， 简单地说可以理解为语言信号的能量在不同频率范围的分布 。
MFCC：Mel频率倒谱系数的缩写。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已经广泛地应用在语音识别领域。
MFCC是Mel-Frequency Cepstral Coefficients的缩写，顾名思义MFCC特征提取包含两个关键步骤：转化到梅尔频率，然后进行倒谱分析。梅尔频率，梅尔刻度是一种基于人耳对等距的音高(pitch)变化的感官判断而定的非线性频率刻度。
在声音处理中，梅尔倒频谱（MFC）表示了声音短时功率谱。它基于非线性梅尔刻度频率的对数功率谱的一个线性余弦变换。 梅尔频率倒谱系数（MFCC）是所有构成MFC的系数。
经离散余弦变换（DCT）得到MFCC系数：对数能量 此外，一帧的音量（即能量），也是语音的重要特征，而且非常容易计算。
倒谱域是对对数功率谱进行傅里叶反变换得到的，可以将声道特性和激励特性有效的分开，更好的揭示语音信号的本质特征。 可以将语音信号分析分为模型分析法和非模型分析法两种。
梅尔频率倒谱系数
1、MFCC特征（Mel频率倒谱系数）是由对数能量特征经过预处理，傅里叶变换，梅尔率波器组，对数运算，离散余弦变换等一系列变换得到的。预处理：对语音信号进行预加重处理，即使高频部分增加其幅度，然后进行分帧和加窗处理。
2、定义 MFCCs（Mel Frequency Cepstral Coefficents）：是在Mel标度频率域提取出来的倒谱参数，是一种在自动语音和说话人识别中广泛使用的特征。
3、MFCC：Mel频率倒谱系数的缩写。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已经广泛地应用在语音识别领域。
4、二维向量。梅尔倒谱系数的输出可以表示为一个二维数组，shape为（n m f c c ， f r a m e s），（n_{mfcc}，frames），（nmfcc，frames），由于是二维数组，可以用热力图可视化。
5、MFCC是Mel-Frequency Cepstral Coefficients的缩写，顾名思义MFCC特征提取包含两个关键步骤：转化到梅尔频率，然后进行倒谱分析。梅尔频率，梅尔刻度是一种基于人耳对等距的音高(pitch)变化的感官判断而定的非线性频率刻度。
MFCC、FBank、LPC总结
1、因此在进行语音分析时，我们大多时候采用分帧的方式进行短时的分析，使用帧长为25ms，帧移为10ms的方式进行分帧，并且计算出每帧内的功率谱进行其他的操作。功率谱在一些特征提取技术中得到应用，比如MFCC，Fbank。
2、Fbank是需要语音特征参数提取方法之一，因其独特的基于倒谱的提取方式，更加的符合人类的听觉原理，因而也是最为普遍、最有效的语音特征提取算法。
3、通常来讲，语音识别常用的特征有MFCC、Fbank和语谱图。在本项目中，暂时使用的是80维的Fbank特征，提取特征利用python_speech_features库，将特征提取后保存成npy文件。
4、图表23：语音识别流程 语音识别流程分为训练和识别两条线路。
基于Fbank的语音数据特征提取
特征提取模式匹配语音识别类比：语音识别的第一步就是语音特征提取。
语音信号经过前端信号处理、端点检测等预处理后，逐帧提取语音特征，传统的特征类型包括有MFCC、PLP、FBANK等特征，提取好的特征会送到解码器，在训练好的声学模型、语言模型之下，找到最为匹配的此序列作为识别结果输出。
输入两端人声对比的时候就比对这400个特征。上一套方法还借鉴了一些语音学的知识(采用了语音识别中的发声单元分类网络)，那么基于端到端深度学习的说话人信息提取则是一个纯粹的数据驱动的方式。
通常来讲，语音识别常用的特征有MFCC、Fbank和语谱图。在本项目中，暂时使用的是80维的Fbank特征，提取特征利用python_speech_features库，将特征提取后保存成npy文件。
HTK提供了丰富的语音数据处理，以及训练和解码的工具。 语音识别，分为孤立词和连续词语音识别系统。早期，1952年贝尔实验室和1962年IBM实现的都是孤立词（特定人的数字及个别英文单词）识别系统。