一、MFCC
几乎照搬语音特征参数MFCC提取过程详解
参考CSDN语音信号处理之（四）梅尔频率倒谱系数（MFCC）
1.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。Mel标度描述了人耳频率的非线性特性，它与频率的关系可用下式近似表示：
上式中f为频率，单位为Hz。下图展示了Mel频率与线性频率的关系：
在Mel频域内，人对音调的感知度为线性关系。举例来说，如果两段语音的Mel频率相差两倍，则人耳听起来两者的音调也相差两倍。
2.流程图
3.预加重
预加重处理其实是将语音信号通过一个高通滤波器：
的取值介于0.9-1.0之间，通常取0.97。
4.分帧
语音信号在宏观上是不平稳的，在微观上是平稳的（傅里叶变换要求输入的信号的平稳的），具有短时平稳性（10---30ms内可以认为语音信号近似不变），因此我们要把语音信号分为一些短段来进行处理，每一个短段称为一帧（CHUNK）。
帧定义为：N个采样点集合成一个观测单位。
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。
上面的说法是用采样点来描述的，也有直接用帧长进行描述的，比如：帧长20ms，帧移10ms。
5.加窗
将每一帧乘以汉明窗，以增加帧左端和右端的连续性。
之后我们会对汉明窗中的数据进行FFT，它假设一个窗内的信号是代表一个周期的信号（也就是说窗的左端和右端应该大致能连在一起）。而通常一小段音频数据没有明显的周期性，加上汉明窗后，数据形状就有点周期的感觉了。
汉明窗的公式如下：
通常情况下，取0.46。
6.FFT
FFT是快速傅里叶变换的缩写。
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。设语音信号的DFT为：
式中x(n)为输入的语音信号，N表示傅里叶变换的点数。
7.三角带通滤波器
将能量谱通过一组Mel尺度的三角形滤波器组，定义一个有M个滤波器的滤波器组（滤波器的个数和临界 带的个数相近），采用的滤波器为三角滤波器，中心频率为f(m),m=1,2,...,M。M通常取22-26。各f(m)之间的间隔随着m值的减小而缩小，随着m值的增大而增宽，如图所示：
三角滤波器的频率响应定义为:
式中
三角带通滤波器有两个主要目的：
1.对频谱进行平滑化，并消除谐波的作用，突显原先语音的共振峰（因此一段语音的音调或音高，是不会呈现在 MFCC 参数内，换句话说，以 MFCC 为特征的语音辨识系统，并不会受到输入语音的音调不同而有所影响）。
2.降低运算量。
8.每个滤波器组输出
计算每个滤波器组输出的对数能量为：
9.经离散余弦变换（DCT）得到MFCC系数：
将上述的对数能量带入离散余弦变换，求出L阶的Mel-scale Cepstrum参数。L阶指MFCC系数阶数，通常取12-16。这里M是三角滤波器个数。
10.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。因此，通常再加上一帧的对数能量（定义：一帧内信号的平方和，再取以10为底的对数值，再乘以10）使得每一帧基本的语音特征就多了一维，包括一个对数能量和剩下的倒频谱参数。
因此，MFCC的维度常用的是13（12+1）加上一阶差分和二阶差分，一共39。
11.动态差分参数的提取（包括一阶差分和二阶差分）
标准的倒谱参数MFCC只反映了语音参数的静态特性，语音的动态特性可以用这些静态特征的差分谱来描述。实验证明：把动、静态特征结合起来才能有效提高系统的识别性能。差分参数的计算可以采用下面的公式：
式中,dt表示第t个一阶差分，Ct表示第t个倒谱系数，Q表示倒谱系数的阶数，K表示一阶导数的时间差，可取1或2。将上式的结果再代入就可以得到二阶差分的参数。
二、FBank
参考语音识别（五）——Mel-Frequency Analysis, FBank, 语音识别的评价指标, 声学模型进阶
Filter bank和MFCC的计算步骤基本一致，只是没有做IDFT而已。
FBank与MFCC对比：
1.计算量：MFCC是在FBank的基础上进行的，所以MFCC的计算量更大
2.特征区分度：FBank特征相关性较高（相邻滤波器组有重叠），MFCC具有更好的判别度，这也是在大多数语音识别论文中用的是MFCC，而不是FBank的原因
3.使用对角协方差矩阵的GMM由于忽略了不同特征维度的相关性，MFCC更适合用来做特征。
4.DNN/CNN可以更好的利用这些相关性，使用fbank特征可以更多地降低WER。
参考知乎的答案：语音识别，语谱图对比MFCC、Fbank等特征，在识别方面有哪些优势？
DNN做声学模型时，一般用filterbank feature，不用mfcc，因为fbank信息更多 (mfcc是由mel fbank有损变换得到的）。mfcc一般是GMM做声学模型时用的，因为通常GMM假设是diagonal协方差矩阵，而cepstral coefficient更符合这种假设。linear spectrogram里面冗余信息太多了，维度也高，所以一般也不用。
三、LPC
LPC：Linear Prediction Coefficient线性预测系数。
对语音信号进行线性预测分析的基本思想是：一个语音的采样能够用过去若干个语音采样的线性组合来逼近，通过线性预测到的采样在最小均方误差意义上逼近实际语音采样，可以求取一组唯一的预测系数。预测系数就是线性组合中所用的加权系数，这种线性预测分析最早是用于语音编码中。
