计算MFCC特征

这里我们介绍如何使用命令行工具compute-mfcc-feats计算MFCC参数。该程序需要两个命令行参数：rspecifier是用来读.wav数据（以发音为索引）和wspecifier是用来写特征（以发音为索引）；参见 The Table concept和Specifying Table formats: wspecifiers and rspecifiers获取更多关于这些术语的解释。典型的用法是，将数据写入一个大的“archive”文件，也写到一个“scp”文件以便随机存取；参见Writing an archive and a script file simultaneously解释。程序没有添加增量功能（如需添加，参见add-deltas）。它接收选项-channel来选择通道（如–channel=0, –channel=1），该选项在读取立体声数据时很有用。 计算MFCC特征由Mfcc类型的对象完成，它有Compute()函数可以根据波形计算特征。 完整的MFCC计算如下所示：

• 计算出一个文件中帧的数目（通常帧长25ms帧移10ms）。
• 对每一帧：
  • 提取数据，可选做dithering（注：直译为抖动，在这里可以理解为类似归一化的预处理），预加重和去除直流偏移，还可以和加窗函数相乘（此处支持多种选项，如汉明窗）
  • 计算该点能量（假如用对数能量则没有C0）
  • 做FFT（译注：快速傅里叶变换）并计算功率谱
  • 计算每个梅尔滤波器的能量；如23个部分重叠的三角滤波器，其中心在梅尔频域等间距
  • 计算对数能量并作余弦变换，根据要求保留系数（如13个）
  • 选做倒谱变换；它仅仅是比例变换，确保系数在合理范围。

上下截止频率根据三角滤波器界定，由选项–low-freq和–high-freq控制，通常分别设置为0Hz和奈奎斯特频率附近，如对16kHz采样的语音设置为–low-freq=20 和 –high-freq=7800。 Kaldi的特征和HTK的特征在很多方面不同，但是几乎所有这些不同归结于有不同的默认值。用选项–htk-compat=true并正确设置参数，能得到同HTK非常接近的特征。一个可能重要的选项是我们不支持能量最大归一化。这是因为我们希望能把无状态方式应用到归一化方法，且希望从原理上计算一帧帧特征仍能给出相同结果。但是程序compute-mfcc-feats里有–subtract-mean选项来提取特征的均值。对每个语音做此操作；每个说话人可以有不同的方式来提取特征均值。（如在脚本里搜“cmvn”，表示倒谱均值和方差归一化）。