智能语音特征提取（MFCC）的Python实现详解

1. MFCC概述

梅尔频率倒谱系数（MFCC）是语音信号处理中最常用的特征提取方法之一。它模拟人耳听觉特性，通过以下步骤实现：

1. 预加重
2. 分帧加窗
3. 傅里叶变换
4. 梅尔滤波器组处理
5. 对数压缩
6. 离散余弦变换（DCT）

2. 核心公式

• 梅尔频率转换公式
  $$f_{mel}=2595{\log }_{10}\left(1+\frac{f}{700}\right)$$
• 离散余弦变换（DCT）
  $$c_i=\sqrt{\frac{2}{N}}\sum _{j=1}^M{s}_j\cos \left(\frac{\pi i}{M}\left(j-\frac{1}{2}\right)\right)$$
  其中 $s_j$ 是梅尔滤波器组的对数能量输出，$M$ 为滤波器数量。

3. Python实现步骤

使用 librosa 库的完整示例：

import librosa
import numpy as np

# 1. 读取音频文件
audio, sr = librosa.load('speech.wav', sr=16000)  # 采样率16kHz

# 2. 预加重（增强高频信息）
audio = librosa.effects.preemphasis(audio)

# 3. 分帧与加窗
frame_length = int(0.025 * sr)  # 25ms帧长
hop_length = int(0.01 * sr)     # 10ms帧移
frames = librosa.util.frame(audio, frame_length, hop_length)
windows = frames * librosa.filters.get_window('hann', frame_length)

# 4. 傅里叶变换（STFT）
stft = np.abs(librosa.stft(audio, n_fft=512))

# 5. 梅尔滤波器组
mel_basis = librosa.filters.mel(sr, n_fft=512, n_mels=40)
mel_energy = np.dot(mel_basis, stft**2)

# 6. 对数压缩
log_mel = librosa.amplitude_to_db(mel_energy, ref=np.max)

# 7. DCT提取MFCC
mfcc = librosa.feature.mfcc(S=log_mel, n_mfcc=13)  # 取前13个系数

print("MFCC特征维度:", mfcc.shape)  # (13, 帧数)

4. 关键参数说明

5. 可视化特征

import matplotlib.pyplot as plt

plt.figure(figsize=(10, 4))
librosa.display.specshow(mfcc, x_axis='time', sr=sr, hop_length=hop_length)
plt.colorbar(format='%+2.0f dB')
plt.title('MFCC特征图')
plt.tight_layout()
plt.show()

6. 进阶优化

• 动态特征增强：增加一阶差分（$\Delta$）和二阶差分（$\Delta \Delta$）

  delta_mfcc = librosa.feature.delta(mfcc)
  delta2_mfcc = librosa.feature.delta(mfcc, order=2)
  combined = np.vstack([mfcc, delta_mfcc, delta2_mfcc])
  

• 能量归一化：

  mfcc = (mfcc - np.mean(mfcc)) / np.std(mfcc)
  

7. 应用场景

• 语音识别（ASR）
• 说话人识别（VPR）
• 情感分析
• 音乐信息检索（MIR）

通过以上实现，MFCC特征可有效表征语音的短时频谱特性，为下游任务提供鲁棒的特征输入。建议结合具体应用场景调整参数（如滤波器数量、DCT系数等）以优化性能。