Mel频率倒谱系数 - 语音特征提取

Question

我目前正在开展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Mel频率倒谱系数提取每个语音命令的功能，并使用LIBSVM格式将这些提取的特征存储在文本文件中。我在互联网上使用了一些参考资料实施了MFCC。但我不确定这是正确的。我不确定MFCC的输出。当我说'对'时，我的程序给出了类似的东西

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. 有人可以解释一下MFCC应该得到什么样的国王
2. 如何以LIBSVM格式存储MFCC提取的功能。
3. 并且有人可以帮助我找到适合我的问题的正确的MFCC实现。

Answer 1

在尝试分析语音时，大多数现代解决方案使用一系列MFCC系数，而不仅仅是单个系数。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)

你可以在30ms的窗口上进行此操作，在10ms的步长中沿着信号滑动。

至于精确的实现，如果你发现Java更熟悉，你可以学习用C（sfbcep util）或Spro编写的Sphinx中的代码。