语音识别中的 MFCC答案

【问题标题】：MFCC in speech recognition语音识别中的 MFCC
【发布时间】：2013-11-17 06:38:55
【问题描述】：

我整个上周都在搜索 MFCC 和相关问题。现在我可以从二维向量 coff[56][12] 中的 .wav 文件中获取 MFCC 特征，比方说。 12 是我要提取的系数数，56 是帧数。根据我阅读的几份文件，我们可以使用以上12个系数来识别语音（特别是我想识别单词“一”，“二”......到“十”）。但是现在我得到了 12 帧中的 56 帧，那么我应该使用 56 帧中的哪一个？

如果我做错了，请帮助我！！！

【问题讨论】：

标签： signal-processing fft speech-recognition voice-recognition mfcc

【解决方案1】：

您正在跳过一些关键步骤。让我简要解释一下它应该如何工作。语音数据最初是离散信号。你把它切成被称为“框架”的小块，以至于每块都希望包含不超过一部手机。通常帧会重叠，以免丢失任何重要信息。然后您提取特征 - MFCC 并使用 Hidden Makov 模型搜索包含多个帧的最可能的单词。这时候你还需要一个单词发音词典和声学模型。在下一个级别，您使用一个语言模型来描述可以构建单词的句子，并获得最终假设。这是非常抽象的描述，因此需要更深入地回顾解码的每个步骤。

【讨论】：

感谢您的快速回复。您的意思是在提取 MFCC 特征后，我必须使用 Hidden Makov 模型在“单词词典”中找到最可能的单词？
字典讲述了单词是如何从音节构成的。这是一本真实字典的粘贴：hello [HH AH L OW]，hello(2) [HH EH L OW]。现在使用 MFCC 和声学模型，您可以获得特定帧序列对应于特定单词的概率。看看cmusphinx.sourceforge.net 你会特别对sphinxbase 和pocketsphinx 感兴趣。形成的是语音识别的资产库，后者是端到端的语音解码器。您也可以阅读“口语处理”，内容相当全面。
@AlexanderSolovets 我使用 Librosa 来提取 MFCC 特征。我的音频 wav 文件是 22 分钟（1320 秒）。我提取了 20 个 MFCC 系数，这给了我 (20 X 56829) 的帧。 56829这个数字是怎么来的？有什么计算方法吗？
我不知道librosa的配置，但是通常一帧25ms长，帧重叠10ms，e.g.第一帧在 [0; 25]，第二个在[10; 35]，等等。
@Rangooski librosa 计算每个“帧”的 mfcc。此帧由 hop_length 和 SR 确定。 frame_size= hop_length/sr，默认为 512/22050 ~~ 23ms。所以 mfcc 每 23ms 计算一次。您的音频长度为 1320 秒。 mfcc 形状为 20X56829。 20 是特征的数量。 56829 是时间帧数。即您的音频分为 56829 帧。 1320/56829 = 0.023227577 秒，即 ~ 23 毫秒。希望这会有所帮助。