Мел-частотный кепстр - Mel-frequency cepstrum

В обработка звука, то мелкочастотный кепстр (MFC) представляет собой представление краткосрочного спектр мощности звука, основанного на линейное косинусное преобразование из логарифмический спектр мощности на нелинейный мел шкала частоты.

Кепстральные коэффициенты Mel-частоты (MFCC) являются коэффициентами, которые вместе составляют MFC.[1] Они происходят от типа кепстрал представление аудиоклипа (нелинейный «спектр спектра»). Разница между кепстр а кепстр с мел-частотами состоит в том, что в MFC полосы частот равномерно разнесены по шкале mel, которая приближается к реакции слуховой системы человека более точно, чем линейно разнесенные полосы частот, используемые в нормальном кепстре. Такое искажение частоты может обеспечить лучшее представление звука, например, в сжатие звука.

MFCC обычно выводятся следующим образом:[2]

  1. Возьми преобразование Фурье (фрагмент из окна) сигнала.
  2. Отобразите мощности полученного выше спектра на мел шкала, с помощью треугольные перекрывающиеся окна.
  3. Возьми журналы мощностей на каждой из частот мела.
  4. Возьми дискретное косинусное преобразование списка полномочий mel log, как если бы это был сигнал.
  5. MFCC - это амплитуды результирующего спектра.

В этом процессе могут быть вариации, например: различия в форме или расстоянии между окнами, используемыми для отображения масштаба,[3] или добавление динамических характеристик, таких как коэффициенты «дельта» и «дельта-дельта» (разница между кадрами первого и второго порядка).[4]

В Европейский институт телекоммуникационных стандартов в начале 2000-х определили стандартизированный алгоритм MFCC, который будет использоваться в мобильные телефоны.[5]

Приложения

MFCC обычно используются как Особенности в распознавание речи[6] системы, такие как системы, которые могут автоматически распознавать телефонные номера.

MFCC также все чаще находят применение в поиск музыкальной информации такие приложения, как жанр классификация, меры сходства звука и т. д.[7]

Чувствительность к шуму

Значения MFCC не очень устойчивы в присутствии аддитивного шума, поэтому их значения обычно нормализуют в системах распознавания речи, чтобы уменьшить влияние шума. Некоторые исследователи предлагают модификации базового алгоритма MFCC для повышения устойчивости, например, путем повышения логарифмических амплитуд до подходящей степени (около 2 или 3) перед тем, как использовать DCT (Дискретное косинусное преобразование ), что снижает влияние низкоэнергетических компонентов.[8]

История

Пол Мермельштейн[9][10] обычно приписывают развитие MFC. Мермельштейн кредитует Уздечку и Брауна[11] за идею:

Брайдл и Браун использовали набор из 19 взвешенных коэффициентов формы спектра, заданных косинусным преобразованием выходных сигналов набора полосовых фильтров с неравномерным разнесением. Расстояние между фильтрами выбирается логарифмическим выше 1 кГц, и там также увеличиваются полосы пропускания фильтра. Поэтому мы будем называть их кепстральными параметрами на основе mel.[9]

Иногда упоминаются оба первых автора.[12]

Многие авторы, в том числе Дэвис и Мермельштейн,[10] отметили, что спектральные базисные функции косинусного преобразования в MFC очень похожи на основные компоненты лог-спектров, которые были применены для представления и распознавания речи намного раньше Полсом и его коллегами.[13][14]

Смотрите также

Рекомендации

  1. ^ Мин Сюй; и другие. (2004). "Генерация звуковых ключевых слов на основе HMM" (PDF). В Киёхару Айзава; Юичи Накамура; Шиничи Сато (ред.). Достижения в обработке мультимедийной информации - PCM 2004: 5-я Тихоокеанская конференция по мультимедиа. Springer. ISBN  978-3-540-23985-7. Архивировано из оригинал (PDF) на 2007-05-10.
  2. ^ Sahidullah, Md .; Саха, Гоутам (май 2012 г.). «Дизайн, анализ и экспериментальная оценка блочного преобразования в вычислении MFCC для распознавания говорящего». Речевое общение. 54 (4): 543–565. Дои:10.1016 / j.specom.2011.11.004.
  3. ^ Фан Чжэн, Гуолян Чжан и Чжаньцзян Сун (2001 г.) "Сравнение различных реализаций MFCC," J. Компьютерные науки и технологии, 16(6): 582–589.
  4. ^ С. Фуруи (1986), "Независимое от говорящего изолированное распознавание слов на основе подчеркнутой спектральной динамики"
  5. ^ Европейский институт телекоммуникационных стандартов (2003 г.), Обработка речи, передача и аспекты качества (STQ); Распределенное распознавание речи; Алгоритм извлечения функций из внешнего интерфейса; Алгоритмы сжатия. Технический стандарт ES 201 108, v1.1.3.
  6. ^ Т. Ганчев, Н. Факотакис, Г. Коккинакис (2005 г.) "Сравнительная оценка различных реализаций MFCC на задаче верификации говорящего В архиве 2011-07-17 на Wayback Machine," в 10-я Международная конференция по речи и компьютеру (SPECOM 2005), Vol. 1. С. 191–194.
  7. ^ Мейнард Мюллер (2007). Поиск информации для музыки и движения. Springer. п. 65. ISBN  978-3-540-74047-6.
  8. ^ В. Тяги и К. Веллекенс (2005), Об уменьшении чувствительности Mel-Cepstrum к ложным спектральным компонентам для надежного распознавания речи, в Акустике, речи и обработке сигналов, 2005. Труды. (ICASSP ’05). IEEE International Conference on, vol. 1. С. 529–532.
  9. ^ а б П. Мермельштейн (1976) "Дистанционные меры для распознавания речи, психологические и инструментальные », в Распознавание образов и искусственный интеллект, К. Х. Чен, Эд., Стр. 374–388. Академический, Нью-Йорк.
  10. ^ а б С.Б. Дэвис и П. Мермельштейн (1980) "Сравнение параметрических представлений для распознавания односложных слов в непрерывно произносимых предложениях," в Транзакции IEEE по акустике, речи и обработке сигналов, 28 (4), стр. 357–366.
  11. ^ Дж. С. Брайдл и М. Д. Браун (1974), «Экспериментальная автоматическая система распознавания слов», Отчет JSRU № 1003, Объединенная группа исследования речи, Руислип, Англия.
  12. ^ Нельсон Морган; Эрве Бурлар и Хайнек Хермански (2004). «Автоматическое распознавание речи: взгляд на слух». В Стивен Гринберг и Уильям А. Эйнсворт (ред.). Обработка речи в слуховой системе. Springer. п. 315. ISBN  978-0-387-00590-4.
  13. ^ Л. К. У. Польс (1966), "Спектральный анализ и идентификация голландских гласных в односложных словах", докторская диссертация, Свободный университет, Амстердам, Нидерланды
  14. ^ Р. Пломп, Л. К. У. Польс и Дж. П. ван де Гир (1967). "Размерный анализ спектров гласных." Дж. Акустическое общество Америки, 41(3):707–712.

внешняя ссылка