① mfcc簡介
MFCC：Mel頻率倒譜系數的縮寫。Mel頻率是基於人耳聽覺特性提出來的，它與Hz頻率成非線性對應關系。Mel頻率倒譜系數(MFCC)則是利用它們之間的這種關系，計算得到的Hz頻譜特徵，MFCC已經廣泛地應用在語音識別領域。由於Mel頻率與Hz頻率之間非線性的對應關系，使得MFCC隨著頻率的提高，其計算精度隨之下降。因此，在應用中常常只使用低頻MFCC，而丟棄中高頻MFCC
mfcc提取流程/mfcc
MFCC參數的提取包括以下幾個步驟：
預濾波：CODEC前端帶寬為300-3400Hz的 抗混疊濾波器 。
A/D變換：8kHz的采樣頻率，12bit的線性 量化精度 。
預加重：通過一個一階有限激勵響應高通濾波器，使信號的頻譜變得平坦，不易受到有限字長效應的影響。
分幀：根據語音的短時平穩特性，語音可以以幀為單位進行處理，實驗中選取的語頌圓高音幀長為32ms，幀疊為16ms。
加窗：採用哈明窗對一幀語音加窗，以減小 吉布斯效應 的影響。
快速傅立葉變換（Fast Fourier Transformation, FFT）：將時域信號變換成為信號的功率譜。
三角窗濾波：用一組Mel頻標上線性分布的三角窗濾波器（共24個三角窗濾波器），對信號的功率腔正譜濾波，每一個三角窗濾波器覆蓋的范圍都近似於人耳的一個臨界帶寬，以此來模擬人耳的 掩蔽效應 。
求對數：三角窗濾波器組的輸出求取對數，可以得到近似於同態變換的結果。
離散餘弦變換（Discrete Cosine Transformation, DCT）：去除各維信號之間的相關性，將信號映射到低維空間。
譜加權：由於倒譜的低階參數易受說話人特性、信道特性等的影響，而高階參數的分辨能力比較低，所以需要進行譜加權，抑制其低階和高階參數。
倒譜均值減（Cepstrum Mean Subtraction, CMS）：CMS可以有效地減小語音輸入信道對特徵參數的影響。
野尺 差分參數：大量實驗表明，在語音特徵中加入表徵語音動態特性的差分參數，能夠提高系統的識別性能。在本系統中，我們也用到了MFCC參數的一階差分參數和 二階差分 參數。
短時能量：語音的短時能量也是重要的特徵參數，本系統中我們採用了語音的短時歸一化對數能量及其一階差分、二階差分參數。
② 求助語音識別代碼的注釋，要每一句都寫明意思，謝謝
這個是完整的代碼，我自己的賬號發不了這么長，希望好心人幫忙注釋啊，非常感謝！！！
(1)端點檢測部分(vad)：
function [x1,x2] = vad(x)
%語音信號x幅度歸一化到[-1,1]
x = double(x);
x = x / max(abs(x));
%常數設置
FrameLen = 240; %幀長度為240
FrameInc = 80; %幀移為80
amp1 = 10; %短時能量高門限10
amp2 = 2; %短時能量低門限為2
zcr1 = 10; %短時過零率高門限為旁前帆10
zcr2 = 5; %短時過零率低門限為5
maxsilence =3;%靜音時間門限3*10ms= 30ms
minlen= 15;%最小語音時間長度15*10ms = 150ms
status= 0; %
count= 0; %語音時間累計
silence = 0; %靜音時間累計
%計算過零率
tmp1= enframe(x(1:end-1), FrameLen, FrameInc);
tmp2= enframe(x(2:end), FrameLen, FrameInc);
signs =(tmp1.*tmp2)<0;%符號數組，用於存儲相鄰兩個采樣點符號是否相同，即是否穿越0電平
diffs = (tmp1-tmp2)>0.02;%度量相鄰兩個采樣點之間距離，如果大於門限0.02(經驗值)，則1，否則0
zcr = sum(signs.*diffs,2);%過零率
%計算短時能量
amp =sum(abs(enframe(filter([1 -0.9375], 1, x), FrameLen, FrameInc)), 2);
%調整能量門限
amp1 = min(amp1,max(amp)/4);
amp2 = min(amp2,max(amp)/8);
%開始端點檢測
x1 = 0;
x2 = 0;
for n=1:length(zcr)
goto = 0;
switch status
case {0,1}% 0 =靜音, 1 =可能開始
if amp(n) > amp1%確信進入語音段
x1 = max(n-count-1,1);
status= 2;
silence = 0;
count= count + 1;
elseif amp(n) > amp2 || ... %可能處於語音段
zcr(n) > zcr2
status = 1;
count= count + 1;
else%靜音狀態
status= 0;
count= 0;
end
case 2,% 2 =語音段
if amp(n) > amp2 || ...%保持在語音段
zcr(n) > zcr2
count = count + 1;
else%語音將結束
silence = silence+1;
if silence < maxsilence %靜音還不夠長，尚未結束
count= count + 1;
elseif count < minlen%語音長度太短，認為是雜訊
status= 0;
silence = 0;
count= 0;
else%語音結束悔胡
status= 3;
end
end
case 3,
break;
end
end
count = count-silence/2;
x2 = x1 + count -1;
subplot(311)
plot(x)
axis([1 length(x) -1 1])
xlabel('語音信號');
line([x1*FrameIncx1*FrameInc ],[-1,1],'Color','red');
line([x2*FrameIncx2*FrameInc ],[-1,1],'Color','red');
subplot(312)
plot(amp);
axis([1 length(amp) 0max(amp)])
xlabel('短時能量');
line([x1,x1],[min(amp),max(amp)],'Color','red');
line([x2,x2],[min(amp),max(amp)],'運雹Color','red');
subplot(313)
plot(zcr);
axis([1 length(zcr) 0max(zcr)])
xlabel('過零率');
line([x1,x1],[min(zcr),max(zcr)],'Color','red');
line([x2,x2],[min(zcr),max(zcr)],'Color','red');
(2)MFCC部分：
function ccc = mfcc(x)
%歸一化mel濾波器組系數
bank=melbankm(24,256,8000,0,0.5,'m');%24濾波器個數，8000采樣頻率
bank=full(bank);
bank=bank/max(bank(:));
% DCT系數,12*24
for k=1:12
n=0:23;
dctcoef(k,:)=cos((2*n+1)*k*pi/(2*24));
end
%歸一化倒譜提升窗口
w = 1 + 6 * sin(pi *(1:12) ./ 12);
w = w/max(w);
%預加重濾波器
xx=double(x);
xx=filter([1-0.9375],1,xx);
%語音信號分幀，xx是輸入語音信號；256是幀長；80是幀移
xx=enframe(xx,256,80);
%計算每幀的MFCC參數
for i=1:size(xx,1)
y = xx(i,:);
s = y' .* hamming(256);%加漢明窗
t = abs(fft(s));%fft變換
t = t.^2;
c1=dctcoef * log(bank * t(1:129));
c2 = c1.*w';
m(i,:)=c2';
end
%差分系數
dtm = zeros(size(m));
for i=3:size(m,1)-2
dtm(i,:) = -2*m(i-2,:) - m(i-1,:) + m(i+1,:)+ 2*m(i+2,:);
end
dtm = dtm / 3;
%合並mfcc參數和一階差分mfcc參數
ccc = [m dtm];
%去除首尾兩幀，因為這兩幀的一階差分參數為0
ccc =ccc(3:size(m,1)-2,:);
(3)dtw計算部分：
function dist = dtw2(test, ref)
global x y_min y_max
global t r
global D d
global m n
t = test;
r = ref;
n = size(t,1);
m = size(r,1);
d = zeros(m,1);
D =ones(m,1) *realmax;
D(1) = 0;
%如果兩個模板長度相差過多，匹配失敗
if (2*m-n<3) || (2*n-m<2)
dist =realmax;
return
end
%計算匹配區域
xa = round((2*m-n)/3);
xb = round((2*n-m)*2/3);
if xb>xa
%xb>xa,按下面三個區域匹配
%1:xa
%xa+1:xb
%xb+1:N
for x =1:xa
y_max= 2*x;
y_min= round(0.5*x);
warp
end
for x =(xa+1):xb
y_max= round(0.5*(x-n)+m);
y_min= round(0.5*x);
warp
end
for x =(xb+1):n
y_max= round(0.5*(x-n)+m);
y_min= round(2*(x-n)+m);
warp
end
elseif xa>xb
%xa>xb,按下面三個區域匹配
%0:xb
%xb+1:xa
%xa+1:N
for x =1:xb
y_max= 2*x;
y_min= round(0.5*x);
warp
end
for x =(xb+1):xa
y_max= 2*x;
y_min= round(2*(x-n)+m);
warp
end
for x =(xa+1):n
y_max= round(0.5*(x-n)+m);
y_min= round(2*(x-n)+m);
warp
end
elseif xa==xb
%xa=xb,按下面兩個區域匹配
%0:xa
%xa+1:N
for x =1:xa
y_max= 2*x;
y_min= round(0.5*x);
warp
end
for x =(xa+1):n
y_max= round(0.5*(x-n)+m);
y_min= round(2*(x-n)+m);
warp
end
end
%返回匹配分數
dist = D(m);
function warp
global x y_min y_max
global t r
global D d
global m n
d = D;
for y = y_min:y_max
D1 = D(y);
if y>1
D2= D(y-1);
else
D2 =realmax;
end
if y>2
D3= D(y-2);
else
D3 = realmax;
end
d(y) =sum((t(x,:)-r(y,:)).^2) + min([D1,D2,D3]);
end
D = d;
(4)測試函數testdtw部分；
disp('正在計算參考模板的參數...')
for i=1:10
fname = sprintf('G:\\石東東\\語音\\%da.wav',i-1);
x = wavread(fname);
[x1 x2] = vad(x);
m = mfcc(x);
m = m(x1-2:x2-2,:);
ref(i).mfcc = m;
end
disp('正在計算測試模板的參數...')
for i=1:10
fname = sprintf('G:\\石東東\\語音\\%db.wav',i-1);
x = wavread(fname);
[x1 x2] = vad(x);
m = mfcc(x);
m = m(x1-2:x2-2,:);
test(i).mfcc = m;
end
disp('正在進行模板匹配...')
dist = zeros(10,10);
for i=1:10
for j=1:10
dist(i,j) = dtw2(test(i).mfcc, ref(j).mfcc);
end
end
disp('正在計算匹配結果...')
for i=1:10
[d,j] = min(dist(i,:));
fprintf('測試模板%d的識別結果為：%d\n', i-1, j-1);
end
③ MFCC、FBank、LPC總結
幾乎照搬 語音特徵參數MFCC提取過程詳解
參考CSDN 語音信號處理之（四）梅爾頻率倒譜系數（MFCC）
1.定義
MFCCs（Mel Frequency Cepstral Coefficents）：是在Mel標度頻率域提取出來的倒譜參數，是一種在自動語音和說話人識別中廣泛使用的特徵。Mel標度描述了人耳頻率的非線性特性，它與頻率的關系可用下式近似表示：
2.流程圖
3.預加重
預加重處理其實是將語音信號通過一個高通濾波器：
的取值介於0.9-1.0之間，通常取0.97。
4.分幀
語音信號在宏觀上是不平穩的，在微觀上是平穩的（傅里葉變換要求輸入的信號的平穩的），具有短時平穩性（10---30ms內可以認為語音信號近似不變），因此我們要把語音信號分為一些短段來進行處理，每一個短段稱為一幀（CHUNK）。
幀定義為：N個采樣點集合成一個觀測單位。
通常情況下N的值為256或512，涵蓋的時間約為20~30ms左右。為了避免相鄰兩幀的變化過大，因此會讓兩相鄰幀之間有一段重疊區域，此重疊區域包含了M個取樣點，通常M的值約為N的1/2或1/3。通常語音識別所採用語音信號的采樣頻率為8KHz或16KHz，以8KHz來說，若幀長度為256個采樣點，則段歷對應的時間長度是256/8000×1000=32ms。
上面的說法是用采樣點來描述的，也有直接用幀長進行描述的，比如：幀長20ms，幀移10ms。
5.加窗
將每一幀乘以漢明窗，以增加幀左端和右端的連續性。
之後我們會對漢明窗中的數據進行FFT，它假設一個窗內的信號是代表一個周期的信號（也就是說窗的左端和右端應該大致能連在一起）。而通常一小段音頻數據沒有明顯的周期性，加上漢明窗後，數據形狀就有點周期的感覺了。
漢明窗的公式如下：
通常情況下， 取0.46。
6.FFT
FFT是快速傅里葉變換的縮寫。
由於信號在時域上的變換通常很難看出信號的特性，所以通常將它轉換為頻域上的能量分布來觀察，不同的能量分布，就能代表不同語音的特性。所以在乘上漢明窗後，每幀還必須再經過快速傅里葉變換以得到在頻譜上的能量分布。對分幀加窗後的各幀信號進行快速傅里葉變換得到各幀的頻譜。並對語音信號的頻譜 取模平方 得到埋卜語音信號的 功率譜 。設語音信號的DFT為：
式中x(n)為輸入的語音信號，N表示傅里葉變換的點數。
7.三角帶通濾波器
將能量譜通過一組Mel尺度的三角形濾波器組，定義一個有M個濾波器的濾波器組（濾波器的個數和臨界 帶的個握液搜數相近），採用的濾波器為三角濾波器，中心頻率為f(m),m=1,2,...,M。M通常取22-26。各f(m)之間的間隔隨著m值的減小而縮小，隨著m值的增大而增寬，如圖所示：
8.每個濾波器組輸出
計算每個濾波器組輸出的對數能量為：
9.經離散餘弦變換（DCT）得到MFCC系數：
10.對數能量
此外，一幀的音量（即能量），也是語音的重要特徵，而且非常容易計算。因此，通常再加上一幀的對數能量（定義：一幀內信號的平方和，再取以10為底的對數值，再乘以10）使得每一幀基本的語音特徵就多了一維，包括一個對數能量和剩下的倒頻譜參數。
因此，MFCC的維度常用的是13（12+1）加上一階差分和二階差分，一共39。
11.動態差分參數的提取（包括一階差分和二階差分）
標準的倒譜參數MFCC只反映了語音參數的靜態特性，語音的動態特性可以用這些靜態特徵的差分譜來描述。實驗證明：把動、靜態特徵結合起來才能有效提高系統的識別性能。差分參數的計算可以採用下面的公式：
參考 語音識別（五）——Mel-Frequency Analysis, FBank, 語音識別的評價指標, 聲學模型進階
Filter bank和MFCC的計算步驟基本一致，只是沒有做IDFT而已。
FBank與MFCC對比：
1.計算量：MFCC是在FBank的基礎上進行的，所以MFCC的計算量更大
2.特徵區分度：FBank特徵相關性較高（相鄰濾波器組有重疊），MFCC具有更好的判別度，這也是在大多數語音識別論文中用的是MFCC，而不是FBank的原因
3.使用對角協方差矩陣的GMM由於忽略了不同特徵維度的相關性，MFCC更適合用來做特徵。
4.DNN/CNN可以更好的利用這些相關性，使用fbank特徵可以更多地降低WER。
參考知乎的答案： 語音識別，語譜圖對比MFCC、Fbank等特徵，在識別方面有哪些優勢？
DNN做聲學模型時，一般用filterbank feature，不用mfcc，因為fbank信息更多 (mfcc是由mel fbank有損變換得到的）。mfcc一般是GMM做聲學模型時用的，因為通常GMM假設是diagonal協方差矩陣，而cepstral coefficient更符合這種假設。linear spectrogram裡面冗餘信息太多了，維度也高，所以一般也不用。
LPC：Linear Prediction Coefficient線性預測系數。
對語音信號進行線性預測分析的基本思想是：一個語音的采樣能夠用過去若干個語音采樣的線性組合來逼近，通過線性預測到的采樣在最小均方誤差意義上逼近實際語音采樣，可以求取一組唯一的預測系數。預測系數就是線性組合中所用的加權系數，這種線性預測分析最早是用於語音編碼中。
④ 語音特徵參數MFCC理解
舉個例子，我本科時的學號是15020140011，可以作為我在大學的一個特徵值。但是這個學號有什麼具體含義嗎？如果我沒記錯的話，15表示入學年份是派逗2015年，14表示我在本系（1專業）第4個小班，後面的11代表班裡的編號。但是這個學號是十仿羨指分有效的，它是我在大學里唯一的標識，機器只要通過這個學號可以識別我，識別率100%。
MFCC同樣的道理，它的13個系數（也許還有13個一階差分和13個二階差分）都是通過離散餘弦變換（DCT）而來，並取前13個系數。
DCT的作用，為了獲得頻譜的倒譜，倒譜的低頻分量就是頻譜的包絡，倒譜的高頻分量就是頻譜的細節，這些都是語音識別上經過科學驗證十分有效的語音物理信息。但語音識別是對機器來說的，所以我們必須對物理信息進行某種「編碼」，得到的就是MFCC13維特徵向量，你是否理解它不重要，只要機器能夠識別就行了。
綜上所述，我認為MFCC的物理含義就是—— 在語音識別領域，將語音物理信息（頻譜包絡和細節）進行編碼運算得到的一組特徵向量。
MFCC的物理含義， 簡單地說可以理解為語言信號的能量在不同頻率范圍的分布 。如果把計算出的系數的低位部分（一般是前12個）作反傅立葉變換（IFFT），就可以得到上圖中虛線表示的信號的頻譜包絡，也就是表示聲帶特徵的那一部分低頻信息。
要理解為什麼可以這么做，我們先看看倒譜的定義：一種信號的傅里葉變換譜經對數運算後再進行的傅里葉反變換（IFFT）。 （IFFT其實就是對頻譜再作一次FFT）
下面兩幅圖很好地解釋了這個過程，語音信號的頻譜可以看作是低頻的包絡和高頻的細節相加，在得到倒譜系數後，備配我們只需要取低位的系數便可以得到包絡信息。（這里的x[k]即為倒譜系數）
注意整個過程中我們並沒有明確計算 e(t) 和 h(t) ，而是通過直接對語音信號x(t)作倒譜分析，再提取低位的倒譜系數，就可以獲取我們想要的聲道特徵。
有意思的是，對數頻譜作傅里葉反變換後的域被稱為quefrency domain（對應頻域frequency domain），quefrency domain和時域time domain類似但不完全一樣。提取低位系數的操作稱為low-time liftering（對應濾波操作filtering）。同樣地，我們可以通過high-time liftering來獲取激勵特徵。
當然在MFCC的實際計算中我們並沒有作傅里葉反變換，而是先將頻譜通過一組三角濾波器，再作離散餘弦變換（DCT）得到MFCC系數。但其物理意義是一樣的，即表示 信號頻譜的能量在不同頻率區間的分布 。每一個濾波器的作用就是得到對應頻率區間的頻譜能量，如果我們有26個三角濾波器，就會得到26個MFCC系數，這時候再取低位的系數就可以代表聲道的特徵。
⑤ mfcc特徵參數提取後怎麼實現語音識別
1、用audioread('');函數埋消讀取電腦音頻文件參數音頻文件路徑：
[sampledata,FS] = audioread('F:1.mp3');
sampledata保存音頻信號彎叢知數據FS音頻采率MP3格式采率般鄭彎44100；
2、判斷音頻數據否雙聲道雙聲道則保留聲道數據用calsample.m文件函數完功能文件內容：
function sample = calsample(sampledata,FS)
temp_sample = resample(sampledata,1,FS/11025);
[m,n] = size(temp_sample);
if (n == 2)
sample = temp_sample(:,1);
else
sample = temp_sample;
end
end
⑥ 求語音識別的源代碼，要求是用C#或C語言編寫，能夠識別一些基本的漢語發音
首先你要引用 DotNetSpeech
然後
創建SpeechRecognitionEngine 對象
下面的代碼可以讓系統獲取語音並且識別
SRE = new SpeechRecognitionEngine(new System.Globalization.CultureInfo("zh-CN"));//中文
SRE.LoadGrammar(new DictationGrammar());//所有語言
SRE.SpeechRecognized += new EventHandler<SpeechRecognizedEventArgs>(SRE_SpeechRecognized);//系統接受後的事件
SRE.SetInputToDefaultAudioDevice();//設置默認輸入設備
微軟MSDN裡面有詳細的介紹，望採納。
⑦ mfcc特徵提取是什麼
就是把音頻信號中具有辨識性的成分提取出來，然後把其他的亂七八糟的信息扔掉，例如背景雜訊、情緒等等。
MFCCs（Mel Frequency Cepstral Coefficents）是一種在自動語音和說話人識別中廣泛使用的特徵。它是在1980年由Davis和Mermelstein搞出來的。從那時起，在語音識別領域，MFCCs在人工特徵方面可謂是鶴立雞群，一枝獨秀。
特點：
Mel頻率是基於人耳聽覺特性提出來的，它與Hz頻率成非線性對應關系。Mel頻率倒譜系數(MFCC)則是利用它們之間的這種關系，計算得到的Hz頻譜特徵，MFCC已經廣泛地應用在語音識別領域。
由於則祥Mel頻率與Hz頻率之間非線性的對應關系，使得MFCC隨著頻率的提高，其計算精度隨之下襲盯態降。因此，在應用中常常只使拍源用低頻MFCC，而丟棄中高頻MFCC。
⑧ mfcc怎麼使用
天哪，這脊燃么多年了還沒人來回櫻輪虛答呀？我的做法肯定是錯的，所以也在查。我是把每個桐陸樣本截取同樣的行數，然後都reshape（）成一行。。。。。
⑨ 用C語言進行語音識別
普通要做語音的FFT分析，然後根據一些模型做分析，可以分別找出某些頻譜特徵語音的成分，從而判斷是否有某種聲音(比如某人的說話聲)；
但要做到把多個不同的聲音分開，設計這樣的濾波器比較困難
做到將說話聲識別成文字就更難了，要用到市場上成熟的演算法(有可能不是免費的)，而且識別率比較低。