语音识别FBank特征提取学习笔记

语音识别就是把一段语音信号转换成对应的文本信息，这一过程包括四个大的模块，分别是：特征提取、声学模型、语言模型、字典与解码。

本篇就来梳理一下特征提取模块的实现思路和方法。

常用的语音特征有：

• 梅尔频率倒谱系数（Mel-Frequency Cepstral Coefficients, MFCC）
• 梅尔滤波器组系数（Mel Filter Bank, FBank，也叫log-Mel）
• 线性预测系数（Linear Prediction Coefficient, LPC）

基于深度学习网络的语音识别，目前多采用FBank特征。 获得FBank特征主要包括以下几个步骤：

1. 预加重；
2. 分帧、加窗；
3. 快速傅里叶变换，计算功率谱；
4. Mel滤波器组；
5. 取对数，得到FBank。

1. 预加重（Pre-Emphasis）

在音频录制过程中，高频信号更容易衰减，高频成分的丢失，可能导致音素的共振峰不明显，使得声学模型对这些音素的建模能力不强。预加重是个一阶高通滤波器，可以提高信号高频部分的能量。

预加重的实现方法：给定时域输入信号x，预加重之后的信号y为：y(t)=x(t)−αx(t−1)，其中0.9≤α≤1.0。经过预加重之后的频谱图和原始的频谱图的比较如下图所示，其中，左侧为原始频谱图，右侧为预加重处理之后的频谱图。