kaldi mfcc

Kaldi特征提取之-预处理

背景

• 本质上语音信号是一维的时间信号，随时间上下波动。现实中，人们再说话时会受到各种音素的干扰，为了进一步进行处理，我们必须进行必要的预处理以便之后的特征提取。诸如FBank，MFCC，PLP等都需要经过预处理步骤。本章将假设语音的格式为wav。

预处理

1. 整个预处理过程如下图所示：

   

2. 分帧
   从图中可以看出我们需要将不定长的音频切分成固定长度的小段，这一步称为分帧。分帧的原因在于语音的长度通常不同，而我们无法对不同长度的序列进行建模（或者建模难度太大），但对长度固定的小段音频建模相对容易的多。

   参数	kaldi参数	常用值	意义
   WINDOWSIZE	frame_length_ms	25ms(毫秒)	每一帧的时间长度
   TARGETRATE	frame_shift_ms	10ms(毫秒)	帧之间移动过的时间长度

   注意：段与段之间会有一些重叠的部分。

   根据这些参数以及wav的一些属性，我们可以计算每段wav分帧之后有多少段以及每帧有多少个数。假设wav长度为1s，采样率 为16kHz，则这段wav可以切分为 （1*1000） / 10 = 100帧，每帧有(25 / 1000) * 16kHz = 400个数。如果你想要修改kaldi中的这些参数，请前往kaldi/src/feat/feature-window.h中修改你想要改的参数。（修改完成之后要记得编译kaldi/src/feat文件夹和kaldi/src/featbin文件夹）

3. 均值归一
   在模拟信号到数字信号的转换过程中可能会增加一个DC偏移，表现为语音波形整体向上或者向下移动。通常，移除DC偏移是以帧为单位进行的，而非整段wav进行。

4. 预增强
   预增强以帧为单位进行，目的在于加强高频。数学公式如下：
   

   s(n)=s(n)−k∗s(n−1),∀n∈ℕ

k是预增强系数，范围为[0, 1)，常用0.97，N是每一帧的长度，从公式可以看出每一帧的第一个数需要特殊处理。

加窗
加窗的目的在于减小帧与帧之间的过度更加平滑，本质上使用一个类似于sin、cos的对称函数与帧做卷积，Hamming窗公式如下图：

注意：同时使用预增强 和 加窗同时使用时，要首先进行预增强。

添加随机噪声
有时候我们需要进行数据增强，会手动合成一些音频。某些人工合成(使用软件)的音频可能会造成一些数字错误，诸如underflow或者overflow。 这种情况下，通过添加随机噪声可以解决这一类问题。公式如下：

s(n)=s(n)+q∗rand()

1. q用于控制添加噪声的强度，rand() 产生[-1.0, 1.0)的随机数。
   注意：Kaldi中是在分帧之后的下一步添加随机噪声。

2. 配套matlab代码
   matlab代码
   用到的wav

3. 术语汇总
   采样率：每秒钟采集的数据的个数
   帧：音频切分后的一小段称为一帧
   帧长：每一帧的时间长度
   帧移：帧与帧之间移动的时间长度

参考

1. wav
2. 采样率
3. Window function
4. htkbook 3.4.1, Speech Input/Output, Speech Signal Processing