Python实战：5步搞定MFCC语音特征提取（附完整代码）

Python实战：5步搞定MFCC语音特征提取（附完整代码）

语音识别技术正以前所未有的速度渗透到智能家居、车载系统和虚拟助手等场景中。作为这项技术的核心，梅尔频率倒谱系数（MFCC）因其对人耳听觉特性的高度模拟，成为最常用的语音特征提取方法之一。本文将用Python带你完整实现MFCC特征提取流程，从理论到代码实现，每个步骤都配有可运行的示例。

1. 环境准备与音频预处理

在开始提取MFCC特征前，我们需要搭建合适的工作环境并准备好待处理的音频数据。

核心工具包安装：

pip install numpy scipy matplotlib python_speech_features

音频信号预处理是MFCC提取的第一步，主要包括以下关键操作：

import numpy as np import matplotlib.pyplot as plt from scipy.io import wavfile # 读取音频文件 sample_rate, signal = wavfile.read('speech.wav') signal = signal[:int(3.5*sample_rate)] # 截取前3.5秒 # 信号归一化 signal = signal / np.max(np.abs(signal)) # 预加重处理 pre_emphasis = 0.97 emphasized_signal = np.append(signal[0], signal[1:] - pre_emphasis * signal[:-1]) # 可视化对比 plt.figure(figsize=(12,4)) plt.subplot(211) plt.plot(signal) plt.title("原始信号") plt.subplot(212) plt.plot(emphasized_signal) plt.title("预加重后信号") plt.tight_layout() plt.show()

注意：预加重系数通常取值0.95-0.97，用于增强高频分量，补偿语音信号在发声过程中被抑制的高频部分。

2. 分帧与加窗处理

语音信号是准平稳信号，需要在短时窗口内进行处理。典型的分帧参数设置如下：

实现分帧加窗的Python代码：

def framesig(sig, frame_len, frame_step, winfunc=np.hamming): slen = len(sig) frame_len = int(round(frame_len)) frame_step = int(round(frame_step)) num_frames = int(np.ceil(float(slen - frame_len) / frame_step)) padlen = num_frames * frame_step + frame_len zeros = np.zeros((padlen - slen,)) padsignal = np.concatenate((sig, zeros)) indices = np.tile(np.arange(0, frame_len), (num_frames, 1)) + \ np.tile(np.arange(0, num_frames * frame_step, frame_step), (frame_len, 1)).T frames = padsignal[indices.astype(np.int32, copy=False)] frames *= winfunc(frame_len) return frames frame_size = 0.025 # 25ms frame_stride = 0.01 # 10ms frames = framesig(emphasized_signal, frame_size*sample_rate, frame_stride*sample_rate)

3. 频域分析与梅尔滤波器组

将时域信号转换到频域后，我们需要构建符合人耳听觉特性的梅尔尺度滤波器组：

def mel2hz(mel): return 700 * (10**(mel/2595.0) - 1) def hz2mel(hz): return 2595 * np.log10(1 + hz/700.0) def get_filterbanks(nfilt=26, nfft=512, samplerate=16000): lowmel = hz2mel(0) highmel = hz2mel(samplerate/2) melpoints = np.linspace(lowmel, highmel, nfilt+2) hzpoints = mel2hz(melpoints) bin = np.floor((nfft+1)*hzpoints/samplerate) fbank = np.zeros((nfilt, int(nfft/2+1))) for j in range(1, nfilt+1): for i in range(int(bin[j-1]), int(bin[j])): fbank[j-1,i] = (i - bin[j-1]) / (bin[j]-bin[j-1]) for i in range(int(bin[j]), int(bin[j+1])): fbank[j-1,i] = (bin[j+1]-i) / (bin[j+1]-bin[j]) return fbank # 计算功率谱 NFFT = 512 mag_frames = np.absolute(np.fft.rfft(frames, NFFT)) pow_frames = (1.0/NFFT) * (mag_frames**2) # 创建梅尔滤波器组 filter_banks = get_filterbanks(nfilt=26, nfft=NFFT, samplerate=sample_rate) # 应用滤波器组 filter_banks = np.dot(pow_frames, filter_banks.T) filter_banks = np.where(filter_banks == 0, np.finfo(float).eps, filter_banks) filter_banks = 20 * np.log10(filter_banks) # 转换为dB尺度 # 可视化滤波器组 plt.figure(figsize=(10,4)) plt.imshow(filter_banks.T, aspect='auto', origin='lower') plt.colorbar() plt.title("梅尔滤波器组能量") plt.show()

4. 离散余弦变换与MFCC系数

对滤波器组输出进行DCT变换，得到最终的MFCC系数：

from scipy.fftpack import dct def mfcc(filter_banks, num_ceps=12): mfcc = dct(filter_banks, type=2, axis=1, norm='ortho')[:, 1:(num_ceps+1)] # 倒谱提升 (nframes, ncoeff) = mfcc.shape n = np.arange(ncoeff) cep_lifter = 22 lift = 1 + (cep_lifter/2) * np.sin(np.pi * n / cep_lifter) mfcc *= lift # 均值归一化 mfcc -= (np.mean(mfcc, axis=0) + 1e-8) return mfcc mfcc_features = mfcc(filter_banks) # 可视化MFCC特征 plt.figure(figsize=(12,4)) plt.imshow(mfcc_features.T, aspect='auto', origin='lower', cmap='jet') plt.colorbar() plt.title("MFCC特征") plt.ylabel("MFCC系数") plt.xlabel("帧") plt.show()

5. 完整实现与进阶优化

将上述步骤整合为完整的MFCC提取流程，并添加一些实用优化技巧：

def extract_mfcc(audio_path, n_mfcc=13, n_fft=512, win_length=0.025, hop_length=0.01, n_mels=26): # 1. 读取并预处理音频 sample_rate, signal = wavfile.read(audio_path) signal = signal[:int(3.5*sample_rate)] signal = signal / np.max(np.abs(signal)) # 2. 预加重 pre_emphasis = 0.97 emphasized_signal = np.append(signal[0], signal[1:] - pre_emphasis * signal[:-1]) # 3. 分帧加窗 frame_length = int(win_length * sample_rate) frame_step = int(hop_length * sample_rate) frames = framesig(emphasized_signal, frame_length, frame_step) # 4. 计算功率谱 mag_frames = np.absolute(np.fft.rfft(frames, n_fft)) pow_frames = (1.0/n_fft) * (mag_frames**2) # 5. 梅尔滤波器组 filter_banks = get_filterbanks(nfilt=n_mels, nfft=n_fft, samplerate=sample_rate) filter_banks = np.dot(pow_frames, filter_banks.T) filter_banks = np.where(filter_banks == 0, np.finfo(float).eps, filter_banks) filter_banks = 20 * np.log10(filter_banks) # 6. DCT变换得到MFCC mfcc_features = dct(filter_banks, type=2, axis=1, norm='ortho')[:, 1:(n_mfcc+1)] # 7. 倒谱提升 (nframes, ncoeff) = mfcc_features.shape n = np.arange(ncoeff) cep_lifter = 22 lift = 1 + (cep_lifter/2) * np.sin(np.pi * n / cep_lifter) mfcc_features *= lift # 8. 均值归一化 mfcc_features -= (np.mean(mfcc_features, axis=0) + 1e-8) return mfcc_features, sample_rate # 使用示例 mfcc_features, sr = extract_mfcc("speech.wav") # 添加动态特征(一阶和二阶差分) def add_deltas(mfcc_features): delta = np.zeros_like(mfcc_features) for i in range(1, len(mfcc_features)-1): delta[i] = (mfcc_features[i+1] - mfcc_features[i-1]) / 2 delta_delta = np.zeros_like(delta) for i in range(1, len(delta)-1): delta_delta[i] = (delta[i+1] - delta[i-1]) / 2 return np.hstack((mfcc_features, delta, delta_delta)) full_features = add_deltas(mfcc_features)

实际项目中，MFCC特征通常会配合以下优化策略：

• 能量特征：将每帧的能量作为额外特征
• 差分系数：计算一阶和二阶差分表征动态特征
• 归一化：对特征进行CMVN(倒谱均值方差归一化)处理
• 降维：使用PCA或LDA对高维特征进行降维

# 计算帧能量 def compute_energy(frames): return np.sum(frames**2, axis=1) energy = compute_energy(frames) energy = np.log(energy + 1e-8) # 对数能量 energy = energy.reshape(-1, 1) # 转为列向量 # 合并MFCC和能量特征 mfcc_with_energy = np.hstack((mfcc_features, energy)) # CMVN归一化 def cmvn(features): mean = np.mean(features, axis=0) std = np.std(features, axis=0) return (features - mean) / (std + 1e-8) normalized_features = cmvn(mfcc_with_energy)

通过这五个步骤，我们完成了从原始语音信号到MFCC特征的完整提取流程。在实际语音识别系统中，这些特征将被输入到声学模型中进行进一步处理。