Speech recognition 如何在帧上分割语音数据并计算MFCC

我了解创建自动语音识别引擎的基本步骤。然而，我需要一个关于如何分割的清晰的概念，以及什么是帧和样本。我会把我知道的写下来，希望答案能在我错的地方纠正我，并引导我更进一步

据我所知，语音识别的基本步骤是：

（我假设输入数据是wav/ogg（或某种音频）文件）

预加重语音信号：即，应用一个滤波器，将重点放在高频信号上。可能类似于：y[n]=x[n]-0.95x[n-1]

查找话语开始的时间并调整片段大小。（可与步骤1互换）

将片段分割成更小的时间帧，每个片段的长度约为30毫秒。此外，每个段将有大约256帧，两个段将有100帧的间隔？（即30*100/256毫秒？）

将汉明窗口应用于每个帧（段的1/256）？结果是一组信号帧

快速傅里叶变换X（t）表示的每帧信号

Mel滤波器组处理：（尚未详细说明）

离散余弦变换：（还没有详细讨论过——但我知道这会给我一组MFCC，也叫每个输入话语的声学向量

Delta能量和Delta谱：我知道这是用来计算mfcc的Delta和double Delta系数的，不多

在此之后，我认为我需要使用HMM或ANN将Mel频率倒谱系数（增量和双增量）分类到相应的音素，并进行分析，以将音素与单词匹配，并分别将单词与句子匹配

虽然这些对我来说很清楚，但我不知道步骤3是否正确。如果正确，在接下来的步骤3中，我是否将其应用于每个帧？而且，在步骤6之后，我认为每个帧都有自己的MFCC集，对吗

提前谢谢你

将剪辑分割成更小的时间帧，每个片段的长度约为30秒。此外，每个片段将有大约256帧，两个片段的间隔为100帧？（即30*100/256毫秒？）

不是帧，而是样本。在8khz采样率下，每帧30ms的采样率为30/1000*8000=240个样本。帧重叠，帧之间的偏移为10ms或80个样本。图中显示：

这里Q是80，K是240个样本

如果正确，在下面的步骤3中，我是否将其应用于每个帧

对

另外，在第6步之后，我认为每个帧都有自己的MFCC集，对吗

---

是。

如何从.wav/.mp4文件构造mfcc？@kRazzyR不知道如何在评论中回答这个问题，但你需要阅读音频文件（如果需要，先解压缩）作为一个时间序列。然后大致应用本问答中所述的步骤。好的，我知道了。有一个名为librosa的python包。我能够使用import librosa y，sr=librosa.load（'./data/tring/abcd.wav'）mfcc=librosa.feature.mfcc（y=y，sr=sr）生成mfcc