MFCCの計算方法についてメモ

MFCC とは

Mel-Frequency Cepstral Coefficients (MFCCs) のこと。音声認識でよく使われる、音声の特徴表現の代表的なもの。

算出手順

• 音声信号を適当な長さのフレームで切り出し
• 窓がけ
• フーリエ変換して対数振幅スペクトルを求める
• メルフィルタバンクを掛けて、メル周波数スペクトルを求める
• 離散コサイン変換により、MFCCを求める

以上。SPTKのmfccコマンドのソースもだいたいそうなってた。

さて

ここに音声波形があるじゃろ？？

音声波形を窓がけして…

さらにフーリエ変換して対数取って…

ここでメルフィルタバンクの出番じゃ

最後に離散コサイン変換で完成じゃ

まとめ

• MFCC求めたかったら、普通はHTKかSPTK使えばいいんじゃないですかね。自分で書くと面倒くさいです
• 正規化はどうするのがいいのか、まだよくわかってない。単純にDCT（IIを使った）を最後に掛けると、かなり大きい値になって使いにくい。ので、 http://research.cs.tamu.edu/prism/lectures/sp/l9.pdf にもあるとおり、mel-filterbankの数（今回の場合は64）で割った。
• 間違ってるかもしれないけどご愛嬌

参考

• L9: Cepstral analysis [PDF]
• メル周波数ケプストラム（MFCC） | Miyazawa’s Pukiwiki 公開版
• メル周波数ケプストラム係数（MFCC） | 人工知能に関する断創録