4. 语音特征提取：MFCC特征原理、提取步骤、参数配置与其他常用特征
好，咱们进入语音识别的核心环节——特征提取。你想想看，麦克风采集到的原始音频信号，说白了就是一长串随时间变化的电压值。直接拿这个去识别，就像把一整本《红楼梦》的原始墨迹交给AI去理解，它根本无从下手。我们需要把音频信号，转换成机器能听懂、能计算的“特征向量”。
在嵌入式语音识别领域，MFCC（梅尔频率倒谱系数） 是当之无愧的“老大哥”。我最早接触它是在做一款离线语音开关的项目，当时试了好几种特征，最后还是老老实实回到了MFCC上。为什么？因为它最接近人耳的听觉特性，鲁棒性也最好。
4.1 MFCC特征原理：为什么它这么“像人耳”？
MFCC的核心思想，是模拟人耳对不同频率声音的非线性感知。人耳对低频信号的分辨率很高，对高频信号则比较“迟钝”。举个例子，你很容易听出100Hz和200Hz的区别，但很难分辨1000Hz和1100Hz的差异。
梅尔刻度（Mel Scale）就是用来描述这种非线性关系的。它把实际的物理频率（Hz）映射到人耳感知的“音高”频率（Mel）。转换公式如下：
Mel(f) = 2595 * log10(1 + f / 700)嗯，这里要注意，这个公式不是拍脑袋想出来的，而是通过大量心理声学实验拟合出来的。我个人习惯把这个公式记在笔记本上，因为每次配置滤波器组时都要用到它。
MFCC的另一个关键点是“倒谱分析”。它能把语音信号中的“声道响应”（决定音色）和“激励源”（决定音调）分离开。我们做语音识别，主要关心的是声道形状的变化，也就是音素的内容。倒谱分析正好帮我们干了这个活。
核心要点： MFCC = 梅尔刻度（模拟人耳） + 倒谱分析（分离声道与激励）。这两者结合，让MFCC在噪声环境下依然能保持不错的识别率。
4.2 MFCC提取步骤：一步步拆解
MFCC的提取流程，我在STM32上优化过很多次。每一步都有坑，我一个个说。
- 预加重：语音信号的高频分量通常能量较低，容易在传输中衰减。预加重就是用一个高通滤波器，把高频部分“抬”起来。公式很简单：
y[n] = x[n] - 0.97 * x[n-1]。这个0.97是经验值，我试过0.95到0.99，差别不大，但0.97最稳。 - 分帧：语音信号是时变的，但在极短时间（10-30ms）内可以认为是平稳的。所以我们要把长信号切成一段段“帧”。帧长一般取20-40ms，帧移取帧长的一半或三分之一。比如采样率16kHz，帧长512点（32ms），帧移256点（16ms）。
- 加窗：分帧后直接做FFT，会在帧边界产生频谱泄漏。加窗就是为了缓解这个问题。汉明窗（Hamming Window）是首选，它的旁瓣衰减比较大。代码实现如下：
// 汉明窗生成函数
void hamming_window(float *window, int len) {
for (int i = 0; i < len; i++) {
window[i] = 0.54 - 0.46 * cos(2 * M_PI * i / (len - 1));
}
}- FFT（快速傅里叶变换）：对每一帧加窗后的数据做FFT，得到频谱。STM32的DSP库里有现成的
arm_rfft_f32函数，效率很高。我建议直接用硬件FPU加速，别用软件模拟。 - 梅尔滤波器组：这是最核心的一步。在梅尔刻度上均匀分布一组三角滤波器（通常20-40个），然后与FFT得到的幅度谱相乘，得到每个滤波器输出的能量。滤波器组的中心频率在梅尔域上是等间距的，但在赫兹域上是越来越稀疏的。
- 取对数：对每个滤波器输出的能量取自然对数。这一步是为了模拟人耳对声音强度的对数感知，同时也能压缩动态范围。
- DCT（离散余弦变换）：对对数能量做DCT，得到倒谱系数。通常只取前12-13个系数，因为高阶系数代表的是频谱的快速变化，对语音识别贡献不大，反而容易引入噪声。
- 动态特征：为了捕捉语音的时序变化，我们还会计算一阶差分（Δ）和二阶差分（ΔΔ）。比如，一帧的MFCC特征向量可能是：12个静态系数 + 12个Δ系数 + 12个ΔΔ系数 + 1个能量项 = 37维。
我的经验： 在STM32F4上，我一般取13维静态MFCC + 13维Δ + 13维ΔΔ = 39维。这个维度在识别率和计算量之间取得了很好的平衡。如果你用的是F0或G0系列，可以只取13维静态系数，省掉动态特征，能省不少RAM和算力。
4.3 MFCC参数配置：嵌入式环境下的“调参”艺术
参数配置没有绝对的标准，完全取决于你的应用场景。我列一个常用的配置表，你可以直接拿去用：
| 参数名称 | 推荐值 | 说明 |
|---|---|---|
| 采样率 | 16 kHz | 语音信号主要能量在8kHz以下，16kHz足够 |
| 帧长 | 512 点 (32ms) | 保证频率分辨率，又不至于帧内变化太大 |
| 帧移 | 256 点 (16ms) | 50%重叠，保证时序连续性 |
| FFT点数 | 512 | 与帧长一致，用DSP库的基4算法效率最高 |
| 梅尔滤波器个数 | 26 | 常用值，再多对嵌入式来说计算量太大 |
| MFCC系数个数 | 13 | 去掉第0个系数（直流分量），保留1-13 |
| 动态特征 | Δ + ΔΔ | 可选，根据算力决定 |
我曾经踩过的坑： 有一次我把帧长设成了1024点（64ms），想着频率分辨率更高。结果识别率反而下降了。后来分析发现，帧长太长，帧内的语音信号已经不满足“短时平稳”的假设了，导致特征失真。所以，别贪心，32ms是黄金帧长。
4.4 其他常用特征：MFCC不是唯一的选择
虽然MFCC是主流，但有些场景下，其他特征可能更合适。我简单介绍几个：
- PLP（感知线性预测）：它比MFCC更深入地模拟了人耳的听觉特性，包括等响度曲线和强度-响度压缩。在噪声环境下，PLP的鲁棒性往往优于MFCC。但计算量也更大，STM32F4勉强能跑，F0就别想了。
- FBANK（滤波器组能量）：其实就是MFCC提取过程中的“对数梅尔能量”，不做DCT。FBANK保留了更多的频谱细节，在深度神经网络（DNN）作为分类器时，效果往往比MFCC好。因为DNN自己会学习特征之间的相关性，不需要DCT去解相关。
- GFCC（伽马通频率倒谱系数）：基于伽马通滤波器组，更精确地模拟了人耳基底膜的滤波特性。我在做远场语音识别时用过一次，效果不错，但计算量比MFCC大30%左右。
- 过零率（ZCR）和短时能量：这两个是最简单的特征，计算量几乎为零。我经常用它们来做语音端点检测（VAD），判断当前是静音还是有人说话。比如，短时能量低于某个阈值，就认为是静音，直接跳过MFCC提取，能省不少电。
嗯，总结一下。MFCC是嵌入式语音识别的“基本功”，你必须熟练掌握它的原理和提取步骤。参数配置要根据你的芯片算力和应用场景灵活调整。其他特征可以作为补充，但别贪多，先把MFCC玩透了再说。
下一章，我们会把这些特征送入神经网络，看看STM32是怎么跑推理的。到时候你会发现，特征提取这一步做得好，后面的识别就成功了一半。