3、特征提取入门：MFCC特征提取全流程、FBank与MFCC的对比、特征归一化技巧
各位同学，欢迎来到第三章。
前两章我们聊了语音唤醒的整体架构和前端信号处理。今天要讲的，是整个唤醒系统里最核心的环节之一——特征提取。
说白了，就是把麦克风采集到的原始波形，变成计算机能听懂、能建模的数学特征。你想想看，原始音频每秒16000个采样点，直接扔给神经网络？那计算量谁也扛不住。所以我们需要一套方法，把有用的信息提炼出来，把没用的噪音扔掉。
我个人习惯把特征提取比作「厨师备菜」。食材（原始音频）再好，不经过切配、腌制、调味，直接下锅炒，味道肯定不对。MFCC和FBank，就是两种经典的「备菜刀法」。
3.1 MFCC特征提取全流程
MFCC，全称Mel频率倒谱系数。名字听着唬人，其实拆开看就三件事：模拟人耳听觉 → 取对数 → 做DCT变换。
为什么模拟人耳？因为人耳对频率的感知不是线性的。低频区域我们分辨得很细，高频区域则比较粗糙。Mel刻度就是用来模拟这个特性的。
完整的MFCC提取流程如下：
- 预加重：提升高频分量，补偿口唇辐射造成的衰减。公式很简单：
y[n] = x[n] - 0.97 * x[n-1]。0.97这个系数，我一般取0.97到0.98之间，具体看采样率。 - 分帧：把长信号切成短帧，每帧20-40ms。帧移通常取帧长的一半。比如帧长25ms，帧移10ms。
- 加窗：常用汉明窗，减少频谱泄露。嗯，这里要注意，窗函数的选择会影响旁瓣抑制效果。
- FFT：对每帧做快速傅里叶变换，得到频谱。
- Mel滤波器组：将频谱通过一组三角滤波器，每个滤波器对应一个Mel刻度。滤波器个数通常取20-40个。
- 取对数：对每个滤波器的输出取log，模拟人耳对响度的非线性感知。
- DCT：对log能量做离散余弦变换，得到倒谱系数。通常保留前12-13个系数。
- 动态特征：加上一阶差分和二阶差分，捕捉帧间变化。
核心要点：MFCC的精华在于DCT这一步。它把高度相关的Mel滤波器输出解相关，让特征更紧凑。这在GMM-HMM时代是神技，但在深度学习时代，这个解相关操作反而可能丢掉信息。
我曾经在一个车载项目里，为了追求极致的唤醒率，把MFCC的DCT系数从13个加到26个。结果呢？唤醒率没提升多少，模型大小倒是翻了一倍。后来我反思，其实对于深度神经网络来说，保留更多原始信息往往比「解相关」更重要。
3.2 FBank与MFCC的对比
FBank，全称Filter Bank，也叫滤波器组特征。它和MFCC的前半段流程完全一样，直到Mel滤波器组输出log能量后，不做DCT，直接作为特征使用。
所以两者的区别，说白了就是一句话：MFCC = FBank + DCT。
| 对比维度 | FBank | MFCC |
|---|---|---|
| 特征维度 | 较高（40-80维） | 较低（13-26维） |
| 相关性 | 相邻维度高度相关 | 维度间解相关 |
| 计算量 | 较小（少一步DCT） | 稍大（多一步DCT） |
| 适用模型 | DNN/CNN/Transformer | GMM-HMM/传统方法 |
| 噪声鲁棒性 | 一般 | 较好（DCT有去噪效果） |
我个人建议：做语音唤醒，优先选FBank。为什么？因为现在的唤醒模型基本都是DNN或CNN，它们不害怕特征维度之间的相关性。相反，FBank保留了完整的频谱结构，模型能学到更丰富的模式。
我的经验：在安静环境下，MFCC和FBank的唤醒率差距不大。但在车载这种强噪声场景，FBank往往比MFCC高出2-3个百分点的唤醒率。我猜是因为DCT丢掉了某些对噪声敏感的细节信息。
当然，如果你用的是传统GMM-HMM模型，或者特征维度有严格限制（比如某些低功耗芯片），那MFCC还是更合适的选择。
3.3 特征归一化技巧
特征提取完了，直接扔给模型？别急，还有一步关键操作——归一化。
归一化的目的，是让特征的分布更稳定。你想想看，不同人说话音量不一样，不同麦克风灵敏度不一样，不同环境噪声底噪不一样。如果不做归一化，模型就得自己去适应这些变化，训练难度会大很多。
常用的归一化方法有三种：
- 均值归一化（Mean Normalization）：每个特征维度减去均值。简单粗暴，能消除静态偏移。
- 方差归一化（Variance Normalization）：每个特征维度除以标准差。让所有维度的动态范围一致。
- 全局归一化（Global Normalization）：对整个特征矩阵做归一化。适合数据分布比较均匀的场景。
在语音唤醒里，我最常用的是在线均值方差归一化。具体做法是：维护一个滑动窗口，实时计算当前帧前N帧的均值和方差，然后用这个统计量对当前帧做归一化。
# 伪代码示例：在线均值方差归一化
class OnlineNormalizer:
def __init__(self, window_size=100):
self.window = []
self.window_size = window_size
def normalize(self, feature):
self.window.append(feature)
if len(self.window) > self.window_size:
self.window.pop(0)
mean = np.mean(self.window, axis=0)
std = np.std(self.window, axis=0) + 1e-6
return (feature - mean) / std
避坑指南：我曾经在量产项目里踩过一个坑——用全局统计量做归一化。结果呢？在安静环境采集的统计量，到了高速场景完全不适用，特征分布偏移严重，唤醒率直接掉了10个点。后来改成在线归一化，问题才解决。
另外，还有一个容易被忽略的细节：归一化应该在特征提取之后、模型推理之前做。千万别在分帧或FFT阶段就做归一化，那会破坏信号的物理意义。
嗯，这里再补充一点。对于FBank特征，我建议只做均值归一化，不做方差归一化。因为FBank的每个维度代表不同频带的能量，方差本身携带了重要的动态信息。强行拉平方差，反而会抹掉不同频带之间的能量对比关系。
好了，这一章的内容就到这里。特征提取是语音唤醒的「地基」，地基打不牢，后面的模型再花哨也没用。下一章，我们会进入声学模型的世界，聊聊怎么用神经网络把特征变成唤醒决策。
记住：好的特征 + 合适的归一化 = 唤醒系统成功的一半。