3、特征提取入门：MFCC特征提取全流程

好，咱们进入语音唤醒里最核心的一步——特征提取。说白了，就是把声音信号变成机器能懂的数学特征。我刚开始做嵌入式语音时，总觉得这步是玄学，后来踩了不少坑才明白，特征提得好不好，直接决定了唤醒率能到95%还是50%。

3.1 MFCC特征提取全流程

MFCC，全称是梅尔频率倒谱系数。名字听着唬人，其实流程很清晰。我习惯把它拆成四个步骤：预加重→分帧加窗→FFT→Mel滤波器组→DCT。嗯，严格来说是五步，但咱们把FFT和Mel滤波器组合并讲。

3.1.1 预加重

声音信号有个特点：高频能量通常比低频弱。预加重就是为了补偿高频，让信号更均衡。公式很简单：

y[n] = x[n] - α * x[n-1]

α一般取0.97。我在项目里试过0.95到0.99，说实话差别不大，但0.97是业界默认值，咱们就跟着走。

3.1.2 分帧加窗

语音信号是非平稳的，但短时间（20-40ms）内可以看作平稳。所以我们把它切成小段，每段叫一帧。帧长一般25ms，帧移10ms。为什么是10ms？因为这样相邻帧有重叠，信息不会丢失。

加窗是为了减少频谱泄露。我常用汉明窗：

w[n] = 0.54 - 0.46 * cos(2πn/(N-1))

你想想看，如果不加窗，直接截断信号，FFT后会出现很多虚假频率成分。嗯，这里要注意，窗函数选错了，后面全白搭。

3.1.3 FFT与Mel滤波器组

对每一帧做FFT，得到频谱。然后通过Mel滤波器组，把线性频率映射到梅尔刻度。梅尔刻度模拟了人耳的听觉特性——对低频敏感，对高频不敏感。

映射公式：

Mel(f) = 2595 * log10(1 + f/700)

滤波器组通常用40个三角滤波器。我在项目中遇到过一个问题：滤波器数量太少，特征分辨率不够；太多，计算量上去了但效果没提升。40是个平衡点。

3.1.4 DCT（离散余弦变换）

最后一步，对Mel滤波器输出的对数能量做DCT。目的是去相关，把能量集中到前几个系数上。一般取13个系数就够了。

3.2 Fbank特征与MFCC的对比

Fbank，全称是Filter Bank，就是MFCC去掉最后一步DCT的结果。说白了，Fbank是MFCC的“半成品”。

对比项	Fbank	MFCC
维度	40维（常用）	13维（常用）
相关性	特征间有相关性	去相关
计算量	小（少一步DCT）	稍大
适用场景	深度学习模型	传统GMM模型

我个人习惯：如果用的是DNN/CNN这类模型，直接用Fbank。因为神经网络自己会处理特征间的相关性，不需要DCT帮忙。如果是GMM-HMM这类传统模型，用MFCC更合适。

3.3 特征归一化技巧

特征提取完了，直接扔给模型？不行。不同人说话音量不同，不同环境噪声不同，特征值的分布差异很大。归一化就是把这些差异抹平。

3.3.1 均值归一化

最常用的方法：对每个特征维度，减去均值，除以标准差。

feature_norm = (feature - mean) / std

我在项目中遇到过一个问题：如果测试环境安静，训练环境嘈杂，均值归一化后特征分布还是对不上。后来我改用在线归一化——实时计算当前语音段的均值和方差，而不是用全局统计量。

3.3.2 CMVN（倒谱均值方差归一化）

CMVN是语音领域的标配。它对每个 utterance（一段语音）独立做归一化。公式和上面一样，但均值和方差是从当前语音段算的。

3.3.3 能量归一化

这个简单：把每帧的能量缩放到0-1之间。目的是消除音量差异。但要注意，如果语音中有静音段，能量归一化会把噪声也放大。我建议先做VAD（语音活动检测），只对有效语音段做能量归一化。

3.3.4 我的归一化策略

在嵌入式语音唤醒中，我通常用这套组合拳：

1. 先做VAD，去掉静音帧
2. 对有效语音段做能量归一化
3. 做CMVN（按utterance独立计算）
4. 最后做全局均值归一化（可选）

你想想看，这套流程下来，特征对音量、环境噪声、设备差异的鲁棒性都提高了。嗯，当然，具体用哪几步，还得看你的场景。如果算力紧张，只做CMVN也够用。