मेल-फ़्रीक्वेंसी सेप्स्ट्रल गुणांक
मेल-फ़्रीक्वेंसी सेप्स्ट्रल गुणांक (एमएफसीसी) संख्याओं का एक कॉम्पैक्ट सेट है जो ध्वनि के आवृत्ति स्पेक्ट्रम के आकार को संक्षेप में प्रस्तुत करता है जिस तरह से मानव कान इसे समझते हैं।
सिंहावलोकन
For decades they were the workhorse feature for speech recognition, speaker identification, and music analysis.
गहरा गोता
एमएफसीसी ऑडियो के एक छोटे टुकड़े को लगभग 13 नंबरों में परिवर्तित करता है जो इसके समय को कैप्चर करता है। पाइपलाइन तरंग रूप लेती है, इसे ~ 25 एमएस फ्रेम में तोड़ती है, फूरियर ट्रांसफॉर्म के माध्यम से पावर स्पेक्ट्रम की गणना करती है, फिर मेल स्केल पर आवृत्ति अक्ष को घुमाती है, जो कोक्लीअ के तरीके से बैंड करती है: 1 किलोहर्ट्ज़ से नीचे और मोटे तौर पर ऊपर। मेल ऊर्जाएं लॉग-संपीड़ित होती हैं (जोर की धारणा की नकल करती हैं) और अंत में एक अलग कोसाइन परिवर्तन से गुजरती हैं, जो उन्हें सजाती है और जानकारी को पहले कुछ गुणांकों में केंद्रित करती है। परिणाम शोर और स्पीकर पिच के लिए मजबूत है, यही कारण है कि क्लासिक हिडन मार्कोव मॉडल और गॉसियन मिक्सचर मॉडल भाषण प्रणाली गहरी शिक्षा से पहले लगभग सार्वभौमिक रूप से एमएफसीसी पर निर्भर थे।
तकनीकी अंतर्दृष्टि
मेल स्केल मेल = 2595 लॉग10(1 + एफ/700) के साथ पिच धारणा का अनुमान लगाता है, इसलिए समान मेल चरण समान दूरी पर लगते हैं। अंतिम असतत कोसाइन ट्रांसफॉर्म (डीसीटी) 'सेप्स्ट्रल' चरण है: यह लॉग-मेल स्पेक्ट्रम को एक सिग्नल के रूप में मानता है और धीरे-धीरे अलग-अलग स्वर-पथ आकार (कम सेप्स्ट्रल गुणांक, वह हिस्सा जिसे हम रखते हैं) को तेजी से पिच हार्मोनिक्स (उच्च गुणांक, आमतौर पर खारिज कर दिया जाता है) से अलग करता है, स्पीकर पिच से ध्वन्यात्मक पहचान को बड़े करीने से अलग करता है।
सामरिक प्रभाव
पहुंच और पहुंच
यह प्रतिलेखन, कथन और ध्वनि इंटरफेस के माध्यम से पहुंच में सुधार करता है।
लागत और बजट
मीडिया टीमें छोटे बजट में बेहतर ऑडियो तेजी से भेज सकती हैं।
गति और पैमाना
ग्राहक-सामना करने वाली प्रणालियाँ बड़े पैमाने पर बोली जाने वाली बातचीत को संसाधित कर सकती हैं।
मेल-फ़्रीक्वेंसी सेप्स्ट्रल गुणांक का भविष्य
एंड-टू-एंड डीप नेटवर्क तेजी से डीसीटी को छोड़कर सीधे कच्चे वेवफॉर्म या लॉग-मेल स्पेक्ट्रोग्राम से सुविधाओं को सीखते हैं, इसलिए शुद्ध एमएफसीसी अत्याधुनिक एएसआर से लुप्त हो रहे हैं। फिर भी वे हल्के, ऑन-डिवाइस और कम-डेटा कार्यों के लिए लोकप्रिय बने हुए हैं: कीवर्ड स्पॉटिंग, वॉयस एक्टिविटी डिटेक्शन, ऑडियो फ़िंगरप्रिंटिंग और बायोकॉस्टिक्स। उम्मीद है कि एमएफसीसी एक कुशल, व्याख्या योग्य आधार रेखा के रूप में बनी रहेगी, भले ही सीखा हुआ फ्रंट-एंड बड़े मॉडलों पर हावी हो।
वास्तविक विश्व कार्यान्वयन
शुरुआती स्फिंक्स और एचटीके सिस्टम जैसे क्लासिक एचएमएम-जीएमएम भाषण पहचानकर्ताओं के लिए ध्वनिक विशेषताएं
स्पीकर सत्यापन और डायराइज़ेशन, यह पहचानना कि कॉल पर कौन बात कर रहा है
संगीत शैली वर्गीकरण और गीत फ़िंगरप्रिंटिंग (शाज़म-शैली समय मिलान)
औद्योगिक और जैव ध्वनिक निगरानी में ऑडियो से मशीन की खराबी या जानवरों की आवाज़ का पता लगाना
जोखिम और रेलिंग
सहमति के अभाव में आवाज के दुरुपयोग और प्रतिरूपण के जोखिम बढ़ जाते हैं।
उच्चारण, बोलियों या शोर भरे वातावरण में सटीकता कम हो सकती है।
स्पष्ट लेबलिंग के बिना सिंथेटिक ऑडियो को प्रामाणिक भाषण समझने की भूल की जा सकती है।
कार्यान्वयन रोडमैप
वॉयस कैप्चर, क्लोनिंग और पुन: उपयोग के लिए स्पष्ट सहमति प्राप्त करें।
विभिन्न वक्ताओं और पृष्ठभूमि स्थितियों में गुणवत्ता का परीक्षण करें।
परिभाषित करें कि किसी इंसान को आउटपुट की समीक्षा या अनुमोदन कब करना चाहिए।
जवाबदेही के लिए सिंथेटिक ऑडियो को लेबल करें और उद्गम रिकॉर्ड रखें।
अन्वेषण करते रहें
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Mel-Frequency Cepstral Coefficients quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
अगली गाइड
मेल स्पेक्ट्रोग्राम
अक्सर पूछे जाने वाले प्रश्नों
What is Mel-Frequency Cepstral Coefficients?
मेल-फ़्रीक्वेंसी सेप्स्ट्रल गुणांक (एमएफसीसी) संख्याओं का एक कॉम्पैक्ट सेट है जो ध्वनि के आवृत्ति स्पेक्ट्रम के आकार को संक्षेप में प्रस्तुत करता है जिस तरह से मानव कान इसे समझते हैं। दशकों तक वे वाक् पहचान, वक्ता पहचान और संगीत विश्लेषण के लिए वर्कहॉर्स सुविधा थे।
एमएफसीसी में 'मेल' का तात्पर्य क्या है?
मेल स्केल आवृत्ति को विकृत करता है ताकि समान कदमों की ध्वनि मनुष्यों के लिए समान रूप से दूर हो, कम आवृत्तियों पर सूक्ष्मता से और उच्च आवृत्तियों पर मोटे तौर पर।
सेप्स्ट्रल गुणांक उत्पन्न करने के लिए अंतिम रूप से कौन सा परिवर्तन लागू किया जाता है?
लॉग-मेल ऊर्जाओं की गणना करने के बाद, एक अलग कोसाइन परिवर्तन उन्हें सजाता है और जानकारी को पहले कुछ गुणांकों में पैक करता है।
एमएफसीसी स्पीकर की पिच के लिए अपेक्षाकृत मजबूत क्यों हैं?
कम सेप्स्ट्रल गुणांक स्वर-पथ लिफाफे (ध्वन्यात्मक सामग्री) को कैप्चर करते हैं जबकि उच्च वाले पिच को कैप्चर करते हैं, इसलिए निम्न को रखने से पिच पर जोर नहीं पड़ता है।
आमतौर पर प्रति फ्रेम कितने एमएफसीसी गुणांक रखे जाते हैं?
एक आम पसंद लगभग 13 गुणांक हैं, जो कभी-कभी उनके डेल्टा के साथ संवर्धित होते हैं, जो लकड़ी को संक्षिप्त रूप से सारांशित करते हैं।
लॉग को मेल-बैंड ऊर्जाओं पर क्यों लागू किया जाता है?
मानव ज़ोर की धारणा मोटे तौर पर लघुगणकीय है, इसलिए लॉग संपीड़न सुविधाओं को बेहतर मिलान धारणा बनाता है और गतिशील रेंज को स्थिर करता है।