Mel-Frequency Cepstral Coefficients
Mel-Frequency Cepstral Coefficients (MFCCs) ni seti chanya ya nambari ambayo ni muhtasari wa umbo la masafa ya masafa ya sauti jinsi masikio ya binadamu yanavyoitambua.
Muhtasari
For decades they were the workhorse feature for speech recognition, speaker identification, and music analysis.
Dive ya kina
MFCC hubadilisha kipande kifupi cha sauti kuwa takriban nambari 13 zinazonasa sauti yake. Bomba huchukua umbo la mawimbi, huligawanya katika fremu ~25ms, kukokotoa wigo wa nishati kupitia kibadilishaji cha Fourier, kisha kukunja mhimili wa mawimbi hadi kwenye mizani ya kuyeyuka, ambayo hutenganisha mikanda jinsi kochlea hufanya: laini chini ya 1kHz na juu sana. Nishati ya mel hubanwa kwa logi (kuiga mtazamo wa sauti kubwa) na hatimaye kupita kwenye kigeugeu bainifu cha kosini, ambacho huzipamba na kukazia taarifa katika vigawo vichache vya kwanza. Matokeo yake ni thabiti kwa kelele na sauti ya spika, ndiyo maana Mifumo ya usemi ya Siri ya Markov ya zamani na Muundo wa Mchanganyiko wa Gaussian ilitegemea MFCC karibu kote kabla ya kujifunza kwa kina.
Ufahamu wa Kiufundi
Mizani ya mel inakadiria utambuzi wa lami na mel = 2595 log10(1 + f/700), kwa hivyo hatua sawa za kuyeyuka zinasikika kwa nafasi sawa. Kigeuzi cha mwisho cha kosini bainifu (DCT) ni hatua ya 'cepstral': huchukulia wigo wa logi-meli kama ishara na hutenganisha umbo la sauti la sauti linalobadilika polepole (vigawo vya chini vya cepstral, sehemu tunayohifadhi) kutoka kwa sauti za sauti za haraka (vibali vya juu, kwa kawaida hutupwa), ikitenganisha kwa ustadi utambulisho wa fonetiki kutoka kwa sauti ya mzungumzaji.
Athari za kimkakati
Kufikia na kufikia
Huboresha ufikiaji kupitia manukuu, simulizi na violesura vya sauti.
Cost and budget
Timu za media zinaweza kusafirisha sauti iliyoboreshwa haraka na bajeti ndogo.
Kasi na kiwango
Mifumo inayowakabili wateja inaweza kuchakata mwingiliano wa mazungumzo kwa kiwango kikubwa.
Mustakabali wa Mel-Frequency Cepstral Coefficients
Mitandao ya kina kutoka mwisho hadi mwisho inazidi kujifunza vipengele moja kwa moja kutoka kwa mawimbi mbichi au spectrogram za log-mel, kuruka DCT, ili MFCC safi zinafifia kutoka kwa ASR ya hali ya juu. Bado zinasalia kuwa maarufu kwa kazi nyepesi, kwenye kifaa, na data ya chini: kugundua maneno muhimu, utambuzi wa shughuli za sauti, uwekaji alama za vidole vya sauti, na bioacoustic. Tarajia MFCCs kuendelea kama msingi bora, unaoweza kufasiriwa hata kama sehemu za mbele zilizojifunza hutawala miundo mikubwa.
Utekelezaji wa Ulimwengu Halisi
Vipengele vya sauti vya vitambulishi vya kawaida vya matamshi vya HMM-GMM kama vile mifumo ya mapema ya Sphinx na HTK
Uthibitishaji wa mzungumzaji na uwekaji kumbukumbu, kutofautisha ni nani anayezungumza kwenye simu
Uainishaji wa aina ya muziki na uwekaji alama za vidole vya wimbo (mtindo wa Shazam unaolingana na timbre)
Kugundua hitilafu za mashine au simu za wanyama kutoka kwa sauti katika ufuatiliaji wa viwanda na bioacoustic
Hatari & Walinzi
Hatari za matumizi mabaya ya sauti na uigaji huongezeka wakati kibali kinakosekana.
Usahihi unaweza kushuka katika lafudhi, lahaja au mazingira yenye kelele.
Sauti ya syntetisk inaweza kudhaniwa kimakosa kuwa usemi halisi bila kuweka lebo wazi.
Ramani ya Utekelezaji
Pata idhini ya moja kwa moja ya kunasa sauti, kuunda na kutumia tena.
Jaribu ubora kwenye spika na hali mbalimbali za usuli.
Bainisha wakati ni lazima binadamu akague au aidhinishe matokeo.
Weka lebo sauti ya sintetiki na uhifadhi rekodi za asili kwa uwajibikaji.
Endelea Kuchunguza
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
Mwongozo unaofuata
Mel Spectrograms
Maswali yanayoulizwa mara kwa mara
What is Mel-Frequency Cepstral Coefficients?
Mel-Frequency Cepstral Coefficients (MFCCs) ni seti chanya ya nambari ambayo ni muhtasari wa umbo la masafa ya masafa ya sauti jinsi masikio ya binadamu yanavyoitambua. Kwa miongo kadhaa vilikuwa kipengele muhimu cha utambuzi wa usemi, kitambulisho cha mzungumzaji, na uchanganuzi wa muziki.
Je, 'mel' katika MFCC inarejelea nini?
Masafa ya kipimo cha mel hupinda ili hatua sawa zisikike kwa umbali sawa kwa wanadamu, zikiwa zimetenganishwa vyema kwa masafa ya chini na kwa ukali kwa zile za juu.
Ni mabadiliko gani yanayotumika mwisho kutoa mgawo wa cepstral?
Baada ya nishati ya log-mel kukokotwa, kibadilishaji cha kosine bainifu huzipamba na hupakia taarifa katika vigawo vichache vya kwanza.
Kwa nini MFCCs ni imara kwa sauti ya mzungumzaji?
Vigawo vya chini vya cepstral hunasa bahasha ya sauti (maudhui ya fonetiki) huku zile za juu zikichukua sauti, kwa hivyo kuweka zile za chini hupunguza msisitizo wa sauti.
Takriban vigawo vingapi vya MFCC huwekwa kwa kila fremu?
Chaguo la kawaida ni kuhusu coefficients 13, wakati mwingine huongezwa na deltas zao, ambazo zinafupisha muhtasari wa timbre.
Kwa nini logi inatumika kwa nishati ya mel-band?
Mtazamo wa sauti ya binadamu ni takriban wa logarithmic, kwa hivyo mgandamizo wa logi hufanya vipengele vinavyolingana vyema na kuleta utulivu wa masafa yanayobadilika.