คู่มือเสียง AI

ค่าสัมประสิทธิ์เซปสตรัลความถี่เมล

ค่าสัมประสิทธิ์ Mel-Frequency Cepstral (MFCC) เป็นชุดตัวเลขขนาดเล็กที่สรุปรูปร่างของสเปกตรัมความถี่ของเสียงตามที่หูมนุษย์รับรู้

ฟังคำแนะนำนี้บรรยายโดย AI · ~2 min

บนหน้านี้อ่าน 2 นาที
  1. ภาพรวม
  2. เจาะลึก
  3. การใช้งานจริงในโลกแห่งความเป็นจริง
  4. อนาคตของค่าสัมประสิทธิ์เซปสตรัลความถี่เมล
  5. การนำไปปฏิบัติ
  6. สำรวจต่อไป
  7. คำถามที่พบบ่อย

ภาพรวม

For decades they were the workhorse feature for speech recognition, speaker identification, and music analysis.

เจาะลึก

MFCC จะแปลงเสียงช่วงสั้นๆ ให้กลายเป็นตัวเลขประมาณ 13 ตัวที่จับเสียงของมัน ไปป์ไลน์ใช้รูปคลื่น แบ่งออกเป็นเฟรม ~ 25 มิลลิวินาที คำนวณสเปกตรัมพลังงานผ่านการแปลงฟูริเยร์ จากนั้นบิดแกนความถี่ไปบนสเกลเมล ซึ่งแบ่งย่านความถี่ตามวิธีที่คอเคลียทำ: ให้ต่ำกว่า 1kHz อย่างประณีตและสูงกว่าอย่างหยาบ พลังงานเมลจะถูกบีบอัด (เลียนแบบการรับรู้ความดัง) และในที่สุดก็ผ่านการแปลงโคไซน์แบบไม่ต่อเนื่อง ซึ่งเชื่อมโยงพวกมันเข้าด้วยกันและรวมข้อมูลไว้ในค่าสัมประสิทธิ์สองสามตัวแรก ผลลัพธ์ที่ได้คือทนทานต่อเสียงรบกวนและระดับเสียงของลำโพง ซึ่งเป็นเหตุผลว่าทำไมระบบเสียงพูด Hidden Markov Model และ Gaussian Mixture Model แบบคลาสสิกจึงอาศัย MFCC เกือบเป็นสากลก่อนการเรียนรู้เชิงลึก

การใช้งานจริงในโลกแห่งความเป็นจริง

คุณสมบัติด้านเสียงสำหรับโปรแกรมรู้จำเสียงพูด HMM-GMM แบบคลาสสิก เช่น ระบบ Sphinx และ HTK ในยุคแรกๆ

การตรวจสอบผู้พูดและการถอดเสียง แยกแยะว่าใครกำลังพูดสายอยู่

การจำแนกแนวเพลงและลายนิ้วมือของเพลง (การจับคู่เสียงสไตล์ Shazam)

การตรวจจับความผิดปกติของเครื่องจักรหรือเสียงเรียกของสัตว์จากเสียงในการเฝ้าติดตามทางอุตสาหกรรมและชีวอะคูสติก

อนาคตของค่าสัมประสิทธิ์เซปสตรัลความถี่เมล

เครือข่ายระดับลึกแบบ end-to-end เรียนรู้คุณสมบัติโดยตรงจากรูปคลื่นดิบหรือสเปกโตรแกรม log-mel มากขึ้น โดยข้าม DCT ดังนั้น MFCC ที่บริสุทธิ์จึงจางหายไปจาก ASR ที่ล้ำสมัย แต่ยังคงได้รับความนิยมสำหรับงานที่มีน้ำหนักเบา บนอุปกรณ์ และใช้ข้อมูลน้อย เช่น การจำแนกคีย์เวิร์ด การตรวจจับกิจกรรมเสียง ลายนิ้วมือของเสียง และอะคูสติกชีวภาพ คาดหวังให้ MFCC ยังคงเป็นพื้นฐานที่มีประสิทธิภาพและสามารถตีความได้ แม้ว่าส่วนหน้าที่เรียนรู้จะครองโมเดลขนาดใหญ่ก็ตาม

การนำไปปฏิบัติ

ทำไมมันถึงสำคัญ

  • เข้าถึงและเข้าถึง. ปรับปรุงการเข้าถึงผ่านการถอดเสียง คำบรรยาย และอินเทอร์เฟซเสียง
  • ต้นทุนและงบประมาณ. ทีมสื่อสามารถจัดส่งเสียงที่สวยงามได้รวดเร็วยิ่งขึ้นด้วยงบประมาณที่น้อยลง
  • ความเร็วและขนาด. ระบบที่ติดต่อกับลูกค้าสามารถประมวลผลการโต้ตอบด้วยเสียงในขนาดที่ใหญ่ขึ้น

ระวัง

  • การใช้เสียงในทางที่ผิดและการแอบอ้างบุคคลอื่นมีความเสี่ยงเพิ่มขึ้นเมื่อขาดความยินยอม
  • ความแม่นยำอาจลดลงตามสำเนียง ภาษาถิ่น หรือสภาพแวดล้อมที่มีเสียงดัง
  • เสียงสังเคราะห์อาจถูกเข้าใจผิดว่าเป็นเสียงพูดที่แท้จริงโดยไม่มีการกำกับที่ชัดเจน

ขั้นตอนต่อไป

  1. ได้รับความยินยอมอย่างชัดแจ้งสำหรับการจับเสียง การโคลน และการใช้ซ้ำ
  2. ทดสอบคุณภาพกับลำโพงและสภาพพื้นหลังที่หลากหลาย
  3. กำหนดเวลาที่มนุษย์จะต้องตรวจสอบหรืออนุมัติผลลัพธ์
  4. ติดป้ายกำกับเสียงสังเคราะห์และเก็บบันทึกที่มาเพื่อความรับผิดชอบ

สำรวจต่อไป

จดหมายข่าวฟรี

รับสรุป AI รายวัน

เรื่องราว AI ที่ตรวจสอบแล้ว 3 เรื่องทุกวันทำงาน เช้า, เขียนเป็นภาษาอังกฤษธรรมดา ฟรีตลอดไป ไม่มีโฆษณา

อีเมลหนึ่งฉบับทุกวันทำงาน ยกเลิกการสมัครในคลิกเดียว เราไม่เคยขายหรือแชร์ที่อยู่อีเมลของคุณ

ทดสอบตัวเอง

Take the Mel-Frequency Cepstral Coefficients quiz

ข้อเสนอแนะทันทีสำหรับทุกคำตอบ และใบรับรองที่สามารถแชร์ได้พร้อม ID ที่ตรวจสอบได้เมื่อคุณผ่านหลักสูตร

เริ่มแบบทดสอบ

สนับสนุนการศึกษา AI ฟรี AI Understanding เป็นองค์กรไม่แสวงหาผลกำไร 501(c)(3) — ไม่มีโฆษณา ไม่มีกำแพงเงิน, ตลอดไป บริจาค

คำถามที่พบบ่อย

What is Mel-Frequency Cepstral Coefficients?

ค่าสัมประสิทธิ์ Mel-Frequency Cepstral (MFCC) เป็นชุดตัวเลขขนาดเล็กที่สรุปรูปร่างของสเปกตรัมความถี่ของเสียงตามที่หูมนุษย์รับรู้ เป็นเวลาหลายทศวรรษที่คุณสมบัติเหล่านี้ทำหน้าที่เป็นเครื่องมือสำคัญในการรู้จำเสียง การระบุผู้พูด และการวิเคราะห์เพลง

'mel' ใน MFCC หมายถึงอะไร

เมลสเกลความถี่แปรปรวนเพื่อให้ขั้นตอนที่เท่ากันฟังดูห่างไกลจากมนุษย์เท่าๆ กัน โดยเว้นระยะห่างอย่างประณีตที่ความถี่ต่ำและหยาบที่ความถี่สูง

การแปลงแบบใดถูกใช้ครั้งสุดท้ายเพื่อสร้างสัมประสิทธิ์ช่องท้อง

หลังจากคำนวณพลังงานล็อกเมลแล้ว การแปลงโคไซน์แบบไม่ต่อเนื่องจะสัมพันธ์กันและรวมข้อมูลไว้ในค่าสัมประสิทธิ์สองสามค่าแรก

เหตุใด MFCC จึงค่อนข้างแข็งแกร่งต่อระดับเสียงของผู้พูด

ค่าสัมประสิทธิ์ช่องท้องต่ำจะจับขอบเขตเสียงร้อง (เนื้อหาเกี่ยวกับการออกเสียง) ในขณะที่ค่าสัมประสิทธิ์ที่สูงจะจับระดับเสียงสูง ดังนั้นค่าสัมประสิทธิ์ของช่องเสียงต่ำจะลดระดับเสียงลง

โดยทั่วไปแล้วค่าสัมประสิทธิ์ MFCC จะถูกเก็บไว้ประมาณเท่าใดต่อเฟรม

ตัวเลือกทั่วไปคือประมาณ 13 ค่าสัมประสิทธิ์ ซึ่งบางครั้งก็เติมด้วยเดลต้าซึ่งสรุปเสียงต่ำอย่างแน่นหนา

เหตุใดจึงใช้บันทึกกับพลังงานเมลแบนด์

การรับรู้ความดังของมนุษย์เป็นลอการิทึมโดยประมาณ ดังนั้นการบีบอัดบันทึกทำให้คุณสมบัติตรงกับการรับรู้ได้ดีขึ้น และทำให้ช่วงไดนามิกคงที่

เรียนรู้ต่อไป

คำแนะนำที่เกี่ยวข้อง

คำแนะนำเพิ่มเติมที่เลือกสำหรับหัวข้อนี้

รับใบรับรอง AI ฟรีหลักสูตรและการสอบสั้น ๆ ฟรี ไม่มีค่าใช้จ่าย ไม่มีบัตรเครดิต ประมาณ 2.5 ชั่วโมงเริ่มต้นฟรี →