คู่มือเสียง AI
ค่าสัมประสิทธิ์เซปสตรัลความถี่เมล
ค่าสัมประสิทธิ์ Mel-Frequency Cepstral (MFCC) เป็นชุดตัวเลขขนาดเล็กที่สรุปรูปร่างของสเปกตรัมความถี่ของเสียงตามที่หูมนุษย์รับรู้
ฟังคำแนะนำนี้บรรยายโดย AI · ~2 min
บนหน้านี้อ่าน 2 นาที
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
- ได้รับความยินยอมอย่างชัดแจ้งสำหรับการจับเสียง การโคลน และการใช้ซ้ำ
- ทดสอบคุณภาพกับลำโพงและสภาพพื้นหลังที่หลากหลาย
- กำหนดเวลาที่มนุษย์จะต้องตรวจสอบหรืออนุมัติผลลัพธ์
- 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
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