الانتقال إلى المحتوى
العودة إلى نتائج البحث

معاملات كيبسترال بمقياس ميل (MFCC)

قدّمه
Steven Davis, Paul Mermelstein
السنة
1980
النوع
Audio feature extraction algorithm
العائلة
Audio Signal Processing

هذا النص ترجمة آلية ولم تتم مراجعته بعد. اقرأ النص الأصلي بالإنجليزية

حجم الخط

ماذا تفعل؟

معاملات كيبسترال بمقياس ميل (MFCCs) هي تمثيل موجز لسمات الصوت تحاكي الإدراك السمعي البشري. قُدّمت هذه المعاملات بواسطة ديفيس وميرملشتاين في عام 1980، وهي الطريقة القياسية لاستخلاص السمات في التعرف على الكلام وتحليل الأصوات البيئية. فهي تضغط المعلومات الترددية لإشارات الصوت إلى مجموعة صغيرة من المعاملات التي تلتقط المحتوى الصوتي مع تجاهل التفاصيل غير ذات الصلة.

الفكرة الحدسية وراء الطريقة

السمع البشري ليس خطيًا من حيث التردد؛ ندرك حدة الصوت بشكل لوغاريتمي، ونحن أكثر حساسية للترددات المنخفضة. تستغل معاملات MFCCs ذلك: فبدلاً من استخدام مقياس تردد خطي (هرتز)، فإنها تستخدم مقياس الميل (mel scale)، الذي يشوه التردد ليطابق الإدراك البشري. يتم تحليل الصوت حسب التردد، وتحويله إلى مقياس الميل، وضغطه عبر التحويل اللوغاريتمي وتحويل جيب التمام (cosine transform)، مما ينتج عنه حوالي 13 معاملًا تلتقط 'شكل' الطيف. هذه المعاملات مستقرة بشكل ملحوظ عبر المتحدثين وقوية ضد الضوضاء، مما يجعلها مثالية لمعالجة الكلام.

التاريخ

نشر ديفيس وميرملشتاين معاملات MFCCs في عام 1980، بالاعتماد على أعمال سابقة على مقياس الميل والتحليل الكيبسترالي. أصبحت معاملات MFCCs المعيار في التعرف على الكلام خلال التسعينيات والعقد الأول من القرن الحادي والعشرين، واستخدمت في أنظمة مثل HTK و Sphinx. مع ظهور التعلم العميق، ظلت معاملات MFCCs شائعة كسمات إدخال للشبكات العصبية، على الرغم من أن التمثيلات المتعلمة (على سبيل المثال، من المخططات الطيفية) أصبحت تنافسية بشكل متزايد.

متى تُستخدم

استخدام معاملات MFCCs للتعرف على الكلام، وتحديد هوية المتحدث، وكشف المشاعر، وتصنيف الأصوات البيئية. إنها المعيار الصناعي لأنظمة التعرف التلقائي على الكلام (ASR) ونماذج التعلم العميق. تطبيقها على إشارات الصوت مع كلام واضح أو بنية بيئية. تجنب استخدامها لتحليل الموسيقى دون تعديل (تتطلب الموسيقى سمات مختلفة مثل التدفق الطيفي أو الكروما).

الحدود والاعتبارات

  • تتجاهل معلومات الطور؛ لا يمكن إعادة بناء الصوت من معاملات MFCCs وحدها.
  • تفترض الثبات داخل الإطارات؛ السمات قصيرة المدى تفوت الأنماط طويلة المدى (يمكن التغلب على ذلك باستخدام دلتا/التسارع).
  • ليست مثالية للموسيقى؛ سمات الموسيقى (المركز الطيفي، الكروما، إلخ) غالبًا ما تكون أفضل.
  • حساسة لخصائص الميكروفون وضوضاء الخلفية (تتطلب تطبيعًا).

لا تغني شروط المصدر عن المراجعة العلمية المستقلة أو التحقق بواسطة محرك تحليل.

نقاط القوة

  • التمثيل الموجز (حوالي 13 معاملًا لكل إطار) يقلل التكلفة الحسابية والتخزين.
  • متوافقة مع الإدراك السمعي البشري؛ تلتقط المعلومات المهمة إدراكيًا.
  • قوية ضد تباين المتحدث والضوضاء المعتدلة.
  • مطبقة على نطاق واسع في أطر التعرف على الكلام (HTK, Kaldi, TensorFlow).

التطبيقات

  • التعرف التلقائي على الكلام في الأجهزة الاستهلاكية (المساعدون الصوتيون، الإملاء).
  • تحديد هوية المتحدث والتحقق منه لتطبيقات الأمان.
  • التعرف على المشاعر من الكلام في تطبيقات خدمة العملاء والصحة العقلية.
  • تصنيف الأصوات البيئية للمراقبة والرصد الصوتي.

كيف يعمل

كيف يعمل

1

تسجيل إشارة الصوت بمعدل أخذ عينات قياسي (عادة 16 كيلو هرتز للكلام).

2

تقسيم الصوت إلى إطارات قصيرة (20-40 مللي ثانية، متداخلة)؛ تطبيق دالة نافذة (نافذة هامينغ) لتقليل تسرب الطيف.

الصيغة
\text{Frame audio into overlapping windows; apply windowing function (Hamming)}
3

حساب تحويل فورييه السريع (FFT) لكل إطار؛ تطبيق بنك من المرشحات المثلثية المتباعدة على مقياس الميل.

الصيغة
\text{Compute short-time Fourier transform (STFT); apply mel-scale filter bank}
4

أخذ لوغاريتم طاقة مقياس الميل؛ تطبيق تحويل جيب التمام المنفصل (DCT) لفك ارتباط السمات.

الصيغة
\text{Compute DCT (discrete cosine transform) of log mel-power; retain first 12-13 coefficients}
5

الاحتفاظ بأول 12-13 معامل MFCC (بالإضافة إلى مشتقات دلتا والتسارع)؛ استخدامها للتصنيف أو التجميع.

الأخطاء الشائعة

  • استخدام عدد كبير جدًا أو قليل جدًا من معاملات MFCCs؛ عادة ما يكون 12-13 مثاليًا للكلام.
  • إهمال معاملات دلتا والتسارع؛ هذه تحسن التعرف على الكلام بشكل كبير.
  • الفشل في تطبيع السمات عبر المتحدثين أو الظروف؛ التوحيد المعياري (z-score) ضروري.

الأسئلة الشائعة

لماذا نستخدم مقياس الميل بدلاً من هرتز؟

يدرك السمع البشري حدة الصوت بشكل لوغاريتمي، وليس خطيًا. يعكس مقياس الميل ذلك: 1 ميل يتوافق مع تغيير واحد ملحوظ بالكاد في حدة الصوت. تجميع الترددات حسب مقياس الميل يلتقط الاختلافات الإدراكية بشكل أفضل.

ما هي معاملات دلتا والتسارع؟

تلتقط معاملات دلتا معدل تغير معاملات MFCCs بمرور الوقت؛ تلتقط معاملات التسارع المشتقة الثانية. إضافة هذه إلى معاملات MFCCs الثابتة يحسن التعرف على الكلام بشكل كبير (متجه السمات حوالي 39 معاملًا بدلاً من 13).

كيف أختار عدد معاملات MFCCs؟

بالنسبة للكلام، فإن 12-13 معاملًا ثابتًا هي المعيار. بما في ذلك دلتا والتسارع، استخدم 39-40 إجمالاً (13 × 3). بالنسبة لمجالات أو معدلات عينة مختلفة، قم بالتجربة؛ المزيد من المعاملات تلتقط المزيد من التفاصيل ولكن يمكن أن تؤدي إلى فرط الملاءمة (overfitting).

طرق ذات صلة

المصادر

  1. Davis, S., & Mermelstein, P. (1980). Comparison of parametric representations for monosyllabic word recognition in continuously spoken sentences. IEEE Transactions on Acoustics, Speech, and Signal Processing, 28(4), 357-366.

    افتح مرجع DOI
    تم النسخ.
  2. Young, S. J., Evermann, G., Gales, M. J., et al. (1996). The HTK Book. Cambridge University Engineering Department.

    افتح مرجع المنشور
    تم النسخ.
  3. Moustakides, G. V., & Rougui, J. A. (2004). Optimal filtering for polynomial signal models. IEEE Transactions on Signal Processing, 52(8), 2219-2230.

    افتح مرجع المنشور
    تم النسخ.