Zum Inhalt springen
Zurück zu den Suchergebnissen

MFCC (Mel-Frequenz-Cepstral-Koeffizienten)

Eingeführt von
Steven Davis, Paul Mermelstein
Jahr
1980
Typ
Audio feature extraction algorithm
Familie
Audio Signal Processing

Dieser Text ist eine maschinelle Übersetzung und wurde noch nicht geprüft. Original auf Englisch lesen

Schriftgröße

Was leistet sie?

Mel-Frequenz-Cepstral-Koeffizienten (MFCCs) sind eine kompakte Darstellung von Audio-Merkmalen, die die menschliche Hörwahrnehmung nachahmen.

Eingeführt von Davis und Mermelstein im Jahr 1980, sind MFCCs die de-facto-Merkmalsextraktionsmethode für Spracherkennung und die Analyse von Umgebungsgeräuschen. Sie komprimieren die Frequenzinformation von Audiosignalen in eine kleine Menge von Koeffizienten, die phonetischen Inhalt erfassen und irrelevante Details verwerfen.

Die Intuition hinter der Methode

Das menschliche Gehör ist nicht linear in der Frequenz; wir nehmen Tonhöhe logarithmisch wahr und sind empfindlicher für tiefere Frequenzen. MFCCs nutzen dies: Anstatt einer linearen Frequenzskala (Hz) verwenden sie die Mel-Skala, die die Frequenz verzerrt, um die menschliche Wahrnehmung anzupassen. Audio wird nach Frequenz zerlegt, auf die Mel-Skala transformiert, mittels Logarithmus und Kosinustransformation komprimiert, was etwa 13 Zahlen ergibt, die die 'Form' des Spektrums erfassen. Diese Zahlen sind bemerkenswert stabil über Sprecher hinweg und robust gegenüber Rauschen, was sie ideal für die Sprachverarbeitung macht.

Geschichte

Davis und Mermelstein veröffentlichten MFCCs im Jahr 1980, basierend auf früheren Arbeiten zur Mel-Skala und Cepstralanalyse. MFCCs wurden in den 1990er-2000er Jahren zum Standard in der Spracherkennung, verwendet in Systemen wie HTK und Sphinx. Mit dem Aufkommen von Deep Learning bleiben MFCCs als Eingangsmerkmale für neuronale Netze beliebt, obwohl gelernte Darstellungen (z. B. aus Spektrogrammen) zunehmend konkurrenzfähig sind.

Wann wird sie eingesetzt?

Verwendung von MFCCs für Spracherkennung, Sprecheridentifikation, Emotionserkennung und Klassifizierung von Umgebungsgeräuschen. Sie sind Industriestandard für automatische Spracherkennungssysteme (ASR) und Deep-Learning-Modelle. Anwendung auf Audiosignale mit klarer Sprache oder erkennbarer Struktur. Vermeidung bei Musikanalyse ohne Modifikation (Musik erfordert andere Merkmale wie spektralen Fluss oder Chroma).

Grenzen und Hinweise

  • Verwirft Phaseninformationen; Audio kann nicht allein aus MFCCs rekonstruiert werden
  • Annahme von Stationarität innerhalb von Frames; kurzfristige Merkmale verpassen längerfristige Muster (kann durch Delta/Beschleunigung überwunden werden)
  • Nicht optimal für Musik; Musikmerkmale (spektraler Schwerpunkt, Chroma etc.) sind oft besser
  • Empfindlich gegenüber Mikrofoncharakteristiken und Hintergrundrauschen (erfordert Normalisierung)

Die Bedingungen der Quelle ersetzen weder eine unabhängige wissenschaftliche Prüfung noch die Validierung durch eine Analyse-Engine.

Stärken

  • Kompakte Darstellung (~13 Koeffizienten pro Frame) reduziert Rechenaufwand und Speicherbedarf
  • Abgestimmt auf die menschliche Hörwahrnehmung; erfasst wahrnehmungsrelevante Informationen
  • Robust gegenüber Sprechervariabilität und moderatem Rauschen
  • Weit verbreitet in Spracherkennungs-Frameworks (HTK, Kaldi, TensorFlow)

Anwendungen

  • Automatische Spracherkennung in Konsumgeräten (Sprachassistenten, Diktierfunktionen)
  • Sprecheridentifikation und -verifikation für Sicherheitsanwendungen
  • Emotionserkennung aus Sprache in Kundenservice- und psychologischen Gesundheitsanwendungen
  • Klassifizierung von Umgebungsgeräuschen für Überwachungs- und akustische Monitoringzwecke

So funktioniert es

So funktioniert es

1

Aufnahme des Audiosignals mit einer Standard-Abtastrate (typischerweise 16 kHz für Sprache).

2

Aufteilung des Audios in kurze Frames (20-40 ms, überlappend); Anwendung einer Fensterfunktion (Hamming-Fenster) zur Reduzierung von spektralem Leckage.

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

Berechnung der schnellen Fourier-Transformation (FFT) jedes Frames; Anwendung einer Bank von dreieckigen Filtern, die auf der Mel-Skala angeordnet sind.

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

Anwendung des Logarithmus der Mel-Skalen-Leistung; Anwendung der diskreten Kosinustransformation (DCT) zur Entkorrelation der Merkmale.

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

Beibehaltung der ersten 12-13 MFCC-Koeffizienten (plus Delta- und Beschleunigungsableitungen); Verwendung für Klassifizierung oder Clustering.

Häufige Fallstricke

  • Verwendung von zu vielen oder zu wenigen MFCC-Koeffizienten; typischerweise sind 12-13 optimal für Sprache
  • Vernachlässigung von Delta- und Beschleunigungskoeffizienten; diese verbessern die Spracherkennung erheblich
  • Fehlende Normalisierung der Merkmale über Sprecher oder Bedingungen hinweg; Z-Score-Normalisierung ist unerlässlich

Häufig gestellte Fragen

Warum die Mel-Skala anstelle von Hz verwenden?

Das menschliche Gehör nimmt Tonhöhe logarithmisch und nicht linear wahr. Die Mel-Skala spiegelt dies wider: 1 Mel entspricht einer gerade wahrnehmbaren Änderung der Tonhöhe. Die Gruppierung von Frequenzen nach der Mel-Skala erfasst wahrnehmungsbezogene Unterschiede besser.

Was sind Delta- und Beschleunigungskoeffizienten?

Delta-Koeffizienten erfassen die Änderungsrate von MFCCs über die Zeit; Beschleunigungskoeffizienten erfassen die zweite Ableitung. Das Hinzufügen dieser zu den statischen MFCCs verbessert die Spracherkennung erheblich (Merkmalsvektor ~39 Zahlen statt 13).

Wie wähle ich die Anzahl der MFCC-Koeffizienten?

Für Sprache sind 12-13 statische Koeffizienten Standard. Einschließlich Deltas und Beschleunigungen verwenden Sie insgesamt 39-40 (13 × 3). Für unterschiedliche Domänen oder Abtastraten experimentieren Sie; mehr Koeffizienten erfassen mehr Details, können aber zu Überanpassung führen.

Verwandte Methoden

Quellen

  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.

    DOI-Referenz öffnen
    Kopiert.
  2. Young, S. J., Evermann, G., Gales, M. J., et al. (1996). The HTK Book. Cambridge University Engineering Department.

    Publikationsreferenz öffnen
    Kopiert.
  3. Moustakides, G. V., & Rougui, J. A. (2004). Optimal filtering for polynomial signal models. IEEE Transactions on Signal Processing, 52(8), 2219-2230.

    Publikationsreferenz öffnen
    Kopiert.