Saltar al contenido
Volver a los resultados

Coeficientes Cepstrales de Frecuencia Mel (MFCC)

Propuesto por
Steven Davis, Paul Mermelstein
Año
1980
Tipo
Audio feature extraction algorithm
Familia
Audio Signal Processing

Este texto es una traducción automática y aún no se ha revisado. Leer el original en inglés

Tamaño de letra

¿Qué hace?

Los Coeficientes de Frecuencia Mel (MFCCs, por sus siglas en inglés) son una representación compacta de características de audio que imitan la percepción auditiva humana.

Introducidos por Davis y Mermelstein en 1980, los MFCCs son el método de extracción de características de facto para el reconocimiento del habla y el análisis de sonidos ambientales. Comprimen la información de frecuencia de las señales de audio en un pequeño conjunto de coeficientes que capturan el contenido fonético mientras descartan detalles irrelevantes.

La intuición detrás del método

La audición humana no es lineal en frecuencia; percibimos el tono logarítmicamente y somos más sensibles a las frecuencias bajas. Los MFCCs explotan esto: en lugar de usar una escala de frecuencia lineal (Hz), utilizan la escala mel, que deforma la frecuencia para que coincida con la percepción humana. El audio se descompone por frecuencia, se transforma a la escala mel, se comprime mediante logaritmo y transformada de coseno, produciendo ~13 números que capturan la 'forma' del espectro. Estos números son notablemente estables entre hablantes y robustos al ruido, lo que los hace ideales para el procesamiento del habla.

Historia

Davis y Mermelstein publicaron los MFCCs en 1980, basándose en trabajos anteriores sobre la escala mel y el análisis cepstral. Los MFCCs se convirtieron en el estándar en el reconocimiento del habla durante las décadas de 1990-2000, utilizados en sistemas como HTK y Sphinx. Con el auge del aprendizaje profundo, los MFCCs siguen siendo populares como características de entrada para redes neuronales, aunque las representaciones aprendidas (por ejemplo, a partir de espectrogramas) son cada vez más competitivas.

Cuándo usarlo

Usar MFCCs para reconocimiento del habla, identificación del hablante, detección de emociones y clasificación de sonidos ambientales. Son el estándar de la industria para sistemas de reconocimiento automático del habla (ASR) y modelos de aprendizaje profundo. Aplicar a señales de audio con habla clara o estructura ambiental. Evitar para análisis de música sin modificación (la música requiere características diferentes como flujo espectral o croma).

Limitaciones y consideraciones

  • Descarta información de fase; no se puede reconstruir el audio solo a partir de MFCCs
  • Asume estacionariedad dentro de los fotogramas; las características a corto plazo pierden patrones a largo plazo (superado con delta/aceleración)
  • No óptimo para música; las características musicales (centroide espectral, croma, etc.) suelen ser mejores
  • Sensible a las características del micrófono y al ruido de fondo (requiere normalización)

Las condiciones de la fuente no sustituyen una revisión científica independiente ni la validación por un motor de análisis.

Fortalezas

  • Representación compacta (~13 coeficientes por fotograma) reduce el costo computacional y el almacenamiento
  • Alineado con la percepción auditiva humana; captura información perceptualmente importante
  • Robusto a la variabilidad del hablante y al ruido moderado
  • Ampliamente implementado en marcos de reconocimiento del habla (HTK, Kaldi, TensorFlow)

Aplicaciones

  • Reconocimiento automático del habla en dispositivos de consumo (asistentes de voz, dictado)
  • Identificación y verificación del hablante para aplicaciones de seguridad
  • Reconocimiento de emociones a partir del habla en aplicaciones de atención al cliente y salud mental
  • Clasificación de sonidos ambientales para vigilancia y monitoreo acústico

Cómo funciona

Cómo funciona

1

Grabar la señal de audio a una frecuencia de muestreo estándar (típicamente 16 kHz para el habla).

2

Dividir el audio en fotogramas cortos (20-40 ms, superpuestos); aplicar una función de ventana (ventana de Hamming) para reducir la fuga espectral.

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

Calcular la transformada rápida de Fourier (FFT) de cada fotograma; aplicar un banco de filtros triangulares espaciados en la escala mel.

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

Tomar el logaritmo de la potencia en la escala mel; aplicar la transformada discreta de coseno (DCT) para decorrelacionar las características.

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

Retener los primeros 12-13 coeficientes MFCC (más derivadas de delta y aceleración); usar para clasificación o agrupamiento.

Errores comunes

  • Usar demasiados o muy pocos coeficientes MFCC; típicamente 12-13 son óptimos para el habla
  • Negligencia de los coeficientes delta y de aceleración; estos mejoran significativamente el reconocimiento del habla
  • Fallo en la normalización de características entre hablantes o condiciones; la normalización por puntuación z es esencial

Preguntas frecuentes

¿Por qué usar la escala mel en lugar de Hz?

La audición humana percibe el tono logarítmicamente, no linealmente. La escala mel refleja esto: 1 mel corresponde a 1 cambio perceptible en el tono. Agrupar frecuencias por escala mel captura mejor las diferencias perceptuales.

¿Qué son los coeficientes delta y de aceleración?

Los coeficientes delta capturan la tasa de cambio de los MFCCs en el tiempo; los coeficientes de aceleración capturan la segunda derivada. Añadir estos a los MFCCs estáticos mejora significativamente el reconocimiento del habla (vector de características de ~39 números en lugar de 13).

¿Cómo elijo el número de coeficientes MFCC?

Para el habla, 12-13 coeficientes estáticos son estándar. Incluyendo deltas y aceleraciones, usar 39-40 en total (13 × 3). Para diferentes dominios o frecuencias de muestreo, experimente; más coeficientes capturan más detalles pero pueden sobreajustarse.

Métodos relacionados

Fuentes

  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.

    Abrir referencia DOI
    Copiado.
  2. Young, S. J., Evermann, G., Gales, M. J., et al. (1996). The HTK Book. Cambridge University Engineering Department.

    Abrir referencia de la publicación
    Copiado.
  3. Moustakides, G. V., & Rougui, J. A. (2004). Optimal filtering for polynomial signal models. IEEE Transactions on Signal Processing, 52(8), 2219-2230.

    Abrir referencia de la publicación
    Copiado.