Skip to content
Voltar aos resultados

Coeficientes Cepstrais de Frequência Mel (MFCCs)

Proposto por
Steven Davis, Paul Mermelstein
Ano
1980
Tipo
Audio feature extraction algorithm
Família
Audio Signal Processing

Este texto é uma tradução automática e ainda não foi revisado. Ler o original em inglês

Tamanho da fonte

O que ele faz?

Os Coeficientes Cepstrais de Frequência Mel (MFCCs) são uma representação compacta de características de áudio que imitam a percepção auditiva humana.

Introduzidos por Davis e Mermelstein em 1980, os MFCCs são o método de extração de características de facto para reconhecimento de fala e análise de sons ambientais. Eles comprimem a informação de frequência de sinais de áudio num pequeno conjunto de coeficientes que capturam o conteúdo fonético, descartando detalhes irrelevantes.

A intuição por trás do método

A audição humana não é linear em frequência; percebemos o tom de forma logarítmica e somos mais sensíveis a frequências mais baixas. Os MFCCs exploram isso: em vez de usar uma escala de frequência linear (Hz), eles usam a escala mel, que distorce a frequência para corresponder à percepção humana. O áudio é decomposto por frequência, transformado para a escala mel, comprimido via logaritmo e transformada de cosseno, resultando em ~13 números que capturam a 'forma' do espectro. Estes números são notavelmente estáveis entre falantes e robustos a ruído, tornando-os ideais para processamento de fala.

História

Davis e Mermelstein publicaram os MFCCs em 1980, baseando-se em trabalhos anteriores sobre a escala mel e análise cepstral. Os MFCCs tornaram-se o padrão no reconhecimento de fala durante as décadas de 1990-2000, usados em sistemas como HTK e Sphinx. Com o advento da aprendizagem profunda, os MFCCs permanecem populares como características de entrada para redes neurais, embora representações aprendidas (por exemplo, a partir de espectrogramas) sejam cada vez mais competitivas.

Quando usar

Usar MFCCs para reconhecimento de fala, identificação de locutor, deteção de emoção e classificação de sons ambientais. São o padrão da indústria para sistemas de reconhecimento automático de fala (ASR) e modelos de aprendizagem profunda. Aplicar a sinais de áudio com fala clara ou estrutura ambiental. Evitar para análise de música sem modificação (música requer características diferentes, como fluxo espectral ou croma).

Limitações e considerações

  • Descarta informação de fase; não é possível reconstruir áudio apenas a partir de MFCCs
  • Assume estacionariedade dentro dos quadros; características de curto prazo perdem padrões de longo prazo (superado com delta/aceleração)
  • Não é ótimo para música; características musicais (centroide espectral, croma, etc.) são frequentemente melhores
  • Sensível às características do microfone e ao ruído de fundo (requer normalização)

As condições da fonte não substituem a revisão científica independente nem a validação por um motor de análise.

Pontos fortes

  • Representação compacta (~13 coeficientes por quadro) reduz o custo computacional e o armazenamento
  • Alinhado com a percepção auditiva humana; captura informações perceptualmentes importantes
  • Robusto à variabilidade do falante e a ruído moderado
  • Amplamente implementado em frameworks de reconhecimento de fala (HTK, Kaldi, TensorFlow)

Aplicações

  • Reconhecimento automático de fala em dispositivos de consumo (assistentes de voz, ditado)
  • Identificação e verificação de locutor para aplicações de segurança
  • Reconhecimento de emoção a partir da fala em aplicações de atendimento ao cliente e saúde mental
  • Classificação de sons ambientais para vigilância e monitoramento acústico

Como funciona

Como funciona

1

Gravar o sinal de áudio a uma taxa de amostragem padrão (tipicamente 16 kHz para fala).

2

Dividir o áudio em quadros curtos (20-40 ms, sobrepostos); aplicar uma função de janelamento (janela de Hamming) para reduzir o vazamento espectral.

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

Calcular a transformada de Fourier rápida (FFT) de cada quadro; aplicar um banco de filtros triangulares espaçados na escala mel.

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

Obter o logaritmo da potência na escala mel; aplicar a transformada discreta de cosseno (DCT) para descorrelacionar as características.

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

Reter os primeiros 12-13 coeficientes MFCC (mais derivadas de delta e aceleração); usar para classificação ou agrupamento.

Erros comuns

  • Uso de um número excessivo ou insuficiente de coeficientes MFCC; tipicamente 12-13 são ótimos para fala
  • Negligência dos coeficientes delta e aceleração; estes melhoram significativamente o reconhecimento de fala
  • Falha na normalização das características entre falantes ou condições; a normalização por z-score é essencial

Perguntas frequentes

Por que usar a escala mel em vez de Hz?

A audição humana percebe o tom de forma logarítmica, não linear. A escala mel reflete isso: 1 mel corresponde a 1 variação de tom apenas-perceptível. Agrupar frequências pela escala mel captura melhor as diferenças perceptuais.

O que são coeficientes delta e aceleração?

Os coeficientes delta capturam a taxa de variação dos MFCCs ao longo do tempo; os coeficientes de aceleração capturam a segunda derivada. Adicionar estes aos MFCCs estáticos melhora significativamente o reconhecimento de fala (vetor de características de ~39 números em vez de 13).

Como escolho o número de coeficientes MFCC?

Para fala, 12-13 coeficientes estáticos são padrão. Incluindo deltas e acelerações, use 39-40 no total (13 × 3). Para domínios ou taxas de amostragem diferentes, experimente; mais coeficientes capturam mais detalhes, mas podem levar a sobreajuste (overfitting).

Métodos relacionados

Fontes

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

    Abrir referência da publicação
    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 referência da publicação
    Copiado.