Кіріспе

Автоматты сөйлеуді тануда қолданылатын сигналды бейнелеу әдісі.
Дыбыс өңдеуде, Мел жиілік сепструмы (MFC) – дыбыстың қысқа мерзімді қуат спектрін бейнелеу болып табылады, ол Мел жиіліктерінің сызықтық емес шкаласындағы логарифмдік қуат спектрінің сызықтық косинус түрлендіруіне негізделген. Мел жиілік кепстральдық коэффициенттері (MFCC) – MFC құрамына кіретін коэффициенттер. Олар аудио үзіндісінің (сызықтық емес «спектрдің спектрі») цепстральдық бейнелеу түрінен шығарылады. Сепструм мен Мел жиілік сепструмы арасындағы айырмашылық – МФК-да жиілік жолақтары Мел шкаласында тең аралықта орналасқан, бұл адамның есту жүйесінің реакциясын, қалыпты спектрде қолданылатын сызықтық аралықтағы жиілік жолақтарына қарағанда жақын көрсетеді. Бұл жиілік бұрмалауы дыбысты жақсырақ бейнелеуге мүмкіндік береді, мысалы, аудио сигналдарының тарату ені мен сақтау талаптарын азайтуға болатын аудио сығымдауда. MFCC әдетте келесідей шығарылады: Сигналдың (терезеленген үзіндінің) Фурье түрлендіруін алыңыз. Алынған спектрдің қуаттарын үшбұрышты немесе косинус жапсарлас терезелерді пайдалана отырып, Мел шкаласына бейнелеңіз. Мел жиіліктеріндегі қуаттардың логарифмдерін алыңыз. Мел логарифмдік қуаттарының дискретті косинус түрлендіруін жүзеге асырыңыз, оны сигнал ретінде қарастырыңыз. MFCC – нәтижесіндегі спектрдің амплитудасы. Бұл процесте әртүрлі өзгерістер болуы мүмкін, мысалы: масштабты бейнелеу үшін қолданылатын терезелердің пішіні немесе арақашықтығы, немесе «дельта» және «дельта-дельта» (бірінші және екінші реттік кадрлар арасындағы айырмашылық) коэффициенттері сияқты динамикалық ерекшеліктерді қосу. 2000 жылдардың басында Еуропалық телекоммуникациялық стандарттар институты ұялы телефондарда қолданылатын стандартталған MFCC алгоритмін анықтады.

Қолданбалар

МФКК-лар сөйлеуді тану жүйелерінде кеңінен қолданылады, мысалы, телефон арқылы айтылған сандарды автоматты түрде танитын жүйелерде. МФКК-лар музыкалық ақпаратты іздеу саласында да қолданыс таппақ, жанрларды жіктеу, аудио ұқсастығын анықтау және басқа да қолданбаларда жиі қолданылады.

Дауысты тану үшін MFCC

Mel жиіліктері MFCC-де тең бөлінгендіктен және адамның дауыс қабылдау жүйесіне ұқсас болғандықтан, MFCC динамиктерді анықтау үшін тиімді қолданылады. Мысалы, оны динамиктің ұялы телефон моделін анықтау үшін, сондай-ақ динамик туралы толық ақпарат алу үшін пайдалануға болады.

Шу сезімталдығы

MFCC мәндері қосымша шу болғанда өте тұрақты емес, сондықтан сөйлеуді тану жүйелерінде шудың ықпалын азайту үшін олардың мәндерін қалыпқа келтіру жиі қолданылады. Кейбір зерттеушілер негізгі MFCC алгоритмін жақсарту үшін өзгерістер ұсынады, мысалы, дискретті косинус түрлендіруін (DCT) есептемес бұрын логарифмдік мел амплитудаларын тиісті дәрежеге (шамамен 2 немесе 3) көтеру арқылы, бұл төмен энергиялы компоненттердің ықпалын азайтады.