声纹特征提取基础：MFCC、Fbank与Delta系数

特征提取，说白了就是把声音信号变成机器能懂的数学表达。我刚开始做声纹识别时，总觉得这步就是调个库的事。后来踩了不少坑才明白——特征提取得好不好，直接决定了整个系统的天花板。

这一章，我们重点聊三个东西：MFCC、Fbank，还有Delta系数。它们是什么？怎么算？为什么重要？我会结合项目经验，把原理和实战都说透。

从声音到特征：我们到底在提取什么？

原始语音信号是一维的波形，信息密度低，冗余多。直接拿它做识别，效果很差。我们需要把它转换成更紧凑、更具区分性的表示。

人耳对声音的感知是非线性的——对低频变化敏感，对高频变化迟钝。所以，特征提取的核心思路就是模拟人耳的听觉特性，把线性频率映射到Mel频率上。

我个人习惯把特征提取流程分成四步：预加重→分帧加窗→FFT→Mel滤波。下面这张图可以帮你建立整体认知。

MFCC：最经典的声纹特征

MFCC（Mel频率倒谱系数）是声纹识别领域使用最广泛的特征。它为什么这么能打？我们一步步拆解。

预加重：别让高频信息被淹没

语音信号的能量主要集中在低频段，高频部分衰减很快。如果不做处理，高频细节会被低频淹没。预加重就是一个简单的高通滤波器：

y[n] = x[n] - α * x[n-1]

α通常取0.97。我在项目中试过不同的α值，发现0.95~0.98之间差异不大，但低于0.9时高频信息明显丢失。嗯，这个值别乱改。

分帧加窗：把非平稳信号切成平稳片段

语音信号是非平稳的，但在极短时间（10~30ms）内可以看作平稳。所以我们把它切成帧，每帧25ms，帧移10ms。这样相邻帧之间有重叠，信息不会断。

加窗是为了避免FFT时的频谱泄漏。汉明窗是最常用的选择：

w[n] = 0.54 - 0.46 * cos(2πn / (N-1))

FFT与Mel滤波：模拟人耳的关键一步

对每一帧做FFT，得到频谱。然后通过Mel滤波器组，把线性频率映射到Mel刻度上。

Mel频率的转换公式：

Mel(f) = 2595 * log10(1 + f / 700)

滤波器组通常用20~40个三角滤波器，覆盖整个频率范围。每个滤波器的输出就是该频段的能量。

对数运算与DCT：压缩与去相关

对滤波器组输出取对数，压缩动态范围。然后做DCT（离散余弦变换），去除特征间的相关性。

DCT之后得到的就是MFCC系数。通常取前12~13维，加上帧能量，构成13维特征向量。

Fbank vs MFCC：怎么选？

Fbank（滤波器组特征）和MFCC的区别，就在DCT这一步。Fbank不做DCT，保留了完整的能量分布信息。

对比维度	Fbank	MFCC
特征维度	40~80维	13~20维
特征相关性	高（相邻频段相关）	低（DCT去相关）
信息保留	完整能量分布	压缩后丢失部分细节
适用模型	DNN/CNN（能学习相关性）	GMM/HMM（需要独立特征）
噪声鲁棒性	中等	较好（DCT有去噪效果）

我个人习惯：用深度学习模型时，优先选Fbank。因为DNN能自动学习特征间的相关性，保留更多信息反而有利。用传统GMM-UBM系统时，MFCC是更稳妥的选择。

Delta系数：让特征动起来

静态MFCC只描述当前帧的信息。但说话人的个性特征，往往体现在音调、音色的变化过程中。Delta系数就是用来捕捉这种动态变化的。

一阶Delta：帧间变化率

一阶Delta计算当前帧与前后帧的差分，反映特征的变化趋势：

Δ(t) = (c(t+1) - c(t-1)) / 2

更通用的公式会考虑多帧窗口：

Δ(t) = Σ(θ * (c(t+θ) - c(t-θ))) / (2 * Σ(θ²))

θ是窗口大小，通常取2。窗口越大，平滑效果越强，但会丢失快速变化的细节。

二阶Delta：变化率的变化率

二阶Delta（Delta-Delta）在一阶Delta的基础上再做一次差分，捕捉加速度信息：

Δ²(t) = (Δ(t+1) - Δ(t-1)) / 2

最终的特征向量 = 静态MFCC + 一阶Delta + 二阶Delta。如果静态是13维，加上Delta后就是39维。

实战中的参数选择

参数怎么设？我整理了一份常用配置表，你可以直接参考：

参数	推荐值	说明
采样率	16kHz	声纹识别标准采样率
帧长	25ms	400个采样点（16kHz）
帧移	10ms	160个采样点
FFT点数	512或1024	2的幂，方便计算
Mel滤波器数	40	Fbank常用40维
MFCC维数	13	不含能量维
Delta窗口	2	一阶和二阶通用