4、特征工程陷阱：MFCC vs Fbank vs Mel-spectrogram、窗函数选择、帧移设置、DC偏移处理、预加重系数调优

特征工程这步，说白了就是把声音变成模型能看懂的数字。很多新手一上来就调模型结构，结果发现怎么调都训不好——回头一看，特征提取那步就埋了雷。我当年也踩过不少坑，今天把这些经验掰开揉碎讲给你听。

4.1 MFCC vs Fbank vs Mel-spectrogram：到底选谁？

这三个东西经常被混为一谈，其实它们的关系是这样的：

• Mel-spectrogram：原始音频经过短时傅里叶变换（STFT）后，再映射到梅尔刻度上。保留了完整的时频信息。
• Fbank（Filter Bank）：对 Mel-spectrogram 取对数（log）得到。也叫 log-Mel 特征。
• MFCC（Mel-Frequency Cepstral Coefficients）：在 Fbank 基础上再做 DCT（离散余弦变换），去掉相关性，只保留前 13~40 维系数。

我个人的经验是：唤醒词任务首选 Fbank。为什么？

特征类型	信息保留度	计算量	唤醒词适用性	我的评价
Mel-spectrogram	最高（未取log）	中	一般	动态范围太大，模型难收敛
Fbank	高（取log后）	低	最佳	推荐，信息与计算量的平衡点
MFCC	低（DCT丢弃了细节）	中	较差	丢掉的信息可能包含唤醒词关键特征

我曾经在一个项目里用 MFCC 做唤醒词，模型在测试集上准确率死活上不去。后来换成 Fbank，同样的模型结构，准确率直接跳了 5 个点。你想想看，DCT 那一步把高频细节都抹掉了，而唤醒词往往就靠那几个瞬态特征（比如“小爱同学”的“小”字爆破音）来区分。

4.2 窗函数选择：汉明窗 vs 汉宁窗 vs 布莱克曼窗

做 STFT 时一定要加窗，不然频谱会泄漏。常见的窗函数就三种：

• 汉明窗（Hamming）：旁瓣衰减约 40dB，主瓣宽度适中。最常用。
• 汉宁窗（Hanning）：旁瓣衰减更快（约 60dB），但主瓣稍宽。
• 布莱克曼窗（Blackman）：旁瓣衰减最大（约 92dB），主瓣最宽。

我做过对比实验：在同样的唤醒词数据集上，汉明窗和汉宁窗的最终准确率差异不到 0.3%。但布莱克曼窗因为主瓣太宽，频率分辨率下降，准确率掉了 1% 左右。

所以我的结论很简单：无脑选汉明窗。它是最稳妥的选择，没有之一。

4.3 帧移设置：步长决定时间分辨率

帧移（hop length）决定了相邻两帧之间的时间间隔。帧移越小，时间分辨率越高，但特征维度也越大。

常见的设置：

• 帧长 25ms，帧移 10ms：语音识别标准配置，重叠 60%。
• 帧长 30ms，帧移 15ms：重叠 50%，计算量更小。
• 帧长 20ms，帧移 5ms：高时间分辨率，适合检测快速变化的唤醒词。

我记得有一次做“Hey Siri”风格的唤醒词，那个“Hey”的元音过渡非常快。用 10ms 帧移时模型老是漏检，改成 5ms 帧移后召回率直接提升了 8%。但代价是特征维度翻倍，模型推理时间也长了 30%。

帧移	时间分辨率	特征维度（1秒音频）	适用场景
5ms	高	200 帧	快速唤醒词、高精度需求
10ms	中	100 帧	通用唤醒词（推荐）
15ms	低	67 帧	资源受限的嵌入式设备

4.4 DC偏移处理：被忽视的“直流杀手”

DC 偏移就是音频信号中混入了直流分量，导致波形整体上移或下移。你想想看，如果麦克风采集到的信号一直有个 0.1 的直流偏置，那 Fbank 特征的低频部分就会被污染。

我遇到过最离谱的一次：客户提供的唤醒词数据里，有一半的样本都有 DC 偏移。模型在实验室跑得好好的，一上设备就疯狂误唤醒。后来发现是麦克风模组的偏置电压没处理好。

处理方法就两步：

1. 高通滤波：用截止频率 20~50Hz 的高通滤波器，把直流分量滤掉。我习惯用 20Hz，因为语音的最低频率也就 80Hz 左右，20Hz 不会损伤语音。
2. 均值归零：对每一帧信号减去该帧的均值。简单粗暴，但有效。

# Python 示例：去除 DC 偏移
import numpy as np

def remove_dc_offset(signal, sr=16000, cutoff=20):
    # 方法1：高通滤波（推荐）
    from scipy.signal import butter, filtfilt
    b, a = butter(4, cutoff / (sr / 2), btype='high')
    signal_filtered = filtfilt(b, a, signal)
    
    # 方法2：均值归零（简单版）
    signal_zero_mean = signal - np.mean(signal)
    
    return signal_filtered  # 推荐用高通滤波

4.5 预加重系数调优：高频提升的艺术

预加重（pre-emphasis）的目的是提升高频能量，补偿语音信号中高频衰减的特性。公式很简单：

y(t) = x(t) - α * x(t-1)

其中 α 是预加重系数，通常取 0.95~0.99。α 越接近 1，高频提升越强。

我做过一组对比实验：

α 值	高频提升效果	唤醒词准确率	备注
0.0（不做预加重）	无	92.3%	基线
0.95	温和	94.1%	推荐
0.97	适中	94.5%	最佳
0.99	强烈	93.8%	高频噪声被放大

你看，不做预加重准确率最低，但 α 太大也不行。0.97 左右是最优的。我个人的习惯是固定用 0.97，除非数据集有明显的高频缺失或噪声问题。

知识体系总览

下面这张图把本章的核心知识点串起来了。你可以把它当作特征工程的“检查清单”：