3、语音特征提取（下）：梅尔频率倒谱系数（MFCC）详解、滤波器组（Fbank）特征、动态特征（Δ、ΔΔ）
上一讲我们把 FFT 和梅尔滤波器组聊透了。今天咱们继续往下走，把语音特征提取最后三板斧讲清楚：MFCC、Fbank，还有那些带「Δ」的动态特征。
说实话，这三个东西在实际工程里天天见。我刚开始做语音识别时，总觉得 MFCC 和 Fbank 差不多，随便选一个就行。后来被坑过一次——嗯，具体哪次后面说。总之，它们各有各的脾气，选错了真会掉点。
3.1 滤波器组（Fbank）特征
Fbank，全称 Filter Bank，中文叫滤波器组特征。说白了，它就是梅尔滤波器组输出的能量值。
还记得上节课我们怎么做的吗？把频谱通过一组三角滤波器，每个滤波器输出一个能量值。把这些能量值取个对数，就是 Fbank 特征。
Fbank 特征提取流程：
- 预加重 → 分帧 → 加窗
- FFT → 功率谱
- 梅尔滤波器组滤波
- 取对数（log）
输出：每帧一个 M 维向量（M 是滤波器个数，通常 40 或 80）
为什么取对数？两个原因。第一，人耳对声音强度的感知是对数的——响度翻倍，你感觉没翻那么多。第二，取对数能把乘性噪声变成加性噪声，后面做归一化好处理。
我的经验：Fbank 特征在深度学习时代越来越流行。因为 DNN 不需要 MFCC 那步 DCT 去相关，原始 Fbank 信息更完整。我在做唤醒词检测时，用 Fbank 比 MFCC 高了 2 个点。当然，这跟任务有关，不是绝对的。
3.2 梅尔频率倒谱系数（MFCC）
MFCC 就是在 Fbank 基础上多了一步：离散余弦变换（DCT）。
为什么要做 DCT？你想想看，Fbank 各个维度之间是相关的——相邻滤波器有重叠，能量自然有冗余。DCT 能把它们去相关，让信息更紧凑地集中在前几个系数上。
# MFCC 提取核心步骤（Python 伪代码）
import numpy as np
from scipy.fftpack import dct
# 假设 fbank 已经是 log 后的梅尔能量，形状 (帧数, 滤波器数)
fbank = np.log(mel_energies + 1e-10) # 加小常数防 log(0)
# DCT 变换，通常保留 2-13 阶系数
mfcc = dct(fbank, type=2, axis=1, norm='ortho')
mfcc = mfcc[:, 1:13] # 去掉第 0 阶（直流分量），保留 12 维这里有个细节：为什么去掉第 0 阶？第 0 阶代表整帧的平均能量，它受麦克风增益、说话人距离影响很大。去掉它，模型对录音条件的鲁棒性会好很多。
我曾经踩过的坑：有次做说话人识别，MFCC 的 DCT 阶数我选了 20。结果模型在测试集上表现很好，一上线就崩。后来发现，高阶 DCT 系数对噪声特别敏感，泛化能力差。建议语音识别用 12-13 阶，说话人识别可以适当多几阶，但别超过 20。
3.3 MFCC vs Fbank：怎么选？
很多新手会问：到底用哪个？我直接给结论：
| 对比维度 | Fbank | MFCC |
|---|---|---|
| 信息完整性 | 高（保留全部能量分布） | 低（DCT 丢弃了高阶信息） |
| 维度大小 | 40-80 维 | 12-13 维 |
| 去相关性 | 弱（相邻维度相关） | 强（DCT 去相关） |
| 适用模型 | DNN / CNN / Transformer | GMM-HMM（传统方法） |
| 噪声鲁棒性 | 中等 | 较好（去除了冗余） |
我个人习惯：如果是深度学习模型，优先用 Fbank。信息更全，模型自己会学去相关。如果是传统 GMM-HMM 系统，或者特征维度敏感的场景，用 MFCC。
3.4 动态特征：Δ 和 ΔΔ
静态特征只描述当前帧，但语音是连续的——前一帧和后一帧有关系。Δ 特征就是用来捕捉这种时序变化的。
Δ 的计算很简单：当前帧减去前一帧，或者用更平滑的回归公式。
# Δ 特征计算（一阶差分）
def delta(feats, window=2):
"""feats: (帧数, 特征维度)"""
num_frames = feats.shape[0]
delta_feats = np.zeros_like(feats)
for t in range(num_frames):
# 用前后 window 帧做线性回归
numerator = 0
denominator = 0
for w in range(1, window + 1):
if t - w >= 0:
numerator += w * feats[t - w]
denominator += w * w
if t + w < num_frames:
numerator -= w * feats[t + w]
denominator += w * w
if denominator > 0:
delta_feats[t] = numerator / denominator
return delta_feats
# ΔΔ 就是再对 Δ 做一次差分
delta_delta = delta(delta_feats)为什么需要 Δ 和 ΔΔ？你想想看，静态 MFCC 只告诉你「这帧长什么样」，Δ 告诉你「它在往哪个方向变」，ΔΔ 告诉你「变化的速度是快还是慢」。三个合起来，模型才能感知到语音的动态模式。
标准做法：最终特征 = [静态特征, Δ, ΔΔ]，维度变成原来的 3 倍。
例如：13 维 MFCC → 39 维（13 + 13Δ + 13ΔΔ）
40 维 Fbank → 120 维（40 + 40Δ + 40ΔΔ）
3.5 完整特征提取流程
把今天讲的串起来，完整的流程是这样的：
实用建议：实际工程中，我通常这样配：
- 语音识别：40 维 Fbank + Δ + ΔΔ = 120 维
- 说话人识别：20 维 MFCC + Δ + ΔΔ = 60 维
- 情感识别：80 维 Fbank + Δ + ΔΔ = 240 维（情感需要更细的频谱信息）
3.6 避坑指南
最后分享几个我踩过的坑，希望你能绕开：
- 归一化顺序：先做特征提取，再做全局归一化。千万别在分帧前归一化——每帧的均值方差会变，特征就不一致了。
- Δ 窗口大小：默认 window=2 够用。窗口太大，动态信息被平滑掉了；窗口太小，噪声会被放大。
- DCT 阶数选择：别贪多。12 阶 MFCC 在大多数任务上已经够用。多出来的阶数往往是噪声。
- 采样率匹配：16kHz 语音用 40 个滤波器，8kHz 语音用 20-25 个。滤波器个数要和频率范围匹配。
好了，特征提取这块就讲完了。这三种特征——Fbank、MFCC、动态特征——是语音算法的基本功。你把它吃透了，后面无论是做识别、唤醒还是声纹，都会顺手很多。