3. 特征提取工程（上）：MFCC特征详解、FBank特征对比、Delta与Delta-Delta特征
好，我们进入特征提取环节。说实话，很多做语音识别的同学，模型调得飞起，但一问到前端特征是怎么来的，就有点含糊了。我个人觉得，特征提取是语音识别里最容易被低估的一环。你模型再强，喂进去的特征是脏的、信息丢失的，那后面再怎么折腾也是白搭。
这一章我们重点聊三个东西：MFCC、FBank，以及Delta与Delta-Delta特征。它们之间的关系，说白了就是一条流水线——从原始波形到最终能喂给模型的“干净”特征。
核心观点：特征提取不是简单的“抄作业”，每一步参数的选择都直接影响识别精度。理解每个环节的物理意义，比死记硬背公式重要得多。
3.1 从波形到频谱：预处理回顾
在进入MFCC之前，我们先快速过一遍前置步骤。这些步骤在上一章已经详细讲过，这里只提几个关键点，方便你理解后面的特征是怎么来的。
- 预加重：提升高频能量，补偿语音信号在传播过程中的高频衰减。我习惯用系数0.97，效果比较稳。
- 分帧：语音是非平稳信号，但短时间（20-40ms）内可以看作平稳的。帧长25ms，帧移10ms，这是工业界的黄金参数。
- 加窗：汉明窗，减少频谱泄漏。嗯，这里要注意，窗函数的选择会影响旁瓣抑制效果，但汉明窗在大多数场景下够用了。
- FFT：将时域信号转换到频域，得到每一帧的频谱。
做完这些，我们得到的是每一帧的幅度谱。接下来，就是MFCC和FBank的分水岭了。
3.2 MFCC特征详解
MFCC，全称Mel频率倒谱系数。名字挺长，但核心思想很简单：模拟人耳的听觉特性。人耳对频率的感知不是线性的，低频敏感，高频迟钝。Mel刻度就是用来描述这种非线性关系的。
MFCC的提取流程，我画了一张图，你可以对照着看：
流程走到FFT之后，我们得到的是线性频率的幅度谱。接下来，Mel滤波器组登场了。它是一组三角滤波器，在Mel刻度上等间距分布，但在线性频率上却是低频密、高频疏。每个滤波器与幅度谱相乘，得到一个能量值。
取对数这一步，很多人不理解为什么。其实很简单：人耳对声音响度的感知是对数级的。你想想看，音量翻一倍，人耳感觉并没有翻一倍。取对数就是模拟这个特性。
最后一步是DCT（离散余弦变换）。这一步的目的是去相关。FBank特征相邻维度之间相关性很强，DCT可以把能量集中到前几个系数上。通常我们取12-13个MFCC系数，加上第0个（能量项），一共13维。
我的经验：MFCC的维度不是越多越好。我曾经在项目里试过取20维MFCC，结果识别率反而下降了。因为后面的系数包含的更多是噪声和细节，对识别反而是干扰。13维是经过大量实践验证的黄金数字。
3.3 FBank特征对比
FBank，全称Filter Bank，中文叫滤波器组特征。它和MFCC的区别，就在DCT这一步。
看上面的流程图，MFCC在取对数之后做了DCT，而FBank不做DCT。就这么简单。
那为什么还要用FBank？我直接说结论：深度学习时代，FBank正在取代MFCC。
| 对比维度 | MFCC | FBank |
|---|---|---|
| 维度 | 13维（常用） | 40-80维（常用） |
| DCT | 有 | 无 |
| 相关性 | 低（去相关） | 高（相邻维度相关） |
| 信息量 | 有损（DCT丢弃了部分信息） | 无损（保留全部频谱信息） |
| 适用模型 | GMM-HMM（传统模型） | DNN/CNN/Transformer（深度学习模型） |
| 噪声鲁棒性 | 较好（DCT去噪） | 较差（保留噪声） |
为什么深度学习模型更喜欢FBank？因为DNN、CNN这些模型自己会学去相关。你想想看，MFCC通过DCT强行去相关，相当于替模型做了一次特征筛选。但模型自己学到的筛选，往往比人工规则更优。所以，把原始信息保留下来，让模型自己去决定哪些有用，效果反而更好。
避坑指南：我曾经在一个远场语音识别项目里，直接套用MFCC，结果识别率惨不忍睹。后来换成FBank，配合CNN前端做特征提取，识别率直接提升了5个点。但要注意，FBank维度高，模型参数量会增大，训练时间也会变长。这是一个trade-off。
3.4 Delta与Delta-Delta特征
好，现在我们已经有了MFCC或FBank特征。但这些都是静态特征——每一帧独立计算，没有考虑帧与帧之间的变化。
语音是连续的，前后帧之间有很强的关联。比如一个音素的发音，会持续好几帧，而且能量、频率都在变化。静态特征捕捉不到这种动态信息。怎么办？引入Delta特征。
Delta特征，说白了就是一阶差分。它计算当前帧与前后帧的差异，反映特征的变化趋势。
公式很简单：
Delta(t) = (c(t+1) - c(t-1)) / 2其中c(t)是第t帧的静态特征（比如MFCC系数）。这个公式计算的是前后帧的斜率。你想想看，如果特征在上升，Delta就是正的；下降就是负的；平稳就是0。
Delta-Delta特征，就是二阶差分，对Delta再做一次差分。它反映的是加速度，也就是变化率的变化。
通常，我们使用39维MFCC：13维静态 + 13维Delta + 13维Delta-Delta。这是语音识别领域最经典的特征配置。
关键理解：Delta特征捕捉的是“变化”，Delta-Delta捕捉的是“变化的快慢”。这两个特征让模型能够感知语音的动态过程，而不仅仅是静态的快照。
3.5 实践中的参数选择
说了这么多理论，最后给一些实际参数建议。这些是我在多个项目里验证过的，你可以直接参考。
| 参数 | 推荐值 | 说明 |
|---|---|---|
| 帧长 | 25ms | 太短频率分辨率不够，太长平稳假设失效 |
| 帧移 | 10ms | 保证帧之间有重叠，信息连续 |
| FFT点数 | 512或1024 | 取决于采样率，16kHz用512，8kHz用256 |
| Mel滤波器数量 | 40（FBank）或 23（MFCC） | FBank用40，MFCC用23然后降到13 |
| MFCC维度 | 13 | 包含第0个能量系数 |
| Delta窗口 | 2帧（前后各1帧） | 窗口越大，平滑越强，但会丢失细节 |
我的习惯：在安静环境下，我倾向于用MFCC+Delta+Delta-Delta的39维配置。但在噪声环境下，我会换成FBank，让模型自己去学习鲁棒的特征表示。没有绝对的好坏，关键看场景。