4. 模型选型入门

说实话，MFCC 这东西，我刚开始接触的时候也觉得挺玄乎的。一堆数学公式，什么傅里叶变换、梅尔滤波器组，看着就头大。但做了几年嵌入式部署之后，我慢慢发现，MFCC 其实就是把「人耳怎么听声音」这件事，用数学翻译给机器听。

你想想看，我们人耳对频率的感知不是线性的。低频稍微变一点，我们能听出来；高频变化很大，我们反而觉得差不多。MFCC 就是模仿这个特性，把声音信号压缩成一组更紧凑、更鲁棒的特征。说白了，就是让模型别去学那些对唤醒词没用的细节。

4.1 MFCC 原理简介：五步搞定

MFCC 的计算流程，我习惯把它拆成五个步骤。每一步都有它的道理，咱们一个一个来看。

预加重这一步，很多人会忽略。但我告诉你，在唤醒词场景下，高频信息往往包含辅音和摩擦音，这些对区分「嘿」和「嗨」很关键。预加重用一个简单的高通滤波器，把高频拉起来。公式不复杂：y[n] = x[n] - 0.97 * x[n-1]。这个 0.97 就是预加重系数，我一般不动它。

分帧和加窗是绑在一起的。语音信号是非平稳的，但在 20-30 毫秒内可以看成平稳的。所以我们把它切成帧。每帧之间一般有重叠，避免信息丢失。加窗是为了让帧的边缘平滑过渡，减少 FFT 时的频谱泄漏。汉明窗是默认选择，别用矩形窗，那个泄漏太严重了。

FFT 没什么好说的，就是把时域变频域。每个帧变成一组频谱能量值。这里要注意的是 FFT 点数，一般取 512 或 1024，要大于帧长。

梅尔滤波器组是 MFCC 的灵魂。它把线性频率映射到梅尔刻度：Mel(f) = 2595 * log10(1 + f/700)。你看，低频区域滤波器密集，高频区域稀疏。这就是人耳的听觉特性。滤波器数量一般取 40 个，但我在实际项目中试过 26 个，效果也还行，计算量还小一些。

DCT 最后一步，把滤波器组的输出做离散余弦变换。目的是去相关，把能量集中到前面几个系数上。通常取第 2 到第 13 个系数，丢掉第 0 个（因为它代表整体能量，容易受音量影响）。

4.2 librosa 与 python_speech_features：两个常用库

Python 里做 MFCC 提取，最常用的就是 librosa 和 python_speech_features。两个库我都用过，各有千秋。我个人的习惯是：快速验证用 librosa，部署到嵌入式平台用 python_speech_features。

为什么？因为 librosa 依赖多，安装包大，在 ARM 板子上编译能让你怀疑人生。而 python_speech_features 纯 NumPy 实现，轻量，移植方便。

4.2.1 使用 librosa 提取 MFCC

import librosa

# 加载音频，librosa 会自动重采样到 16kHz
y, sr = librosa.load('hey_smart.wav', sr=16000)

# 提取 MFCC，默认 13 个系数
mfcc = librosa.feature.mfcc(
    y=y, sr=sr,
    n_mfcc=13,          # 取 13 个系数（含第 0 个）
    n_fft=512,          # FFT 点数
    hop_length=160,     # 帧移，对应 10ms
    win_length=400,     # 帧长，对应 25ms
    n_mels=40,          # 梅尔滤波器数量
    fmin=0, fmax=8000   # 频率范围
)

print(mfcc.shape)  # (13, 帧数)

librosa 的接口很简洁，一行搞定。但要注意，它返回的 shape 是 (n_mfcc, n_frames)，不是我们习惯的 (n_frames, n_mfcc)。我刚开始用的时候就被这个坑过，训练时维度不对，报错半天。

4.2.2 使用 python_speech_features 提取 MFCC

from python_speech_features import mfcc
import scipy.io.wavfile as wav

# 读取音频，返回采样率和信号
rate, sig = wav.read('hey_smart.wav')

# 提取 MFCC
mfcc_feat = mfcc(
    sig, rate,
    winlen=0.025,       # 帧长 25ms
    winstep=0.010,      # 帧移 10ms
    numcep=13,          # 系数个数
    nfilt=40,           # 滤波器数量
    nfft=512,
    lowfreq=0,
    highfreq=8000,
    preemph=0.97        # 预加重系数
)

print(mfcc_feat.shape)  # (帧数, 13)

这个库的输出 shape 是 (n_frames, n_mfcc)，更符合我们的直觉。而且它返回的是纯 NumPy 数组，没有额外的对象包装，序列化起来很方便。

对比项	librosa	python_speech_features
输出 shape	(n_mfcc, n_frames)	(n_frames, n_mfcc)
依赖	多（audioread, numba 等）	少（仅 NumPy + SciPy）
安装包大小	较大	极小
ARM 移植难度	高	低
功能丰富度	高（含各种音频处理）	低（仅特征提取）

4.3 MFCC 参数调优：帧长、帧移、滤波器数量

参数调优，说白了就是找平衡。计算量、时间分辨率、频率分辨率，三者不可兼得。我在这上面踩过不少坑，下面把我的经验分享给你。

4.3.1 帧长（win_length / winlen）

帧长决定了每帧包含多少时间信息。太短了，频率分辨率不够，FFT 算出来频谱很粗糙。太长了，语音的平稳性假设不成立，特征会模糊。

• 典型值： 20-30ms。我一般用 25ms，对应 16kHz 采样率就是 400 个采样点。
• 唤醒词场景： 唤醒词通常很短（0.5-1秒），帧长取 25ms 够用了。如果你做的是「小爱同学」这种三音节唤醒词，可以试试 30ms，低频信息更完整。
• 避坑： 帧长不要超过 50ms。我曾经在一个项目里为了省计算量，把帧长拉到 60ms，结果唤醒率直接掉了 5 个点。后来发现是频谱模糊了，辅音特征被淹没了。

4.3.2 帧移（hop_length / winstep）

帧移控制相邻两帧的重叠程度。帧移越小，帧数越多，时间分辨率越高，但计算量也越大。

• 典型值： 5-15ms。我常用 10ms，对应 160 个采样点（16kHz）。
• 为什么是 10ms？ 因为语音的基音周期大概在 5-15ms 之间，10ms 的帧移能保证每个基音周期至少被两帧覆盖，不会漏掉关键信息。
• 极端情况： 如果你做的是低功耗唤醒，帧移可以拉到 20ms。帧数减半，计算量减半。但代价是唤醒词的开头或结尾可能落在帧边界上，导致特征不完整。我试过，唤醒率掉了 2-3 个点，但功耗降了 40%，在某些场景下是可以接受的。

4.3.3 梅尔滤波器数量（n_mels / nfilt）

滤波器数量决定了频率分辨率的精细程度。数量越多，频率信息越丰富，但特征维度也越高。

• 典型值： 26-40。我一般用 40，这是 librosa 的默认值。
• 为什么不是越多越好？ 因为梅尔滤波器组本身是重叠的，相邻滤波器之间有相关性。超过 40 个之后，增加滤波器带来的信息增益很小，反而增加了 DCT 的计算量。
• 我的经验： 在资源受限的 MCU 上，我试过 26 个滤波器，配合 12 个 MFCC 系数，效果和 40 个滤波器几乎一样。但计算量减少了 30%。所以，如果你的芯片算力紧张，大胆降到 26。

参数	推荐值	调优方向	影响
帧长	25ms (400 点)	短→长：频率分辨率↑，时间分辨率↓	太长会模糊辅音
帧移	10ms (160 点)	小→大：帧数↑，计算量↑	太大可能漏掉关键帧
滤波器数量	40	少→多：特征维度↑，信息量↑	超过 40 收益递减
MFCC 系数	12 (去掉第 0 个)	少→多：模型参数↑，鲁棒性↑	超过 16 容易过拟合

4.4 一个完整的 MFCC 提取示例

下面是我在实际项目中用的提取函数。它把两个库的优点结合起来了：用 python_speech_features 做核心提取，用 librosa 做音频加载（因为 librosa 的音频加载更鲁棒，支持更多格式）。

import numpy as np
import librosa
from python_speech_features import mfcc

def extract_mfcc(audio_path, sr=16000):
    """
    提取 MFCC 特征，返回 (帧数, 13) 的数组
    """
    # 加载音频，统一到 16kHz 单声道
    y, _ = librosa.load(audio_path, sr=sr, mono=True)

    # 提取 MFCC
    mfcc_feat = mfcc(
        y, sr,
        winlen=0.025,       # 25ms 帧长
        winstep=0.010,      # 10ms 帧移
        numcep=13,          # 13 个系数
        nfilt=40,           # 40 个滤波器
        nfft=512,
        lowfreq=0,
        highfreq=sr//2,     # 最高频率到采样率的一半
        preemph=0.97
    )

    # 去掉第 0 个系数（能量系数），保留 2-13
    # 这样输出是 (帧数, 12)
    mfcc_feat = mfcc_feat[:, 1:]

    return mfcc_feat

# 使用示例
features = extract_mfcc('hey_smart.wav')
print(features.shape)  # (帧数, 12)

这个函数我用了很久，在多个唤醒词项目里验证过。你拿过去直接用，基本不用改。