本文来自公众号“AI大道理”。
准备好了数据，接下来就可以特征提取了。
最常用到的语音特征就是梅尔倒谱系数（Mel-scaleFrequency Cepstral Coefficients，简称MFCC）。
以最简单的YesNo为例。
1 run.sh
特征提取步骤：
MFCC提取过程包括预处理、快速傅里叶变换、Mei滤波器组、对数运算、离散余弦变换、动态特征提取等步骤。
Kaldi在进行MFCC特征提取后使用了谱归一化CMVN使得模型的输入特征趋近正态分布。
run.sh:
其中：
2 特征提取
2.1 make_mfcc.sh
功能：
生成mfcc目录存放.scp和.ark特征文件；
生成 exp/make_mfcc目录存放特征提取log文件；
生成data/train_yesno, data/test_yesno里面的cmvn.scp、 feats.scp文件。
make_mfcc.sh会用到conf/mfcc.conf
其中采样频率在这里设置，这里为8KHZ。
命令行解析：
源码（部分）：
源码解析：
利用Kaldi的compute-mfcc-feats工具计算梅尔倒谱频率特征，然后利用copy-feats工具的参数—compress=true 压缩处理存储为两个文件类型ark和scp。
调用命令行工具compute-mfcc-feats，提取特征，创建feats.ark和feats.scp文件。
用法为：
compute-mfcc-feats [options...] <wav-rspecifier><feats-wspecifier>。
来龙去脉：
3 倒谱均值方差归一化
2.2 compute_cmvn_stats.sh
CMCN（Cepstral Mean and Variance Normalization）：倒谱均值方差归一化。
功能：
提取声学特征以后，将声学特征从一个空间转变成另一个空间，使得在这个空间下更特征参数更符合某种概率分布，压缩了特征参数值域的动态范围，减少了训练和测试环境的不匹配等。
（这不是必须的，当你在单一环境中进行语音识别时，CMN甚至会恶化你的结果，CMN会倾向于将附加噪声当成信号。）
源头：
CMN（Cepstral Mean Normalisation）：倒谱均值归一化。
在语音识别中，我们希望移除通道效应（声道的冲击响应，传播路径，房间环境等等）。
由于任何通道卷积特性的扭曲特性，在倒谱域下都可以变为叠加信号，经过倒谱均值归一化后就消除了通道的影响。
步骤：
-
计算倒谱；
-
从每一帧中减去平均值；
-
相对于减去均值，可以选择性的除以方差来进行CMVN。
CMVN可以恢复特征在时域上的多样性，而这种多样性通常会由于噪声的影响而减弱，这同样可以被视为一种一种减少特征变异性的方法。
通过对MFCC系数的静态量进行归一化，也就是进行CMN或者CMVN可以提高语音识别器的鲁棒性。
命令行解析：
4 数据检查
2.3 fix_data_dir.sh
功能：
该脚本会修复排序错误，并移除那些被指明需要特征数据或标注，但却找不到相应数据的那些发音。
命令行解析：
5 总结
提取了MFCC特征，并进行倒谱均值方差归一化，数据检查无误后就可以进行模型训练了。
首先进行的是单音素模型训练，然后进行三音子模型训练。
下期预告
AIBigKaldi（五）| Kaldi的单音子模型训练
往期精选
AI大语音（十四）——区分性训练
AI大语音（十三）——DNN-HMM
AI大语音（十二）——WFST解码器（下）
AI大语音（十一）——WFST解码器（上）
AI大语音（十）——N-gram语言模型
AI大语音（九）——基于GMM-HMM的连续语音识别系统
AI大语音（八）——GMM-HMM声学模型
AI大语音（七）——基于GMM的0-9语音识别系统
AI大语音（六）——混合高斯模型（GMM）
AI大语音（五）——隐马尔科夫模型（HMM）
AI大语音（四）——MFCC特征提取
AI大语音（三）——傅里叶变换家族
AI大语音（二）——语音预处理
AI大语音（一）——语音识别基础
——————
浅谈则止，细致入微AI大道理
扫描下方“AI大道理”，选择“关注”公众号
—————————————————————
—————————————————————