13
18

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?

More than 5 years have passed since last update.

MFCC (メル周波数ケプストラム係数)

Posted at

MFCC

 MFCCの手順を簡潔にまとめた。

 実際に使用する際はlibrosaなどのライブラリを用いて1行で実装するのがいいと思う。

MFCCとは

 音声認識で使用される特徴量抽出の方法。

流れ

  1. wavファイルから音声波形を読み取る
  2. 短い時間で切り出す
  3. 高周波数を強調する
  4. 窓関数を適応する
  5. フーリエ変換する
  6. メルフィルタバンクをかける
  7. 離散コサイン変換

1.wavファイルから音声波形を読み取る

Figure_1.png

def read_wave(file_name):
    """
    パス先のwaveファイルを読み込む
    """
    wf = wave.open(file_name, "r")
    fs = wf.getframerate()
    x = wf.readframes(wf.getnframes())
    x = np.frombuffer(x, dtype="int16") / 32768.0
    wf.close()
    return x, float(fs)

wav, fs = read_wave(DATA_DIR + "a.wav")

2.短い時間で切り出す

Figure_2.png

def cut_wave(wave_data, cuttime=0.04):
    center = len(wave_data) / 2  # 中心のサンプル番号
    cuttime = 0.04         # 切り出す長さ [s]
    wav = wave_data[int(center - cuttime/2*fs) : int(center + cuttime/2*fs)]

    return wav


wave_data, fs = read_wave(DATA_DIR + "a.wav")
wav = cut_wave(wave_data)

※グラフを出力するコードは省略しています。

3.高周波数を強調する

Figure_3.png

def preEmphasis(wave, p=0.97):
    """プリエンファシスフィルタ"""
    # 係数 (1.0, -p) のFIRフィルタを作成
    return scipy.signal.lfilter([1.0, -p], 1, wave)

wave_data, fs = read_wave(DATA_DIR + "a.wav")
wav = cut_wave(wave_data)
wav = preEmphasis(wav)

4.窓関数を適応する

Figure_4.png

def window(wave):
    """
    窓関数
    """
    hanningWindow = np.hanning(len(wave))
    wave = wave * hanningWindow
    return wave

wave_data, fs = read_wave(DATA_DIR + "a.wav")
wav = cut_wave(wave_data)
wav = preEmphasis(wav)
wav = window(wav)

5.フーリエ変換する

Figure_5.png

def fft(wave):

    """
    波形に対してフーリエ変換を行う関数

    :param: wave_data

    :return Adft: 振幅スペクトル
    :return Pdft: パワースペクトル
    """

    nfft = 2048  # FFTのサンプル数
    # 離散フーリエ変換
    dft = np.fft.fft(wave, n)
    # 振幅スペクトル
    Adft = np.abs(dft)[:int(nfft/2)]
    # パワースペクトル
    Pdft = np.abs(dft)[:int(nfft/2)] ** 2

    return Adft, Pdft

wave_data, fs = read_wave(DATA_DIR + "a.wav")
wav = cut_wave(wave_data)
wav = preEmphasis(wav)
wav = window(wav)
Adft, Pdft = fft(wav)

6.メルフィルタバンクをかける

Figure_6.png

def hz2mel(f):
    """Hzをmelに変換"""
    return 1127.01048 * np.log(f / 700.0 + 1.0)

def mel2hz(m):
    """melをhzに変換"""
    return 700.0 * (np.exp(m / 1127.01048) - 1.0)


def melFilterBank(spec, fs=8820.0, nfft=2048, numChannels=20):
    """メルフィルタバンクを作成"""
    # ナイキスト周波数(Hz)
    fmax = fs / 2
    # ナイキスト周波数(mel)
    melmax = hz2mel(fmax)
    # 周波数インデックスの最大数
    nmax = nfft / 2
    # 周波数解像度(周波数インデックス1あたりのHz幅)
    df = fs / nfft
    # メル尺度における各フィルタの中心周波数を求める
    dmel = melmax / (numChannels + 1)
    melcenters = np.arange(1, numChannels + 1) * dmel
    # 各フィルタの中心周波数をHzに変換
    fcenters = mel2hz(melcenters)
    # 各フィルタの中心周波数を周波数インデックスに変換
    indexcenter = np.round(fcenters / df)
    # 各フィルタの開始位置のインデックス
    indexstart = np.hstack(([0], indexcenter[0:numChannels - 1]))
    # 各フィルタの終了位置のインデックス
    indexstop = np.hstack((indexcenter[1:numChannels], [nmax]))

    filterbank = np.zeros((int(numChannels), int(nmax)))
    for c in np.arange(0, numChannels):
        # 三角フィルタの左の直線の傾きから点を求める
        increment= 1.0 / (indexcenter[c] - indexstart[c])
        for i in np.arange(indexstart[c], indexcenter[c]):
            i = int(i)
            c = int(c)
            filterbank[c, i] = (i - indexstart[c]) * increment
        # 三角フィルタの右の直線の傾きから点を求める
        decrement = 1.0 / (indexstop[c] - indexcenter[c])
        for i in np.arange(indexcenter[c], indexstop[c]):
            i = int(i)
            filterbank[c, i] = 1.0 - ((i - indexcenter[c]) * decrement)

    mspec = np.log10(np.dot(spec, filterbank.T))
    return mspec, fcenters


wave_data, fs = read_wave(DATA_DIR + "a.wav")
wav = cut_wave(wave_data)
wav = preEmphasis(wav)
wav = window(wav)
Adft, Pdft = fft(wav)
Adft, fcenters = melFilterBank(Adft)
Pdft, fcenters = melFilterBank(Pdft)

7.離散コサイン変換

Figure_7.png

def dct(spec, nceps=12):
    """
    離散コサイン変換
    """
    spec = scipy.fftpack.realtransforms.dct(spec, type=2, norm="ortho", axis=-1)
    return spec[:nceps]


wave_data, fs = read_wave(DATA_DIR + "a.wav")
wav = cut_wave(wave_data)
wav = preEmphasis(wav)
wav = window(wav)
A_spec, P_spec = fft(wav)
A_spec, fcenters = melFilterBank(A_spec)
P_spec, fcenters = melFilterBank(P_spec)
A_spec = dct(A_spec)
P_spec = dct(P_spec)
13
18
0

Register as a new user and use Qiita more conveniently

  1. You get articles that match your needs
  2. You can efficiently read back useful information
  3. You can use dark theme
What you can do with signing up
13
18

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?