参数设置
假设采样频率 F_s = 16000 Hz、帧长 N = 512、预强调系数 α = 0.97。噪声由确定性 LCG 生成。
MFCC 提取管道
从上到下：输入信号 x[n]（蓝色）/ 功率谱 |X[k]|²（绿色）/ 梅尔滤波器组能量 log E_m（橙色）/ MFCC 系数 c_n（红色）
理论和主要公式
MFCC 是通过"接近人类听觉的梅尔标度"和"倒谱分析"的组合将语音信号压缩的特征量。处理顺序为预强调 → 窗口 → DFT → 梅尔滤波器组 → 对数 → DCT。
预强调用来强调高频（α ≈ 0.97）：
$$y[n] = x[n] - \alpha\,x[n-1]$$
对 N 个样本应用汉明窗后进行 DFT，求功率谱 $|X[k]|^2$。梅尔标度转换：
$$m(f) = 2595\,\log_{10}\!\left(1 + \frac{f}{700}\right)$$
在梅尔轴上等间距排列 M 个三角梅尔滤波器 $H_m$，获得对数滤波器组能量：
$$\log E_m = \log\!\left(\sum_{k} H_m[k]\,|X[k]|^2\right)$$
最后用 DCT 提取倒谱系数：
$$c_n = \sum_{m=0}^{M-1} \log E_m \cdot \cos\!\left(\frac{\pi n (m+\tfrac{1}{2})}{M}\right)$$
DCT 的作用是"分离对数谱的包络（声道）"和"微细结构（声带）"。低阶 c_n 对应声道形状，高阶对应声带振动。
MFCC 特征量模拟器是什么
🙋
经常听说语音识别，但计算机不是直接比较原始波形吧？
🎓
你观察得很敏锐。同一个"啊"音，由于说话人、声调、录音环境的不同，波形形状完全不同。所以要转换成称为"特征量"的数值集合，这样可以更容易识别音素。MFCC——梅尔频率倒谱系数——是一种古老而强大的特征量。上面的模拟器展示了从输入波形到谱、梅尔轴、对数、DCT 的分阶段转换过程，分为 4 段图进行展示。
🎓
人的耳朵对低频很敏感，对高频比较迟钝。1000 Hz 和 2000 Hz 的差异被感受为很大，但 6000 Hz 和 7000 Hz 的差异几乎察觉不到。梅尔标度是对这种听觉特性建模的非线性轴，定义为 $m(f) = 2595\,\log_{10}(1 + f/700)$。看第 3 段图，你会发现低频段的滤波器密集，高频段稀疏。
🙋
最后的 DCT 是干什么的？对数之后还要变换？
🎓
DCT 的作用是"压缩"和"分离"。对数梅尔谱中混合了声道形状（包络）和声带振动（微细结构）。应用 DCT 后，低阶系数包含"缓慢变化分量＝声道形状"，高阶包含"快速振动分量＝声带"。音素识别最重要的是声道形状，所以只需取低阶的 12-13 个就够了。在模拟器中把 L 从 4 增加到 20，你会看到后面的系数很小，信息量很少。
🙋
我明白了！当我把梅尔滤波器数 M 改为 10 时，滤波器组的条形数减少了。太少的话会不行吗？
🎓
正是这样，M 决定了谱的分解能。10 太粗糙了，音素之间的细微差异会消失。反之，增加到 40 分解能会提高，但相邻滤波器的相关性会增加，后面的 DCT 会变得冗余。实际应用中通常选择 20-40 之间的值，特别是 26 或 40 最常见。在模拟器中改变 M，对比第 3 和第 4 段图，能体验到这种折衷。
常见问题
语音信号由于声带振动的影响，低频能量很大，高频衰减约 -6 dB/oct。预强调 $y[n] = x[n] - \alpha x[n-1]$（α ≈ 0.97）是一个补偿这种衰减的高频强调滤波器，目的是防止后段谱表示中高频音素信息（特别是辅音）被掩盖。
DFT 假设信号是周期的，对有限长帧进行 DFT 时，两端的不连续会在谱中产生虚假的高频成分（谱泄漏）。汉明窗通过将帧的两端平滑地降到 0 来减少泄漏，同时使主峰更尖锐。窗口的选择（汉明、汉宁、布莱克曼等）涉及峰值锐度和旁瓣的权衡。
三角形被广泛采用是因为计算简单，并且在梅尔轴上相邻滤波器可以设计成半重叠。从物理角度来说，它对应人类听觉的"临界带宽"，每个滤波器代表一个听觉通道。形状改为高斯或矩形结果差异不大，三角形是实用的折衷方案。
麦克风种类、房间混响、信道特性改变时，对数谱会产生直流偏置，MFCC 整体偏移。CMVN 是在发话级别或几秒时间窗口上对 MFCC 各维度减去平均值、除以方差的正规化，产生对信道不变的特征。实际运用中，它对说话人和录音条件不匹配的鲁棒性影响很大，几乎是必须的后处理。
实际应用
语音识别（ASR）：HMM-GMM 时代的语音识别系统标准配置是在每个 10ms 帧上提取 13 维 MFCC + Δ + ΔΔ 的 39 维向量，输入到声学模型。Kaldi 等至今仍广泛使用的语音识别工具包采用 MFCC 作为基本特征量。
说话人识别和说话人验证：说话人的声道形状和声带特性强烈体现在 MFCC 的包络信息中。从经典的 GMM-UBM、i-vector 到现代的 x-vector，许多说话人嵌入方法都将 MFCC 作为输入特征。智能手机的"OK Google""Hey Siri"等说话人相关的唤醒词检测内部也使用类似的特征。
音乐信息处理：乐器音的音色识别、流派分类、乐曲相似度搜索也广泛使用 MFCC 作为基本特征。Shazam 等音乐搜索应用的指纹算法中，MFCC 被用作辅助特征。Python 音乐分析库 Librosa 默认提供 MFCC 提取函数。
异常音检测和预测性维护：在 CAE 相关领域，从机器运行声音检测异常，MFCC 是将时间波形压缩为低维特征的有用手段。旋转机械的轴承故障、电力设备的电晕放电、汽车发动机的爆震检测等"人类能通过听声音感受到差异"的任务自动化都用到了它。
常见误解和注意事项
最常见的误解是把"MFCC 就是频率谱"搞混。MFCC 实际上是对谱取对数后再做 DCT 的"倒谱"。横轴不是频率，而是称为"倒频率（quefrency）"的时间维度。低阶 c_n 代表对数谱的大局形状（声道），高阶 c_n 代表急剧变化（声带音高和噪声）。看模拟器的第 3 段（log E_m）和第 4 段（c_n），要意识到虽然都是"纵轴对数能量"，但横轴的含义完全不同。
次常见的误解是"帧长 N 越长精度越高"。本模拟器固定 N = 512（约 32ms），这是语音处理的典型值。过长会导致同一帧内包含多个音素或清浊音转换，特征量会变得模糊。过短则低频分解能不足。实际应用中，标准做法是将 20-30ms 的帧长和 10ms 的帧移结合，实现时间分辨率和频率分辨率的平衡。
最后要注意"盲目相信 MFCC 万能"。MFCC 是与线性预测、傅里叶变换并列的经典特征量，但近年的 end-to-end 神经网络语音识别越来越多地直接使用梅尔滤波器组（不进行 DCT 的 log-mel spectrogram）或原始波形。DCT 的维度压缩优点（计算量减少、参数减少）和丢弃信息的缺点（切掉高阶系数）是权衡关系。需要根据任务类型、计算资源、模型结构来判断 MFCC、log-mel 或原始波形中哪一个最优。