介绍
我们的特征提取和波形读取代码旨在创建标准的MFCC和PLP功能，设置合理的默认值，但保留人们最可能想要调整的选项（例如，梅尔箱的数量，最小和最大频率截止，等等）。此代码仅从包含pcm数据的.wav文件中读取。这些文件通常后缀为.wav或.pcm（尽管有时将.pcm后缀应用于sphere文件；在这种情况下，必须转换该文件）。如果源数据不是wave文件，那么用户可以找到一个命令行工具来对其进行转换，但是为了覆盖一个常见情况，我们确实提供了sph2pipe的安装说明。
命令行工具compute-mfcc-feats和compute-plp-feats计算功能。与其他Kaldi工具一样，不带参数运行它们会提供选项列表。示例脚本演示了这些工具的用法。
计算MFCC功能
在这里，我们描述了如何通过命令行工具compute-mfcc-feats计算MFCC功能。该程序需要两个命令行参数：一个rspecifier用来读取.wav数据（由话语索引）和一个wspecifier来写入这些功能（由话语索引）；有关这些术语的更多说明，请参见表概念和指定表格式：wspecifiers和rspecifiers。在典型的用法中，我们将数据写入一个大的“存档”文件，但也写出一个“ scp”文件以方便随机访问。请参阅同时写入档案和脚本文件进行解释。该程序不会添加增量功能（为此，请参阅add-deltas）。它接受–channel选项来选择通道（例如–channel = 0，–channel = 1），这在读取立体声数据时很有用。
MFCC特征的计算是通过Mfcc类型的对象完成的，该对象具有函数Compute（）来从波形中计算特征。
总体MFCC计算如下：
- 计算出文件中的帧数（通常为25 ms帧，每次偏移10ms）。
- 对于每一帧：
- 提取数据，进行可选的抖动，预加重和直流偏移消除，然后将其乘以开窗函数（此处支持各种选项，例如汉明）
- 计算此时的能量（如果使用对数能量而不是C0）。
- 进行FFT并计算功率谱
- 计算每个熔炉中的能量；这些是例如23个三角形重叠的条带，其中心在mel频域中均等间隔。
- 计算能量的对数并进行余弦变换，并保持指定的尽可能多的系数（例如13）
- 可选地进行倒谱提升；这只是系数的缩放比例，可以确保它们具有合理的范围。
三角形梅尔箱所覆盖的频率范围的上限和下限由–low-freq和–high-freq选项控制，它们通常分别设置为接近零和奈奎斯特频率，例如–low-freq = 20和–high-freq = 7800（用于16kHz采样语音）。
这些功能在许多方面与HTK功能有所不同，但是几乎所有这些功能都与具有不同的默认设置有关。使用选项–htk-compat = true并正确设置参数，可以非常接近HTK功能。我们不支持的一种可能重要的选择是能量最大归一化。这是因为我们更喜欢可以以无状态方式应用的归一化方法，并且希望保持特征计算，以便原则上可以逐帧完成并且仍然给出相同的结果。但是，程序compute-mfcc-feats确实具有选项–subtract-mean减去特征的均值。这是根据每个发音完成的；每个说话者有不同的方法（例如，在脚本中搜索“ cmvn”，即倒谱均值和方差归一化）。
计算PLP功能
在早期阶段，用于计算PLP功能的算法类似于MFCC。稍后我们可能会在本节中添加更多内容，但现在参见Hynek Hermansky撰写的“语音的线性感知线性预测（PLP）分析”，美国声学学会杂志，第1卷。87号 4，第1738–1752页（1990年）。
功能级别的人声道长度归一化（VTLN）。
程序compute-mfcc-feats和compute-plp-feats接受VTLN扭曲因子选项。在当前脚本中，这仅用作初始化VTLN线性版本的线性变换的方法。VTLN通过移动三角频率仓的中心频率的位置来起作用。使频率仓移动的扭曲函数是频率空间中的分段线性函数。要了解它，请记住以下数量：
0 <=低频率<= vtln-低
此处，低频和高频是在标准MFCC或PLP计算中使用的最低和最高频率（较低和较高的频率被舍弃）。vtln-low和vtln-high是VTLN中使用的频率截止，其功能是确保所有mel bin均具有合理的宽度。
我们实现的VTLN翘曲函数是一个分段线性函数，具有三个段，将区间[low-freq，high-freq]映射到[low-freq，high-freq]。令翘曲函数为W（f），其中f为频率。中心线段将f映射到f / scale，其中“ scale”是VTLN扭曲因子（通常在0.8到1.2的范围内）。下段与中间段的连接在x轴上的点是定义的点f，因此min（f，W（f））= vtln-low。x轴上的中间段与上段连接的点是定义的点f，因此max（f，W（f））= vtln-high。下段和上段的斜率和偏移量由连续性和W（低频率）=低频率且W（高频率）=高频率的要求决定。此翘曲功能与HTK不同。在HTK版本中，“ vtln-low”
合理的设置如下（对于16kHz采样语音）；请注意，这反映了我们对合理值的理解，而不是任何非常仔细的调整实验的产物。