3.2 破碎筛分：MFCC 与 FBank 特征提取、CMVN 均质

3.2 破碎筛分：MFCC 与 FBank 特征提取、CMVN 均质

本节摘要：特征提取把连续波形磨成向量串——分帧加窗、算谱、梅尔滤波、取对数，再到倒谱或滤波器组两组特征，最后用倒谱均值方差归一化抹平信道差异。本节讲透每道子工序的参数与动机，给出配置文件与验收命令，并说清两组特征的选型依据。承接 3.1 的登记入册，为第 4 章训练备料。

把大石头磨成细沙

登记入册的矿石还是整块的：一段几秒的波形，是个上万点的数字序列。声学模型消化不了这么粗的料，破碎筛分的第一步是分帧——按固定窗长切窗，窗与窗之间错开一小步。通行参数是窗长二十五毫秒、步长十毫秒：每秒音频出一百帧，每帧四百个采样点（按十六千赫兹算）。窗长决定"每口嚼多大"，步长决定"嚼多密"，两个参数写进配置文件，全产线共用。

分完帧要加窗。直接截断的帧在首尾有突变，谱能量会泄漏到别的频段，像筛子漏砂。窗函数（常用汉明窗）把每帧首尾平滑压到零，谱就干净了。加窗之后做傅里叶变换，时域的一帧变成频域的一条能量分布曲线——矿砂被磨出了成分谱。

接下来是梅尔刻度的滤波器组：在频轴上铺一排三角形滤波器，低频密、高频疏，模拟人耳对音高的非线性感知——低频的细微差别人耳分得清，高频要差很多才察觉。每帧的谱经过这排滤波器，压缩成几十个频带的能量。再取对数，把乘性关系变成加性关系，也把动态范围压到模型好处理的量级。

到这一步得到的向量串叫滤波器组特征（常记作 FBank）。在它基础上再做一次离散余弦变换，把能量分布的"包络"与"细节"分开，取前若干维，就是梅尔倒谱系数（MFCC）。一次变换，两种产品：滤波器组保留全部频带能量，信息更足；倒谱压缩了维度、相邻维去相关，更适合高斯模型这类假设各维独立的打分器。

图 破碎筛分流水线：从波形到入库特征

差分与拼接：给特征加上时间感

单帧特征是静态照片，听感里大量信息藏在变化里——音素的边界、语调的走向。差分特征补的就是这一维：每帧前后各取几帧同维数值，按权重相减，得到"这一维正在变快还是变慢"的一阶差分；对差分再差一次，得二阶差分。十三维倒谱拼上两个差分，三十九维向量才是喂给经典模型的完整口粮。

滤波器组特征通常不拼差分（神经网络自己看得见上下文帧），但会拼其他辅助特征：基频、能量、说话人向量。拼接的通用逻辑是"把不同来源的向量按维并排"，第 6 章讲自适应时还会用到这一手。

均质：CMVN 抹平信道差异

同一句话，会议室麦克风录的与手机录的，特征分布能差出一截——信道、麦克风、说话人嗓音条件的差异都叠在特征上。倒谱均值方差归一化的做法直白：对每个说话人（或每条录音）的全部帧，逐维减均值、除标准差。信道的影响大多表现为乘性偏置，落在对数域就是加性偏移，减均值正好抵掉。

归一化的粒度是说话人级——这正是 3.1 节坚持登记说话人映射的原因之一。没有说话人信息就只能按录音归一，短录音的统计量不稳，效果打折。另一种更强的是基于模型的自适应（第 6 章展开），入门阶段掌握说话人级归一化已够用。

配置与验收

特征参数集中在配置文件里，一份配置一个产出口径。看懂一份真实的配置：

# 特征配置（放在食谱的配置目录内）
--use-energy=false       # 不用能量维，改用零阶倒谱
--num-mel-bins=23        # 梅尔滤波器个数：二十三为经典值
--num-ceps=13            # 保留前十三维倒谱系数
--low-freq=20            # 滤波下限：二十赫兹以下无语音信息
--high-freq=7600         # 滤波上限：十六千赫兹采样时约七千六
--sample-frequency=16000 # 采样率口径，与音频实际一致
​

提取与归一化两步走，然后验收帧数：

# 提取特征并算归一化统计量（在食谱目录内）
steps/make_mfcc.sh --nj 4 --mfcc-config conf/mfcc.conf data/my_train
steps/compute_cmvn_stats.sh data/my_train
# 预期输出：进度条走完，数据目录下新增特征索引与统计量索引

# 验收：看某句话的特征到底有多少帧、多少维
feat-to-len scp:data/my_train/feats.scp ark,t:- | head -n 3
# 预期输出（示例）：
# speakerA_0001 217
# speakerA_0002 184
# speakerA_0003 256
# 每行是话语标识加帧数，帧数应约等于音频秒数乘一百
​

帧数验算是道便宜的保险：一句两秒的话出二百帧上下，对不上就是采样率或配置出了问题。特征本体存在压缩档案里，索引文件只记"哪句话的特征在哪一段"，训练时按索引随机读取，几万小时语料也能高效访问。

存储细节还有两处值得知道。其一，特征在档案里默认做了有损压缩（类似把浮点压成低精度整数再存偏移），体积缩到约三分之一，精度损失对训练无可感知影响，但若要做特征级数值实验，记得有"无损拷贝"选项。其二，多路并行提取时每路各写一个档案，索引文件自动合并——所以并行度随手调，不会乱账。这两处平时不必惦记，排查"特征数值怎么对不上"类问题时才用得上。

差分之外的另一种补时间感的思路也顺带交代：与其手工拼差分，不如让模型直接看前后几帧——神经网络时代普遍这么干，这也解释了为什么滤波器组特征搭配网络时不再需要差分。旧工艺为新工艺让路，但"给模型时间上下文"这个需求本身从未变过。

选型：倒谱还是滤波器组

选型经验一句话：走高斯混合老路线用倒谱，走神经网络新路线用滤波器组。神经网络不怕维间相关，反而嫌倒谱把信息压丢了。链式模型时代干脆普遍改用滤波器组，第 4 章的训练流程会看到这条分界线。

⚠️ 常见坑一：改了特征配置忘了重算，新旧特征混在一个目录里，训练日志的似然值会莫名跳动。坑二：采样率口径不一致，配置写一万六、音频实际四万八，帧数验算直接露馅。坑三：归一化统计量缺失或粒度错乱，症状是某几个说话人的识别结果系统性变差。

工序交接单

• 粒度三参数：窗长、步长、滤波器个数，写进配置，全产线一个口径。
• 两代特征两条路：倒谱配高斯，滤波器组配网络，别串台。
• 归一化靠说话人：映射表登记不全，均质这道工序就残废。
• 帧数验算是最便宜的质检：一除一比，采样率与配置错误当场现形。

特征入库，下一道工序伺候标签：转写文本里的标点、数字、生僻词，怎么治理成与词典对齐的干净标注。