kaldi mfcc特征的提取，pitch（音调）

从音频文件中读取出来的原始语音信号通常称为raw waveform，是一个一维数组，长度是由音频长度和采样率决定，比如采样率Fs为16KHz，表示一秒钟内采样16000个点，这个时候如果音频长度是10秒，那么raw waveform中就有160000个值，值的大小通常表示的是振幅。

 

提取的特征最终以矩阵的形式存储，针对mfcc的矩阵维度(rowNum,colNum)，colNum=13, rowNum为帧数，与音频时长有关。

例如，音频时长5.68s，频率16k，提取帧数应该是568，但kaldi返回的是565，这与kaldi中处理不足以分帧的剩余数据的方式有关，kaldi目前这种处理方式是兼容HTk工具的。

标准情况下，帧长25ms（时间窗window size=25ms，即一帧长度），帧移10ms（帧移frame shift=10ms）。

例如，频率为16k的1s音频，在window size=25ms，frame shift=10ms下，理论上，提取的帧数frame number为1x1000ms/10ms=100，即mfcc的特征矩阵维度(100,13)。

如果不进行特征提取，则音频是16000个数据点，一个window size大小或一帧有(16000/1000ms)x25ms=400个数据，通常音频数据很多很大，直接用原生raw数据处理非常麻烦，费时等等，数据不具有代表性，这也是进行特征提取的原因，特征提取后，一个window size大小有13个数据，替代了400个数据，这13个数据是具有代表性特征的数据，可以很好得表现之前400个数据，这样就解决了直接使用raw数据的问题。

mfcc特征13维和39维的理解：在mfcc特征提取这块，经常会看到13、39这两个维数，不仔细研究它，就容易懵。

13，即numcep=13，倒频谱的数量。这13个数据描述了一帧语音信号的功率谱包络信息，属于静态特征。

但是语音也需要帧之间的动态变换信息，比如mfcc随时间的变换轨迹，因此加入了一阶差分delta（13个数据）和二阶差分delta-delta（13个数据）动态信息，

此时mfcc特征维度就是为39维。

13维：mfcc静态特征 39维：mfcc静态特征 + 一、二阶差分（delta）动态特征

提取的特征最终以矩阵的形式存储，针对pitch的矩阵维度(rowNum,colNum)，colNum=16, rowNum为帧数，与音频时长有关。
16维：13（mfcc）+ 3（pitch）
后3维特征：pov-feature, pitch-feature and delta-pitch-feature，具体可参考

原文链接：

https://blog.csdn.net/qq_41790807/article/details/105797131

https://www.cnblogs.com/liaohuiqiang/p/10159429.html