mfcc特征处理

[oslijunw]

如果我用librosa 进行特征抽取

--use-energy=false # use average of log energy, not energy.

--sample-frequency=16000 # Switchboard is sampled at 8kHz

--num-mel-bins=40 # similar to Google's setup.

--num-ceps=40 # there is no dimensionality reduction.

--low-freq=40 # low cutoff frequency for mel bins

--high-freq=-200 # high cutoff frequently, relative to Nyquist of 8000 (=3800)

mfccs = librosa.feature.mfcc( y, n_mels=40, fmin=40, fmax=3800, sr=16000, n_mfcc=60 ) 这样能对其吧

[TTTdas]

其中n_mfcc=40。另外窗函数上使用的是povey窗，这个librosa是不支持的，可能需要手动实现一个自定义的povey窗

[oslijunw]

假如我直接使用pykaldi，只要用了mfcc.conf抽取的mfcc特征应该能起到一样的效果吧 @TTTdas

[csukuangfj]

1. 用 librosa 是不可以的。里面的 mel scale 处理方法，和 kaldi 不一样.

2. 推荐使用 https://github.com/csukuangfj/kaldi-native-fbank 和 kaldi 完全兼容，因为底层c++ 代码，就是完全 copy 自 kaldi, 但是不依赖 Kaldi. kaldi-native-fbank 提供 c++ 和 python api. 已经在 sherpa-onnx 验证过，支持 linux/windows/macos/android/ios/树莓派/arm64/arm32/riscv64 等

使用方法

pip install kaldi-native-fbank>=1.19.3

然后参考 https://github.com/csukuangfj/kaldi-native-fbank/blob/master/kaldi-native-fbank/python/tests/test_online_mfcc.py

[faker-bert]

1. 用 librosa 是不可以的。里面的 mel scale 处理方法，和 kaldi 不一样.

2. 推荐使用 https://github.com/csukuangfj/kaldi-native-fbank 和 kaldi 完全兼容，因为底层c++ 代码，就是完全 copy 自 kaldi, 但是不依赖 Kaldi. kaldi-native-fbank 提供 c++ 和 python api. 已经在 sherpa-onnx 验证过，支持 linux/windows/macos/android/ios/树莓派/arm64/arm32/riscv64 等

使用方法

pip install kaldi-native-fbank>=1.19.3

然后参考

https://github.com/csukuangfj/kaldi-native-fbank/blob/master/kaldi-native-fbank/python/tests/test_online_mfcc.py

直接用kaldi镜像做服务化处理也可以

[csukuangfj]

https://pypi.org/project/kaldi-native-fbank/#files

kaldi-native-fbank 编译好的 whl, 只有几百 KB.

Python 包，除了 numpy, 就没有其他的依赖了.

如果需要轻量化部署，推荐 kaldi-native-fbank.