我一直在网上阅读一些零碎的东西，但我就是无法将它们拼凑在一起。我有一些信号/DSP 的背景知识，这应该是足够的先决条件。我有兴趣最终用 Java 编写这个算法，但我还不完全理解它，这就是我在这里的原因（它算作数学，对吧？）。

以下是我认为它与我的知识差距一起工作的方式。

1. 从您的音频语音样本开始，比如一个 .wav 文件，您可以将其读入数组。调用此数组，其中的范围为（因此个样本）。这些值对应于我猜的音频强度 - 幅度。$x[n]$$n$$0, 1, \ldots ,N-1$$N$

2. 将音频信号拆分为 10 毫秒左右的不同“帧”，您假设语音信号是“静止的”。这是一种量化形式。因此，如果您的采样率为 44.1KHz，则 10ms 等于 441 个样本，或的值。$x[n]$

3. 进行傅立叶变换（为了计算而进行 FFT）。现在这是在整个信号上完成还是在的每个单独帧上完成？我认为这是有区别的，因为通常傅里叶变换会查看信号的所有元素，因此与与连接，其中是较小的帧。无论如何，假设我们做了一些 FFT 并在剩下的部分中$x[n]$$\mathcal F(x[n]) \neq \mathcal F(x_1[n])$$\mathcal F(x_2[n])$$\ldots \mathcal F(x_N[n])$$x_i[n]$$X[k]$

4. 映射到梅尔比例，并记录。我知道如何将常规频率数转换为梅尔刻度。对于中的每个（如果您允许的话，“x 轴”），您可以在此处执行公式：http ://en.wikipedia.org/wiki/Mel_scale 。的“y 值”或幅度如何呢？它们是否只是保持相同的值，但转移到新梅尔 (x-) 轴上的适当位置？我在一些论文中看到了一些关于记录 X[k] 的实际值的内容，如果其中一个信号被假定为你不想要的噪声，这个方程上的对数运算将乘性噪声变成了加性噪声，希望可以被过滤掉（？）。$k$$X[k]$$X[k]$$X[k]$$X[k] = A[k]*B[k]$

5. 现在最后一步是从上面对修改后的进行 DCT （但它最终被修改了）。然后你取这个最终结果的幅度，这些就是你的 MFCC。我读了一些关于丢弃高频值的东西。$X[k]$

所以我正试图真正解决如何逐步计算这些人，显然有些事情是从上面躲避我的。

另外，我听说过使用“滤波器组”（基本上是一组带通滤波器），不知道这是指从原始信号制作帧，还是您在 FFT 之后制作帧？

最后，我看到了一些关于具有 13 个系数的 MFCC？