本翻譯原文http://kaldi.sourceforge.net/feat.html，由@煮八戒翻譯，@wbglearn校對和修改。
特徵提取
簡介
我們做特徵提取和波形讀取的這部分代碼，其目的是爲了得到標準的MFCC(譯註：梅爾倒譜系數)和PLP(譯註：感知線性預測係數)特徵，設置合理的默認值但留了一部分用戶最有可能想調整的選項（如梅爾濾波器的個數，最小和最大截止頻率等等）。這部分代碼只讀取wav文件裏的pcm(譯註：脈衝編碼調製)數據。這類文件通常帶.wav或.pcm後綴（雖然有時.pcm後綴會用於sph文件；這種情況下必須轉換該文件）。假如源數據不是wav類文件，則用戶可自由選擇命令行工具來轉換，而我們提供的sph2pipe工具已能滿足一般的情況。
命令行工具compute-mfcc-feats和compute-plp-feats計算特徵；同其它Kaldi工具一樣，不帶參數地運行它們會給出一個選項列表。例子腳本里顯示了這些工具的用法。
計算MFCC特徵
這裏我們介紹如何使用命令行工具compute-mfcc-feats計算MFCC參數。該程序需要兩個命令行參數：rspecifier是用來讀.wav數據（以發音爲索引）和wspecifier是用來寫特徵（以發音爲索引）；參見The Tableconcept和Specifying Table formats: wspecifiers and rspecifiers獲取更多關於這些術語的解釋。典型的用法是，將數據寫入一個大的“archive”文件，也寫到一個“scp”文件以便隨機存取；參見Writing an archive and a script file simultaneously解釋。程序沒有添加增量功能（如需添加，參見add-deltas）。它接收選項-channel來選擇通道（如–channel=0, –channel=1），該選項在讀取立體聲數據時很有用。
計算MFCC特徵由Mfcc類型的對象完成，它有Compute()函數可以根據波形計算特徵。
完整的MFCC計算如下所示：
· 計算出一個文件中幀的數目（通常幀長25ms幀移10ms）。
· 對每一幀：
o 提取數據，可選做dithering（注：直譯爲抖動，在這裏可以理解爲類似歸一化的預處理），預加重和去除直流偏移，還可以和加窗函數相乘（此處支持多種選項，如漢明窗）
o 計算該點能量（假如用對數能量則沒有C0）
o 做FFT（譯註：快速傅里葉變換）並計算功率譜
o 計算每個梅爾濾波器的能量；如23個部分重疊的三角濾波器，其中心在梅爾頻域等間距
o 計算對數能量並作餘弦變換，根據要求保留係數（如13個）
o 選做倒譜變換；它僅僅是比例變換，確保係數在合理範圍。
上下截止頻率根據三角濾波器界定，由選項–low-freq和–high-freq控制，通常分別設置爲0Hz和奈奎斯特頻率附近，如對16kHz採樣的語音設置爲–low-freq=20 和 –high-freq=7800。
Kaldi的特徵和HTK的特徵在很多方面不同，但是幾乎所有這些不同歸結於有不同的默認值。用選項–htk-compat=true並正確設置參數，能得到同HTK非常接近的特徵。一個可能重要的選項是我們不支持能量最大歸一化。這是因爲我們希望能把無狀態方式應用到歸一化方法，且希望從原理上計算一幀幀特徵仍能給出相同結果。但是程序compute-mfcc-feats裏有–subtract-mean選項來提取特徵的均值。對每個語音做此操作；每個說話人可以有不同的方式來提取特徵均值。（如在腳本里搜“cmvn”，表示倒譜均值和方差歸一化）。
計算PLP特徵
計算PLP特徵的算法與MFCC的算法前期是一樣的。稍後我們也許會在此部分增加些內容，但目前參見Hynek Hermansky《語音的感知線性預測（PLP）分析》，Journal ofthe Acoustical Society of America, vol. 87, no. 4, pages 1738–1752 (1990).
特徵級聲道長度歸一化（VTLN）
程序compute-mfcc-feats和compute-plp-feats接收一個VTLN彎折因子選項。在目前的腳本中，這僅用作線性版的VTLN的初始化線性轉換的一種方法。VTLN通過移動三角頻率箱的中心頻率的位置來實現。移動頻率箱的彎折函數是一個在頻域空間分段線性的函數。爲理解它，記住以下數量關係：
0 <= low-freq <=vtln-low < vtln-high < high-freq <= nyquist
此處，low-freq和high-freq分別是用於標準MFCC或PLP計算的最低和最高頻率（忽略更低和更高的頻率）。vtln-low和vtln-high是用於VTLN的截止頻率，它們的功能是確保所有梅爾濾波器有合適的寬度。
我們實現的VTLN彎折函數是一個分段線性函數，三個部分映射區間[low-freq,high-freq]至[low-freq, high-freq]。記彎折函數爲W(f)，f是頻率。中段映射f到f/scale，scale是VTLN彎折因子（通常範圍爲0.8到1.2）。x軸上低段和中段的連接點是滿足min(f,W(f)) = vtln-low的f點。x軸上中段和高端的連接點是滿足max(f, W(f)) = vtln-high的f點。要求低段和高段的斜率和偏移是連續的且W(low-freq)=low-freq， W(high-freq)=high-freq。這個彎折函數和HTK的不同；HTK的版本中，"vtln-low"和"vtln-high"的數量關係是x軸上可以不連續的點，這意味着變量"vtln-high"必須基於彎折因子的可能範圍的先驗知識謹慎選擇（否則梅爾濾波器可能爲空）。
一個合理的設置如下（以16kHz採樣的語音爲例）；注意這反映的是我們理解的合理值，並非任何非常細緻的調試實驗的結果。
|
low-freq |
vtln-low |
vtln-high |
high-freq |
nyquist |
|
40 |
60 |
7200 |
7800 |
8000 |