MFCC音频指标具体是怎么得来的？

### 回答1：
MFCC音频指标是通过对音频信号进行预处理、分帧、傅里叶变换、梅尔滤波器组滤波、离散余弦变换等一系列数学计算得到的。具体来说，MFCC首先将音频信号分成若干个短时窗口，然后对每个窗口进行傅里叶变换，得到频谱图。接着，通过梅尔滤波器组对频谱图进行滤波，将其转换为梅尔频率谱。最后，对梅尔频率谱进行离散余弦变换，得到MFCC系数，这些系数可以用来表示音频信号的特征。

### 回答2：
MFCC（Mel-frequency cepstral coefficients）是一种常用的音频特征提取方法。它通过一系列步骤得到。

首先，音频信号会经过预处理。常见的方法是对音频进行去噪处理，去除背景噪声和其他不必要的干扰因素。

接下来，音频信号会被分帧。这意味着将连续的音频信号分割成小的时间段，称为帧。每个帧通常有20-40毫秒的长度，相邻帧之间会有一定的重叠。

然后，对每个帧应用傅立叶变换。这将将音频信号从时域转换为频域，得到帧的频谱表示。频谱表示了每个频率在帧中的能量分布。

接下来，应用梅尔滤波器组。梅尔滤波器组是一组滤波器，其带通特性与人耳对声音频率的感知特性相匹配。对每个频谱帧应用梅尔滤波器组，将得到梅尔频谱。

然后，对梅尔频谱进行对数操作，以提高低能量的辨识度。

接下来，将对数梅尔频谱进行离散余弦变换（DCT），得到MFCC。离散余弦变换将频谱数据转换为倒谱系数，这些系数表示了音频信号的声学特征。

最后，根据需要，选择一定数量的MFCC系数作为音频特征。通常选择前10-20个MFCC系数作为特征向量。

综上所述，MFCC音频指标是通过对音频信号进行预处理、分帧、傅立叶变换、梅尔滤波器组、对数操作和离散余弦变换等一系列步骤得到的。它在音频信号的频域表示上采用了与人耳听觉感知相匹配的滤波器组，从而提取了音频的主要声学特征。

### 回答3：
MFCC是Mel Frequency Cepstral Coefficient的缩写，是一种提取音频特征的方法，常用于语音识别和音频信号处理领域。

MFCC的计算步骤如下：

1. 预处理：将音频信号分为短时帧。通常每帧大小为20-40毫秒，相邻帧之间有重叠。

2. 加窗：对每帧应用一个窗函数，通常使用汉明窗或矩形窗。

3. 快速傅里叶变换（FFT）：将每帧通过FFT转换为频域表示。

4. 滤波器组设计：设计一组Mel滤波器组，用于模拟人耳对声音的感知。这些滤波器在低频段更密集，在高频段更稀疏。

5. 滤波器组应用：对每帧的频域表示通过滤波器组进行滤波，得到每个滤波器通道的能量。

6. 对数化：取每个滤波器通道的对数能量，目的是模拟人耳的对音强度的非线性感知。

7. 离散余弦变换（DCT）：对对数能量进行DCT变换，得到倒谱系数（Cepstral Coefficients）。通常，只保留前N个系数，舍弃剩余的系数，以降低特征的维度。

8. 差分：对倒谱系数进行差分运算，得到一阶和二阶差分系数。这些差分系数可以提供一些音频的动态信息。

最终，MFCC提取到的一组特征向量即为音频的MFCC特征，用于后续的音频识别或语音处理任务。这些特征向量在频域上提取了音频的关键信息，并削减了噪音和不相关信息的影响，具有较好的抗噪声和可区分性能。