倒譜分析與mfcc系數--倒譜計算與顯示_語音合成中的Mel譜和MFCC譜無差別

語音合成目前比較流行的方案是Tacotron(2) + WaveNet(WaveRNN, LPCNet)等神經網絡聲碼器。

這些方案的流程大緻相同，先由文本生成特征譜，再将特征譜重建為音頻。在選擇特征譜的時候，有的使用了Mel譜，有的使用了倒譜。

本文通過梳理計算倒譜的流程，試圖說明使用Mel譜和倒譜并無差別。

下圖是Matlab計算倒譜的過程

可以分成以下幾步：

1. 音頻時域信号分幀
2. 對每一幀進行傅裡葉變換，并取幅值，得到線性譜
3. 對線性譜進行Mel刻度的權重求和，得到Mel譜
4. 取log10，得到Fbank
5. 取離散餘弦變換，得到倒譜系數

從以上過程可以知道，Mel譜和倒譜系數的差別，在于一個取對數和取離散餘弦變換的過程。

我們知道，離散餘弦變換是一個線性變換。線性變換對于神經網絡來說是小菜一碟。是以Mel譜和倒譜系數的

主要差別是取對數的過程

。

在幾乎所有的開源代碼中，使用Mel譜特征的時候，

都會對Mel譜特征求db值

，也就是求一個N*log10()的值。其中N與mel譜幅值是否平方有關：如果Mel譜單是傅裡葉變換後的幅值，那麼N一般取10；如果Mel譜是傅裡葉變換後幅值的平方，那麼N一般取20。按照這樣的方法，Mel譜特征和倒譜特征隻差了一個線性變換矩陣，對于神經網絡來說相當于沒差。

是以，

在使用Mel譜特征時，如果計算了db值，那麼和使用Mfcc倒譜特征效果應是相同的

。