第5章 特徵提取#

原始取樣點對機器而言太過龐雜：一秒 16000 個數字，幾乎沒有可直接比對的結構。特徵提取（feature extraction）的目標，就是把冗長的波形壓縮成一組少而有意義的參數，讓分類器、辨識器或生成模型有一個「乾淨的立足點」。

本章依介紹三組經典特徵。首先是線性預測編碼（LPC）：假設目前樣本是過去樣本的線性組合，用 Levinsonto–Durbin 遞迴解出預測係數，這些係數對應聲道的共振頻率（formants），是語音編碼與共振峰追蹤的基石。接著是今天公認最重要的一般性聲音特徵——梅爾頻譜與 MFCC：把線性頻譜經過模仿人耳的梅爾刻度壓縮，再取對數與離散餘弦轉換，得到既貼近聽覺感知又高度去相關的低維向量。最後補上音高（pitch）、音色（timbre）相关的參數，例如光譜質心、頻譜寬度、attack/decay 包絡等。

所有特徵我們都以 numpy 從零實作，不用現成套件，確保你看懂每一行的意義。這些特徵在第 7 章的語音辨識、第 8 章的音樂資訊檢索、第 10 章的深度模型中都會再度出場，是整本書的樞紐章。