完整定義
梅爾頻譜圖是一種音訊訊號的時頻表示,它通過將音訊的頻率轉換到梅爾尺度上,模擬人類聽覺系統對不同頻率的感知敏感度。相較於傳統頻譜圖,梅爾頻譜圖更能捕捉音訊中對人類聽覺重要的特徵,因此廣泛應用於語音辨識、音樂分析等領域。
白話說明
你有沒有想過,手機聽懂你說話,背後先把聲音變成什麼樣的圖?
你可以把梅爾頻譜圖想成,先把聲音切成時間和頻率的圖,再用更接近人耳聽感的尺度表示。
它重要在於,很多語音辨識和音訊分類模型,不是直接吃原始聲波,而是先吃這種圖。
記住這句
把聲音變成更像人耳感覺的圖,再交給模型。
比喻:梅爾頻譜圖就像把聲音變成一幅「視覺化的樂譜」-- 它特別調整了頻率的顯示方式,讓低音和高音的差異更符合人耳的感知,這樣機器就能更像人類一樣「聽懂」聲音的內容。
容易混淆
梅爾頻譜圖 vs 原始波形
梅爾頻譜圖:把聲音轉成可學習的二維表示。
原始波形:保留最原始的振幅隨時間變化。
最關鍵的區別:前者更適合模型學特徵,後者保留的是原始訊號。
梅爾頻譜圖 vs 一般頻譜圖
梅爾頻譜圖:頻率軸會依人耳感知重新壓縮。
一般頻譜圖:直接看線性頻率分布。
最關鍵的區別:梅爾尺度更貼近人類聽覺。
實際案例
語音辨識前處理
你講一句話後,系統先算出梅爾頻譜圖,再送進模型辨認每個音節和字詞。
環境音分類
模型聽到警報、引擎或鳥叫時,先把聲音轉成頻譜圖,辨識會比直接處理波形更穩。
演算法與應用
它通常會先做短時傅立葉轉換,再把線性頻率映射到梅爾尺度。
視窗長度、步長和梅爾濾波器數量,都會影響最後的圖長什麼樣。
在語音和音訊任務裡,它常被視為一種很重要的特徵工程。
情境判斷
Q1(情境題): 如果你要做語音辨識,直接丟波形就夠了嗎?
看模型設計。端到端模型可以直接吃波形,但很多傳統或輕量方法仍會先用梅爾頻譜圖。
Q2(情境題): 如果聲音很吵,梅爾頻譜圖還有用嗎?
有用,但不保證夠。還要搭配降噪、增強資料和更好的模型設計。
常見問題
不一定。它本質上是數值矩陣,顏色只是視覺化方式。
不是。梅爾頻譜圖是輸入特徵,語音辨識是任務。
會,像樂器分類、情緒分析、節拍偵測都可能用到。
相關術語
- 語音辨識Speech Recognition梅爾頻譜圖最常服務的任務。
- 電腦視覺Computer Vision把聲音圖像化後,很多視覺模型也能派上用場。
- 特徵工程Feature Engineering這就是聲音領域很典型的特徵工程。
- 嵌入表示Embedding音訊也可以被壓成更容易學的表示。
- 深度學習Deep Learning現在大多數音訊模型都建立在它上面。
- 波形網路WaveNet
- 資料前處理Data Preprocessing
本頁內容有提到,或屬於同一組主題的術語
來源
這個術語目前沒有標註外部來源。
其他格式:Markdown 版本