搜尋意圖： 如果你在找「音訊特徵提取 是什麼」或「音訊特徵提取 和相近概念差在哪」，先看這頁的短定義、完整說明與延伸比較。
TL;DR： 從原始音訊訊號中自動計算或學習具有代表性的低維特徵向量，用於後續機器學習任務。
實用情境： 適合用在閱讀 AI 文章、產品文件或和同事討論時，先用一頁快速對齊概念。
下一步： 先讀完定義，再往下看延伸比較與對應工具，把概念轉成實際應用。
從原始音訊訊號中自動計算或學習具有代表性的低維特徵向量，用於後續機器學習任務。
音訊特徵提取（Audio Feature Extraction）是連接原始物理訊號與機器學習演算法之間的橋樑。好的特徵應該低維、高效、能保留任務相關訊息同時去除無關變異。
音訊訊號的基本性質
- 採樣率（Sample Rate）：每秒採樣次數，通常 16-48 kHz 語音、44.1-192 kHz 音樂。
- 樣本位深（Bit Depth）：每個樣本的位元數，通常 16 或 24 bit。
- 通道數：單聲道、立體聲、多通道。
- 訊噪比（SNR）：信號與背景雜音的相對強度。
傳統手工設計特徵
梅爾倒譜係數（MFCC）
- 過程：波形 → 分幀 → FFT → 梅爾濾波 → 對數 → DCT → MFCC
- 維度：通常 13-39（13 個靜態係數 + delta + delta-delta）
- 優點：緊湊、計算快、適合傳統分類器（GMM、SVM）。
- 缺點：DCT 可能丟失時頻細節，且對雜訊敏感。
- 應用：語音辨識（特別是傳統 GMM-HMM）、說話者驗證。
梅爾頻譜（Mel-Spectrogram）
- 過程：波形 → 分幀 → FFT → 梅爾濾波 → 對數能量
- 維度：通常 64-128
- 優點：保留時頻結構，神經網路易於學習；視覺化直觀。
- 缺點：維度高於 MFCC，計算稍費時。
- 應用：現代深度學習系統（ASR、音樂分類、聲場分析）的主流輸入。
色彩頻譜（Chroma Features）
- 過程：FFT 後按半音（semitone）聚集能量為 12 維（C, C#, ..., B）。
- 優點：對音樂應用具有高度的語義相關性（和弦、旋律）。
- 應用：和弦識別、音樂相似度、音樂轉錄。
光譜質心、頻譜滾降、過零率等
- 光譜質心（Spectral Centroid）：頻譜的加權平均頻率，反映音色亮度。
- 頻譜滾降（Spectral Rolloff）：能量的 95% 集中在其以下的頻率。
- 過零率（Zero Crossing Rate）：波形通過零軸的次數，與音色粗糙度相關。
- 應用：音樂流派分類、樂器識別。
臨時特徵（Temporal Features）
- 能量、根平方值（RMS）、短時能量。
- 應用：語音/非語音檢測、音量標準化。
梅爾刻度與人耳感知的對應
人耳對頻率的感知非線性：低頻的小變化容易被察覺，高頻的大變化才能被察覺。梅爾刻度（Mel Scale）模擬這一非線性特性： 梅爾頻率 = 2595 × log₁₀(1 + f/700) 其中 f 是物理頻率（Hz）。梅爾濾波組按梅爾刻度均勻分布，使神經網路更好地學習人耳相關特徵。
自監督預訓練表示（Self-Supervised Audio Representations）
Wav2Vec 系列（Meta）
- Wav2Vec 2.0：在原始波形上進行對比預訓練，聚類學習離散音素標籤。
- 方法：遮罩輸入波形的若干時間塊，預測遮罩位置的隱層表示，同時推避干擾樣本。
- 優勢：無需任何標注，生成的表示具有很強的音素級別結構。
- 應用：低資源語言 ASR、說話者識別。
HuBERT（Meta）
- 過程：迭代式 k-means 聚類 → 語言建模目標。
- 特點：更直接地學習人類可理解的音素級別標籤。
- 優勢：表示易於解釋，多語言轉移效果好。
Whisper（OpenAI）
- 大規模多語言、多任務預訓練（ASR、翻譯、語言識別）。
- 生成的表示既有聲學資訊又融合語言理解。
音樂特定的預訓練表示
- MULE、Jukebox 等針對音樂音訊的預訓練模型。
- 捕捉樂器、和弦、節奏等音樂特有的特徵。
多尺度與多域特徵
實際應用中，單一特徵可能不足，常採用：
- 多尺度特徵：同時提取不同時間尺度的特徵（短期 + 中期 + 長期）。
- 多域特徵：時域、頻域、倒譜域特徵組合。
- 空間特徵（多麥克風）：方向、擴散度、環境幾何等。
特徵標準化與前處理
- 均值標準化（Standardization）：減去均值、除以標準差。
- Whitening：消除特徵間的相關性（PCA）。
- 對數縮放：壓縮大動態範圍。
- 倒譜提升（Cepstral Lifting）：強調不同頻率帶的重要性。
特徵提取與任務相關性
最優特徵取決於下游任務：
- 語音辨識：Mel-Spectrogram 或 MFCC（傳統），或原始波形（深度學習）。
- 語音者識別：i-vector、x-vector（深層神經網路提取的說話者特徵）。
- 音樂流派分類：梅爾頻譜、MFCC、色彩特徵的組合。
- 聲音事件檢測：梅爾頻譜、可能加上時間導數。
- 音樂轉錄：色彩特徵、恆Q變換（CQT）。
計算效率與邊緣部署
傳統特徵（MFCC）計算複雜度 O(n log n)，適合邊緣設備；神經網路特徵提取需要運行推論，計算量更大但可用量化與蒸馏加速。
開源工具與函式庫
- Librosa（Python）：最廣泛使用的音訊分析函式庫，支援多種特徵。
- TorchAudio（PyTorch）：與 PyTorch 深度整合，支援預訓練模型。
- Essentia（C++/Python）：音樂資訊檢索特化，特徵豐富。
- Hugging Face Transformers：預訓練音訊模型與特徵提取器。
常見問題
為什麼要對聲學特徵取對數（log）？
對數變換有幾個好處：一、人耳對聲強的感知呈對數關係（分貝刻度），對數特徵更符合人類感知；二、音訊信號的動態範圍很大（0 到 1 以上），對數可以壓縮範圍，使神經網路更好地學習；三、對數變換會減輕極端值的影響，讓特徵分布更正常。缺點是對數無法處理零值（需要加一個小常數避免 log(0))。
Mel-Spectrogram 和線性頻譜有什麼區別？
線性頻譜是原始 FFT 的輸出，頻率軸線性均勻分布。Mel-Spectrogram 將頻率軸轉換為梅爾刻度，低頻區間更密集，高頻區間更稀疏，模擬人耳的非線性頻率感知。對神經網路來說，Mel-Spectrogram 更「友善」，因為它強調了人類敏感的低頻區域，減弱了高頻雜訊的影響。但若任務需要精細的高頻信息（如樂器識別中的諧波分析），線性頻譜可能更好。
自監督預訓練表示（如 Wav2Vec）相比傳統特徵有什麼優勢？
傳統特徵（MFCC、Mel-Spectrogram）是人工設計，包含了對「聲學什麼重要」的先驗假設，但這些假設可能不適用於所有任務。Wav2Vec2.0 這類預訓練表示是在大規模未標注語音上自動學習的，無需人工設計，自動發現任務相關的表示。此外，預訓練表示可直接遷移到多種下游任務（ASR、聲者識別、語言識別），避免了為每個任務單獨調整特徵。缺點是預訓練計算成本高，且預訓練與微調任務相差太大時可能效果下降。