MFCC (coeficientes cepstrales en frecuencias mel)
Una docena de números por trama que describen la forma general de un sonido: el caballo de batalla del reconocimiento de voz durante treinta años.
La receta: trocear el audio en tramas de unos 25 ms, pasar cada una por una FFT, sumar la energía en filtros triangulares repartidos sobre la escala mel, tomar el logaritmo y aplicar una transformada discreta del coseno. Se conservan los primeros 12 o 13 coeficientes. Recogen el contorno del espectro —los formantes que distinguen una vocal de otra— y descartan el tono, que es justo lo que interesa cuando una «a» debe reconocerse la diga un bajo o una soprano. El cepstrum, anagrama deliberado de spectrum, se debe a Bogert, Healy y Tukey en 1963; Davis y Mermelstein demostraron en 1980 que la variante mel era la mejor para la voz.
Hasta la década de 2010 casi todo reconocedor de voz alimentaba modelos ocultos de Márkov con MFCC. Las redes profundas prefieren el espectrograma log-mel y se saltan la DCT, pero los MFCC siguen vivos en identificación de hablantes, clasificación musical y todos los manuales de análisis de audio.