MFCC (coefficienti cepstrali in scala mel)
Una dozzina di numeri per fotogramma audio che descrivono la forma approssimativa di un suono: il cavallo di battaglia del riconoscimento vocale per trent'anni.
La ricetta: si divide l'audio in fotogrammi di circa 25 ms, si applica una FFT a ciascuno, si somma l'energia in filtri triangolari distribuiti lungo la scala mel, si prende il logaritmo e poi si applica una trasformata discreta del coseno. Si tengono i primi 12 o 13 coefficienti. Colgono il profilo dello spettro, i formanti che fanno di una vocale una vocale, scartando l'altezza, che è proprio ciò che si vuole quando una «a» va riconosciuta sia detta da un basso sia da un soprano. Il cepstrum, volutamente anagramma di spectrum, risale a Bogert, Healy e Tukey nel 1963; Davis e Mermelstein mostrarono nel 1980 che la variante mel funzionava meglio per la voce.
Fino agli anni 2010 quasi ogni riconoscitore vocale dava in pasto gli MFCC ai modelli di Markov nascosti. Le reti profonde preferiscono lo spettrogramma log-mel e saltano la DCT, ma gli MFCC resistono nell'identificazione del parlante, nella classificazione musicale e in ogni manuale di analisi audio.