MFCC (współczynniki cepstralne w skali melowej)
Kilkanaście liczb na ramkę dźwięku opisujących z grubsza kształt brzmienia — koń roboczy rozpoznawania mowy przez trzydzieści lat.
Przepis: tnie się dźwięk na ramki po około 25 ms, na każdej wykonuje FFT, sumuje energię w trójkątnych filtrach rozmieszczonych wzdłuż skali melowej, bierze logarytm, a następnie stosuje dyskretną transformatę kosinusową. Zachowuje się pierwsze 12 lub 13 współczynników. Oddają one zarys widma — formanty, które sprawiają, że samogłoska jest samogłoską — a odrzucają wysokość dźwięku, czyli dokładnie to, czego chcemy, gdy „a” ma być rozpoznane niezależnie od tego, czy wypowie je bas, czy sopran. Cepstrum, celowy anagram słowa spectrum, pochodzi od Bogerta, Healy’ego i Tukeya z 1963 roku; Davis i Mermelstein pokazali w 1980 roku, że wariant melowy sprawdza się w mowie najlepiej.
Do lat 2010. niemal każdy system rozpoznawania mowy karmił MFCC ukryte modele Markowa. Głębokie sieci wolą logarytmiczny spektrogram melowy i pomijają DCT, ale MFCC zostały w identyfikacji mówców, klasyfikacji muzyki i każdym podręczniku analizy dźwięku.