MFCC (мел-частотные кепстральные коэффициенты)
Дюжина с небольшим чисел на аудиокадр, описывающих общую форму звука, — рабочая лошадка распознавания речи на протяжении тридцати лет.
Рецепт: нарезать звук на кадры по 25 мс, применить к каждому FFT, просуммировать энергию в треугольных фильтрах, расположенных по мел-шкале, взять логарифм и применить дискретное косинусное преобразование. Оставить первые 12–13 коэффициентов. Они передают контур спектра — форманты, делающие гласную гласной, — и отбрасывают высоту тона, что и нужно, когда «а» должно распознаваться независимо от того, поёт ли его бас или сопрано. Кепстр — намеренная перестановка букв в слове spectrum — появился у Богерта, Хили и Тьюки в 1963 году; Дэвис и Мермельштейн показали в 1980-м, что мел-вариант лучше всего подходит для речи.
До 2010-х годов почти каждый распознаватель речи подавал MFCC в скрытые марковские модели. Глубокие сети предпочитают лог-мел-спектрограмму и обходятся без DCT, но MFCC задержались в идентификации диктора, классификации музыки и каждом учебнике по анализу звука.