简介这份压缩包聚焦语音信号处理中的LPCC线性预测倒谱系数提取任务提供一套基于Matlab 2019a的可运行源码主要面向本科、硕士阶段的教研学习以及课程设计、毕业设计中的特征提取实验也适合对语音特征工程感兴趣的开发者快速上手。包体结构十分精简共十个文件其中六个脚本为核心实现完整覆盖语音读入、预加重、分帧、加窗、自相关计算、线性预测系数的递推求解及LPCC系数转换等关键步骤一个wav语音文件作为输入示例三张jpg结果图片展示不同条件下的运行输出便于逐行对照与调试。资源整体仅98KB没有多余依赖源码按功能模块拆分主流程与各函数职责清晰可方便地迁移进其他语音处理项目。目前已有518人浏览学习对于刚接触语音特征提取的初学者或需要快速复现LPCC算法的研究人员这套源码能明显缩短编码与验证时间是一份简洁、完整且可直接上手的参考资料。1. 线性预测与LPCC一个老特征在语音识别里还没过时的原因拿到“线性预测LPCC系数提取含Matlab源码.zip”这个标题第一反应是这又是一个经典语音信号处理任务。LPCCLinear Prediction Cepstral Coefficients线性预测倒谱系数诞生于上世纪七十年代比MFCC还要早到现在依然是语音识别、说话人识别、语音合成这些方向里很能打的前端特征之一。它的核心逻辑很直接用线性预测把声道系统用一个全极点模型逼近再把模型系数转到倒谱域得到一组低维、去相关、能刻画共振峰结构的系数。这个特征最大的优点是维度低、计算量小。一帧语音往往只要 12 到 16 维系数就能描述在嵌入式设备或者实时识别场景里比滤波器组特征更省资源。对从事语音信号处理、Matlab 仿真验证、或者正在入门语音识别的人来说把 LPCC 提取链路搞清楚等于同时掌握了线性预测分析、Levinson-Durbin 递推、倒谱递推三个核心技能。下面按“理论到代码再到调参”的顺序把这条链路完整走一遍。2. 从LPC系数到倒谱LPCC提取背后的两条递推链路2.1 线性预测在做什么用前p个样本预测当前样本线性预测的基本假设是语音信号相邻样本之间高度相关当前采样值可以近似为前 p 个样本的线性组合即s(n) ≈ a₁s(n-1) a₂s(n-2) … aₚs(n-p)真实值与预测值的差称为残差 e(n)这个残差对应声门激励。对浊音来说它是周期脉冲对清音来说近似白噪声。这样一段语音就被分解成“激励”和“声道滤波器”两部分而 LPC 系数 a₁..aₚ 恰好描述了声道的共振特性也就是频谱包络。在 Matlab 里lpc(x, p)返回的是[1, -a₁, -a₂, …, -aₚ]这个符号约定后面写倒谱递推时特别容易漏。我们自定义函数时最好统一用标准形式的正系数避免在公式和代码之间来回反转。2.2 Levinson-Durbin递推解自相关方程的标准做法求解 LPC 系数有自相关法、协方差法、格型法等多种路径最常用的是基于自相关法的 Levinson-Durbin 递推。它利用自相关矩阵的 Toeplitz 结构和对称性把解线性方程组 O(N³) 的复杂度降到 O(p²)而且能保证滤波器稳定。递推过程如下初始化 E₀ r(0)。对 i 1, 2, …, p计算反射系数kᵢ -(r(i) Σⱼ₌₁^(i-1) aⱼ^(i-1) · r(i-j)) / Eᵢ₋₁然后更新系数aᵢ^(i) kᵢ aⱼ^(i) aⱼ^(i-1) kᵢ · aᵢ₋ⱼ^(i-1)j 1, …, i-1最后更新残差能量Eᵢ (1 - kᵢ²) · Eᵢ₋₁这套递推每步都保证反射系数绝对值小于 1从而维持系统稳定。注意如果输入信号是高阶平稳的合成信号自相关矩阵会接近奇异这时 Eᵢ 可能迅速衰减到很小的值递推结果对浮点误差非常敏感后面调参会专门说。2.3 从LPC到倒谱的递归关系两个分支决定一切得到 LPC 系数后不能直接把它当特征送进分类器。倒谱域的好处在于把“激励”和“声道”的乘积关系转换成加性关系使得不同说话人、不同音高的差异在倒谱里更容易分离。倒谱系数 c(m) 与 LPC 系数 a_m 之间有明确的递归关系这是整个 LPCC 提取的核心公式。设预测阶数为 p要提取 q 维倒谱第一个分支m 1 到 p 时c(1) a₁ c(m) aₘ Σₖ₌₁^(m-1) (k/m) · c(k) · aₘ₋ₖ第二个分支m p 时c(m) Σₖ₌₁^p ( (m-k)/m ) · c(k) · a_m₋ₖ实际操作中会在特征开头加入第 0 维 c(0)取残差能量的对数即 c(0) log(E_p)其中 E_p 是 Levinson 递推最后的残差能量。这样一帧 LPCC 向量的维度就是 q1其中第 0 维反映能量其余维度刻画频谱包络形状。这个两个分支的写法很多人记不牢特别是 m p 时的系数是 (m-k)/m 而不是 k/m写错一位递推结果就发散。代码里用循环实现时必须反复验证前几维的手算值。2.4 为什么不用LPC系数直接做特征LPC 系数之间相关性很强一个共振峰的频移会同时影响多个系数直接把 a₁..aₚ 喂给分类器效果不好。倒谱变换相当于对频谱包络取对数后进行傅里叶逆变换得到的倒谱系数不仅维度可控而且对相邻帧做了某种程度上的去相关。这正是“线性预测”和“倒谱”两个概念组合在一起的原因。此外LPCC 对声道长度归一化比原始 LPC 更友好。滤波器组的频谱特征要覆盖几百个频点LPCC 通常 16 到 20 维就能胜任。代价是它对频谱细节的表达不如滤波器组特征所以后来才有 MFCC 与 LPCC 的融合方案这部分放到最后一章展开。3. 用Matlab写LPCC提取主函数、单帧计算和测试脚本3.1 主函数接口设计输入wav、输出系数矩阵写 Matlab 源码时先把接口定清楚。常见的做法是一个函数接收 wav 路径和参数结构体返回一个“帧数 × (q1)”的矩阵方便下一步做训练或分类。function feat LPCC_extract(x, Fs, opts) % 提取整段语音的LPCC特征 % 输入 % x - 单声道语音信号列向量 % Fs - 采样率 % opts - 结构体含 frameLen, frameShift, preemph, p, q % 输出 % feat - 帧数 x (q1) 矩阵第1列为log残差能量, 其余为LPCC if ~isfield(opts, frameLen), opts.frameLen 0.025; end if ~isfield(opts, frameShift), opts.frameShift 0.010; end if ~isfield(opts, preemph), opts.preemph 0.97; end if ~isfield(opts, p), opts.p 12; end if ~isfield(opts, q), opts.q 20; end x x(:); x x - mean(x); % 去直流避免能量集中在0频 frameLen round(opts.frameLen * Fs); frameShift round(opts.frameShift * Fs); nframes floor((length(x) - frameLen) / frameShift) 1; % 尾部补零保证最后一段不满帧也能提取 x [x; zeros(frameLen, 1)]; feat zeros(nframes, opts.q 1); for i 1:nframes idx (i-1)*frameShift 1 : (i-1)*frameShift frameLen; frame x(idx); feat(i, :) frame_lpcc(frame, opts); end endopts结构体的设计是为了后续批量调参时不用改函数签名。注意floor计算帧数的方式当语音长度不是帧移的整数倍时末尾信号会被补零补零长度最多一帧不会产生过多无效帧。如果希望更省内存可以把feat定义为single类型尤其是处理一小时以上的长音频时能减少一半内存占用。3.2 单帧内做四件事预加重、加窗、解LPC、递推倒谱function c frame_lpcc(frame, opts) % 单帧LPCC提取 frame filter([1, -opts.preemph], 1, frame); % 预加重, 提升高频 win hamming(length(frame)); frame frame .* win; % 加窗, 减少帧边缘泄漏 % 计算自相关 r(0)..r(p) p opts.p; r zeros(1, p1); for k 0:p r(k1) sum(frame(1:end-k) .* frame(k1:end)); end % 自相关法求LPC系数, 返回 a [1, a1, a2, ..., ap] a lpc(frame, p); % 需要 Signal Processing Toolbox g r(1) - a(2:end) * r(2:end); % 残差能量 % 从LPC系数递推LPCC q opts.q; c zeros(1, q1); c(1) log(g eps); % 第0维: 能量对数 cc zeros(1, q); cc(1) a(2); % c(1) a1 for m 2:min(p, q) s 0; for k 1:m-1 s s (k/m) * cc(k) * a(m-k1); end cc(m) a(m1) s; end for m p1:q s 0; for k 1:p s s ((m-k)/m) * cc(m-k) * a(k1); end cc(m) s; end c(2:end) cc; end代码里有几个关键点值得说明。r(1) - a(2:end) * r(2:end)是计算残差能量 E_p 的标准方式它比在 Levinson 递推里逐次累乘(1-k²)更直接数值误差也更小。lpc函数内部已经完成了自相关矩阵求解所以这里不需要重复实现 Levinson。a(m-k1)的下标要特别注意lpc返回的向量第一位是 1所以 a₁ 在a(2)a₂ 在a(3)以此类推。很多人把倒谱递推公式照搬到 Matlab 时忘记这个偏移导致高频维度的倒谱系数全错。另一种做法是不调用lpc自己写 Levinson 递推。优点是只依赖 Matlab 基础函数不要求通信工具箱或信号处理工具箱。如果你需要在没有额外工具箱的 Matlab 环境里运行可以把主函数里a lpc(frame, p)替换成a levinson_durbin(r, p)对应的自定义函数如下function a levinson_durbin(r, p) % Levinson-Durbin递推求LPC系数 % r(1)为r(0), a(1)1 a zeros(p, p); E r(1); for i 1:p sum_k r(i1); for j 1:i-1 sum_k sum_k a(i-1, j) * r(i1-j); end k_i -sum_k / E; a(i, i) k_i; for j 1:i-1 a(i, j) a(i-1, j) k_i * a(i-1, i-j); end E E * (1 - k_i^2); end a [1, a(p, :)]; end这个手写版递推里用二维数组a(i-1, j)保存上一轮的结果直观但占内存如果 p 不超过 30影响可忽略。注意反射系数k_i的绝对值必须小于 1如果运行时出现 NaN 或 Inf多半是 r(0) 过大或信号有非有限值先检查输入信号。3.3 跑通最小测试一段语音得到LPCC矩阵% test_lpcc.m [x, Fs] audioread(sample.wav); opts.frameLen 0.025; opts.frameShift 0.010; opts.preemph 0.97; opts.p 12; opts.q 20; feat LPCC_extract(x, Fs, opts); fprintf(帧数: %d, 特征维度: %d\n, size(feat,1), size(feat,2)); % 观察前几帧的能量维变化 plot(feat(:,1));跑完可以看到feat是一个 N 行 21 列的矩阵第一列是能量后 20 列是倒谱系数。如果能量维出现剧烈跳动先检查原始录音是否包含静音段或者是否用了带直流偏置的采集设备。下一步的参数调整都建立在这个最小可运行测试之上。4. LPCC参数怎么设帧长、阶数p、倒谱阶数q与预加重4.1 帧长与帧移时域解析度与频域解析度的折中语音信号是短时平稳的一般在 10 到 30 毫秒内可以近似看作平稳过程。帧长取 25 毫秒是经典默认值对应 16 kHz 采样率下 400 个样本点。帧长过长一个分析窗内可能跨越多个音素倒谱系数被平均音素边界变得模糊帧长过短频率分辨率下降低频共振峰估计不稳定。帧移一般取 10 毫秒也就是相邻帧重叠 60%。重叠的目的不是省计算而是让特征序列足够平滑。语音识别里后续要接 HMM 或 CTC相邻帧特征变化太大不利于模型学习。如果你做的是实时低延迟系统可以把帧移降到 5 毫秒代价是特征数翻倍。下表是常见参数起点参数默认值合理范围对特征的影响帧长25 ms20 ~ 30 ms越长频率越细时间边界越糊帧移10 ms5 ~ 15 ms越小帧率越高计算量线性增加预加重系数0.970.9 ~ 0.98越大高频抬升越明显LPC阶数 p128 ~ 16过大易共振峰分裂过小会欠拟合倒谱阶数 q20p ~ 2p越大细节越多噪声也越多4.2 阶数p的经验公式pFs/10003背后的含义LPC 阶数 p 决定全极点模型里共振峰的个数。一个共振峰通常需要两个极点即 2 阶嘴唇辐射和声门源效应还需要额外几阶来补偿。工程上常用的经验公式是p Fs / 1000 3也就是说 16 kHz 采样率下 p 取 19 左右8 kHz 电话语音下 p 取 11 左右。这个公式的出发点是让每 1 kHz 带宽有大约一个复共轭极点对外加 3 阶补偿。实际做语音识别时16k 语音常用 12 到 16 阶因为倒谱特征后续有降维处理不必把模型阶数顶满而做共振峰分析时 p 取大一点更稳。需要注意一个反直觉现象p 不是越大越好。当 p 超过语音信号实际维数时自相关矩阵变得病态Levinson 递推算出的反射系数会接近 1频谱出现虚假的尖锐峰也就是“共振峰分裂”。这类毛刺形态上很像真实共振峰但会显著破坏倒谱系数的连续性。具体的检验方法是对同一段稳态元音分别用 p12 和 p24 提取 LPCC如果后几十维出现随机大值说明过拟合了。4.3 能量维、归一化与静音段最容易出问题的三个点c(0) log(E_p)这一维的动态范围很大说话人距离麦克风远近差一点能量就对数值差好几倍。直接用原始能量维做特征分类器会把大部分注意力放在音量上而不是声道形状上。常见做法是替换或归一化。替换方案是把 LPCC 的第 0 维换成帧级短时对数能量也就是log(sum(frame.^2))它与 LPC 残差能量高度相关但计算更直接便于和 MFCC 的 Fbank 能量对齐。归一化方案是对整个说话人的所有帧求均值方差用(c0 - mean(c0)) / std(c0)做标准化。后者在说话人识别里更常用因为可以消除不同录音场景的全局增益差异。静音段是另一个容易踩坑的地方。静音的 LPC 残差能量接近于 0取对数后会产生很大的负值。若不先做端点检测能量维会主导后续距离计算把静音帧和非静音帧强行分开。解决方法是先算短时能量设定一个绝对阈值能量低于阈值的帧直接丢弃或标记为无效帧。4.4 高阶p时的数值抖动与白噪声抖动处理当 p 超过 20 且信噪比很低时自相关矩阵可能接近奇异Levinson 递推中 Eᵢ 不断乘以小于 1 的因子最终小到浮点下溢。一种常用的补救方法是在自相关函数的零延迟上加一个很小的值即 r(0) ← r(0) × (1 ε)ε 取 1e-6 到 1e-3。这个操作叫“白噪声抖动”它相当于给信号加了一点点白噪声能有效稳定矩阵求逆代价是频谱凹陷会被轻微填平。对剧烈的数值异常我一般会在递推循环里检查E是否降到eps以下如果是就直接跳出循环并给整帧特征置零而不是让它把 NaN 带到后续处理里。批量处理大量音频时单帧置零比中断整个任务要务实得多后续的模型训练一般也只把这类帧当无效帧。5. 验证LPCC提取结果用合成信号检查特征的物理意义5.1 用合成语音信号做稳定性对照拿到源码后第一步不是喂真实录音而是构造一段已知共振峰位置的合成信号验证特征是否符合预期。合成信号可以简化为两个衰减振荡的叠加模拟元音的 F1 和 F2。fs 16000; t 0:1/fs:0.25; x1 0.8 * sin(2*pi*700*t) .* exp(-t*50); x2 0.4 * sin(2*pi*1200*t) .* exp(-t*60); sig x1 x2 0.001*randn(size(t)); opts.p 12; opts.q 16; opts.frameLen 0.025; opts.frameShift 0.010; feat LPCC_extract(sig, fs, opts); plot(feat(:, 2:5)); xlabel(帧号); ylabel(倒谱值);由于合成信号的系统是时不变的各帧 LPCC 应该几乎重合曲线看起来是一组平稳的横线。若出现大幅抖动优先检查预加重系数是否过大其次检查帧边缘的加窗是否正确。700 Hz 和 1200 Hz 两个共振峰在倒谱维度的表现并不是直接出现两个峰值而是表现为倒谱序列的包络变化所以判断标准是“平稳性”而不是“峰值位置”。5.2 实际项目中LPCC与MFCC怎么配合LPCC 的优势在低维和计算量MFCC 的优势在对 Mel 频率感知的拟合。实际系统里常见的做法是在资源受限的嵌入式端用 LPCC 做主特征在服务器端用 LPCC 和 MFCC 拼接成多流输入。深度学习框架里做语音识别或声纹识别时把两种特征分别归一化后拼成 40 维左右的向量常常比单用 MFCC 稳定。LPCC 擅长刻画声道整体形状MFCC 擅长刻画精细谱包络两者是互补关系。如果只提取 LPCC 而不做任何后处理识别效果通常不如 MFCC这是正常的。LPCC 的历史包袱是它基于全极点模型对非语音噪声的鲁棒性偏弱因此在真实场景里最好配合端点检测或语音增强否则特征中会混入大量环境噪声的倒谱成分。5.3 源码在多文件工程里的改造方向把单文件脚本扩展成可复用工程建议按这三个方向改造。一是批处理用dir(*.wav)遍历文件夹逐个提取后保存成.mat文件避免每次重新读音频、算特征。二是统一采样率所有输入先重采样到 16 kHz因为 LPCC 的阶数 p 依赖采样率混用 8k 和 16k 数据会让特征维度含义不一致。三是缓存帧级特征语音识别训练集动辄上百小时按帧计算的特征可以分说话人并行化用 Matlab 的parfor替换主循环注意每个 worker 里都要有frame_lpcc函数。最后一个值得记住的技巧是端点检测的阈值不要设成绝对值而是取该条语音短时能量的十分位数再乘一个系数这样对不同录音设备、不同增益自动适应。把这个阈值和 LPCC 提取放在同一个流程里特征质量会有肉眼可见的提升。本文还有配套的精品资源点击获取