梅尔频率倒谱系数 (MFCC) 是一种特征提取方法，用于音频搜索，将原始音频信号转换为紧凑、有意义的表示。它们通过模拟人类听觉感知来捕获声音的频谱特征，使其在语音识别、音乐识别和音频相似度匹配等任务中非常有效。在音频搜索系统中，MFCC 减少了原始音频数据的复杂性，从而能够根据其声学特征有效地比较和检索音频片段。
该过程首先将音频分割成短帧（例如，20-40 毫秒），并应用傅里叶变换提取频率分量。然后将得到的频谱映射到梅尔刻度，该刻度近似于人类感知音高的方式。应用一组三角形梅尔滤波器组对频率进行分组，并计算每个频带能量的对数。最后，离散余弦变换 (DCT) 将这些值压缩成一组较小的系数（通常是 12-20 个 MFCC），丢弃感知相关性较低的细节。例如，像 Shazam 这样的音乐识别应用可能会预先计算数百万首歌曲的 MFCC，并将它们存储在数据库中。当用户录制片段时，应用会提取其 MFCC，并使用相似度指标将其与存储的条目进行比较。
实际上，基于 MFCC 的音频搜索依赖于使用欧氏距离或动态时间规整 (DTW) 等距离度量来比较特征向量。例如，语音命令系统可能会使用 MFCC 将口头查询与预处理命令库进行匹配。开发人员通常通过在 Elasticsearch 等搜索引擎中索引 MFCC 或使用近似最近邻库（例如 FAISS）来优化此过程，以实现可扩展性。挑战包括处理背景噪声和变化的音频长度，这可以通过标准化 MFCC 或使用 DTW 等技术进行时间对齐来缓解。Librosa (Python) 等开源工具简化了 MFCC 提取，使开发人员无需深厚的信号处理专业知识即可集成音频搜索功能。