开始学习语音识别的时候，第一步工作就是把语音转为特征，有mfcc和fbank，fbank包含的信息量多，所以开始就用了fbank。有很多工具可以帮忙提取fbank特征，我常用的是kaldi和python_speech_features这两种方式。
但是这两种提取fbank的特征却差异很大，怀着对两者的敬畏之心，开启了探索比较的学习之路。由于python_speech_features的结构简单，所以从这里看起。可以简洁明朗的看到，python_speech_features的fbank特征提取分以下几个步骤：
1.预加重(pre-emphasis)：y(n)=x(n)-ax(n-1), a = 0.97
2.分帧,对每帧计算功率谱(DFT,power-spectrum)
3.计算梅尔滤波器组(mel-filterbanks),计算功率谱和滤波器组的内积,并将内积转为db,即为特征
在python_speech_features的fbank特征提取方法熟悉了之后，开始查看kaldi的方法。
kaldi的复杂很多，首先看shell脚本(路径在：kaldi/egs/wsj/s5/steps/make_fbank_pitch.sh)，其中136行有一句：
fbank_feats="ark:compute-fbank-feats $vtln_opts --verbose=2 --config=$fbank_config scp,p:$logdir/wav.JOB.scp
compute-fbank-feats是计算特征的函数，其中配置文件--config在kaldi/egs/aishell/s5/conf/fbank.conf, scp=$data/wav.scp，scp是语音文件地址
我的配置如下：
为了能单独运行compute-fbank-feats 这个bin文件，进入到kaldi/src/featbin这个目录下，可以看到可运行的bin文件：compute-fbank-feats，运行命令如下：
./compute-fbank-feats --verbose=2 --config="/disk1/code/kaldi/egs/aishell/s5/conf/fbank.conf" scp:/disk1/code/kaldi/egs/aishell/s5/data/wav.scp ark:/disk1/code/kaldi/egs/aishell/s5/data/a3.ark
wav.scp 只放了一个音频，a2.ark是生成的二进制特征，使用copy-feats可以将二进制特征转为txt文件：
./copy-feats ark:/disk1/code/kaldi/egs/aishell/s5/data/a3.ark ark,t:/disk1/code/kaldi/egs/aishell/s5/data/txt.ark
上述是生成特征的过程，会发现kaldi的特征和python_speech_features的特征差异很大，下面正式开始kaldi的特征生成过程深入挖掘。
这期间需要使用到gdb，c的调试工具，以前玩过c的人肯定很熟悉，这里有几个常用命令需要在这里复习一下：
b(break):设置断点
c(continue):继续
n(next)：下一步（不进入函数）
r(run)：运行
print：打印变量
s(step) :下一步（进入函数）
bt(backtrace): 查看堆栈
finish ：退出函数
list : 查看当前运行到的位置
以上的信息基本够用了，如果还想看更多详细命令，可以去官网查看
大概说一下gdb调试的过程：
首先 :
gdb compute-fbank-feats
然后 :
set args --verbose=2 --config="/disk1/code/kaldi/egs/aishell/s5/conf/fbank.conf" scp:/disk1/code/kaldi/egs/aishell/s5/data/wav.scp ark:/disk1/code/kaldi/egs/aishell/s5/data/a3.ark
当然，为了能够看kaldi自定义的变量内容，需要对变量权限修改一下，将protected改为public
修改完成后，需要重新编译一下compute-fbank-feats ，进入/disk1/code/kaldi/src/featbin,该目录下自带Makefile，直接make就okay了～
make完成之后，重新gdb启动，然后就可以看data_这个内部变量啦！
好了，下面开始进入主题，讲不同！
————————————————————————————————————————————————————————————————————————————————————
kaldi 和 python_speech_features 生成fbank特征的不同地方在于以下几点：
预加重不同：
*kaldi是先加窗分帧，再对帧内进行预加重；python_speech_features是全体先预加重，然后再分帧；
* 再看预加重，会发现，对于音频数据（譬如10,17,13,15, ...）第一个数据10，python_speech_features是不变(预加重系数0.97，预加重后是 10,7.3,-3.489,2.39,...)，kaldi是第一个数据也做预加重(预加重后是 0.3,7.3,-3.489,2.39,...)
2. 分帧数不同，功率谱计算不同
python_speech_features 对最后还剩余的数据，不足帧长的，按照一帧计算补齐；
kaldi 如果选择不切断最后剩余数据（snip-edged = False），会发现多了一帧（个人认为这里kaldi错了，python_speech_features正确）；如果snip-edged = True，两者一致
功率谱计算不同：
python_speech_features 计算功率谱是：1.0/NFFT * numpy.square(magspec(frames,NFFT))
kaldi 没有乘1.0/NFFT
3. 梅尔滤波器组计算方法不同
kaldi是在梅尔坐标转换后的梅尔值域计算，index是hz的定义域，通过梅尔转换后比较(个人认为计算量偏大，每次计算都要经过一次转换)；
而python_speech_features是先将linspace后的梅尔值统一转成了hz，再进行计算，index也是hz的定义域，计算量小
其实上述两种的本质是一样的，计算方法不同会导致系数存在差异
