如何合并MFCC

Question

我正在努力从一些音频文件中提取MFCC功能。我的程序目前已经为每个文件提取了一系列MFCC，并且有一个缓冲区大小为1024的参数。我在一份报纸上看到了以下内容：

通过计算每个特征向量元素(合并)的均值和方差，组合在音频数据每秒内提取的特征向量。

我的当前代码使用TarsosDSP提取MFCC，但我不确定如何将数据拆分为“秒的音频数据”，以便合并MFCC。

我的MFCC提取代码

int sampleRate = 44100;
int bufferSize = 1024;
int bufferOverlap = 512;
inStream = new FileInputStream(path);
AudioDispatcher dispatcher = new AudioDispatcher(new UniversalAudioInputStream(inStream, new TarsosDSPAudioFormat(sampleRate, 16, 1, true, true)), bufferSize, bufferOverlap);
final MFCC mfcc = new MFCC(bufferSize, sampleRate, 13, 40, 300, 3000);
dispatcher.addAudioProcessor(mfcc);
dispatcher.addAudioProcessor(new AudioProcessor() {
    @Override
    public void processingFinished() {
        System.out.println("DONE");
    }
    @Override
    public boolean process(AudioEvent audioEvent) {
        return true;  // breakpoint here reveals MFCC data
    }
});
dispatcher.run();

缓冲区的大小究竟是多少?它能用来将音频分割成1秒的窗口吗？是否有一种方法将一系列MFCC划分为一定的时间？

任何帮助都将不胜感激。

Answer 1

经过更多的研究后，我偶然发现了这网站，它清楚地展示了使用MFCC为Weka服务的步骤。它显示了一些数据文件，其中包含不同的统计信息，每个统计数据都是Weka中单独列出的属性。我相信当报纸上说

计算均值和方差

它们意味着每个MFCC系数的均值和方差被用作组合数据文件中的属性。当我按照网站上的例子合并MFCC时，我使用了max、min、range、max、min位置、均数、标准差、偏度、峰度、四分位数和四分位数区间。

要将音频输入分割成秒，我相信以输入的采样率作为参数提取MFCC的集合，所以如果我将其设置为100，我将等待100个周期来合并MFCC。如果我错了，请纠正我。