了解mfcc的输出

Question

from librosa.feature import mfcc
from librosa.core import load

def extract_mfcc(sound):
    data, frame = load(sound)
    return mfcc(data, frame)


mfcc = extract_mfcc("sound.wav")

我想得到以下sound.wav文件的MFCC，它是48秒长的。

我知道data * frame = length of audio.

但是，当我像上面所示计算MFCC并得到它的形状时，结果是：(20, 2086)

这些数字代表什么？我如何计算音频的时间仅仅是通过它的MFCC？

我正在计算每毫秒音频的平均MFCC值。

任何帮助都是非常感谢的！谢谢您:)

Answer 1

这是因为主频倒谱系数是通过窗口计算的，即样本数。声音是波，一个人不能通过一个样本(数字)得到任何特征，因此窗口。

为了计算MFCC，使用了快速傅里叶变换(FFT)，而这恰恰要求提供窗口的长度。如果您检查mfcc的librosa文档，就不会发现它是一个显式参数。那是因为它是隐含的，特别是：

• FFT窗口长度: 2048
• 连续帧之间的样本数: 512

它们作为**kwargs传递，并定义为这里。

如果你现在考虑你的音频和这些数字的采样频率。你将得到你所提供的最终结果。

由于librosa的默认采样率为22050，音频长度为48s，窗口为512，如下所示：

​

​

这个数字不完全是2086，如：

• 你的音频长度不是精确的48秒
• 实际的窗口长度是2048，有512跳。这意味着你会“松”几个框在最后。