MFCC特征提取

Question

我想提取音频文件的mfcc特征在8000赫兹采样与帧大小为20毫秒和10毫秒重叠。librosa.feature.mfcc()函数的参数必须是什么。下面编写的代码是否指定20 the块与10 the重叠？

import librosa as l

x, sr = l.load('/home/user/Data/Audio/Tracks/Dev/FS_P01_dev_001.wav', sr = 8000)
mfccs = l.feature.mfcc(x, sr=sr, n_mfcc = 24, hop_length = 160)

音频文件是1800秒。这是否意味着我会得到24 mfccs的所有(1800/0.01)-1块音频？

Answer 1

1800秒在8000赫兹下明显是1800 * 8000 = 14400000样品。如果你的跳跃长度是160，你得到了大致的14400000 / 160 = 90000 MFCC值，每个24维。因此，这显然不是(1800 / 0.01) - 1 = 179999 (约为2倍)。

请注意，我在计算中使用了大致的方法，因为我只使用了跳长，而忽略了窗口长度。跳长是每个步骤移动窗口的样本数。有多少啤酒花你可以适合取决于你是否垫以某种方式。如果您决定不垫，帧的数量也取决于您的窗口大小。

回到你的问题:你必须扪心自问，10毫秒是多少样本？

如果1s包含8000个样本(这就是8000 Hz的意思)，那么0.01秒内有多少个样本？这是8000 * 0.01 = 80样本。

这意味着你有80个样本的跳跃长度和160个样本的窗口长度(0.02秒--两倍长)。

现在，您应该告诉librosa使用此信息，如下所示：

import librosa as l

x, sr = l.load('/home/user/Data/Audio/Tracks/Dev/FS_P01_dev_001.wav', sr = 8000)
n_fft = int(sr * 0.02)   # window length: 0.02 s
hop_length = n_fft // 2  # usually one specifies the hop length as a fraction of the window length
mfccs = l.feature.mfcc(x, sr=sr, n_mfcc=24, hop_length=hop_length, n_fft=n_fft)
# check the dimensions
print(mfccs.shape)

希望这能有所帮助。