理解MFCC的输出

Question

我是信号分析的初学者。我想提取声音的MFCC，因为我读到MFCC是自动语音识别的一个很好的参数。因此，我在RStudio中尝试了如下所示：

wl=512
ncep=13
mfcc.peewit <- melfcc(peewit,sr=peewit@samp.rate,wintime = wl/f,hoptime = wl/f,numcep = ncep,
                      nbands = ncep*2,fbtype = "htkmel",dcttype = "t3",htklifter = TRUE,
                      lifterexp = ncep-1,frames_in_rows = FALSE,spec_out = TRUE)

它产生了一个13*30的数据帧，我对MFCC的输出感到困惑。我认为MFCC应该是13个实际数字，但这里我得到了一个数据帧，这个数据帧是MFCC吗？还是我做错了什么？或者，我在其他地方读到了这篇文章，" 13 *30“中的13是13个系数的离散表示，对吗？

感谢您提前给我回复。

Answer 1

音频信号是时间序列。每跳将有一组MFCC系数。语音的典型跳跃时间可能在20-50毫秒左右。13维是MFCC，30维是时间。