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")

我想获取以下 sound.wav 文件的 MFCC，该文件的长度 48 秒 .

我了解 data * frame = length of audio.

但是当我如上所示计算 MFCC 并得到它的形状时，结果是这样的：(20, 2086)

这些数字代表什么？如何仅通过 MFCC 计算音频的时间？

我正在尝试计算每毫秒音频的平均 MFCC。

感谢任何帮助！谢谢:)

Answer 1

那是因为 mel-frequency cepstral coefficients 是在 window 上计算的，即样本数。声音是波，不能通过单个样本（数字）得出任何特征，因此 window.

为了计算 MFCC，使用了快速傅立叶变换 (FFT)，这恰恰需要提供 window 的长度。如果您查看 mfcc 的 librosa 文档，您将不会发现它是一个显式参数。那是因为它是隐式的，具体来说：

FFT 的长度window：2048
连续帧之间的样本数：512

它们作为 **kwargs 传递并定义为 here。

如果您现在考虑音频的采样频率和这些数字。您将得出您提供的最终结果。

由于librosa默认采样率为22050，音频长度为48s，window等于512，如下：

这个数字不完全是2086，因为：

您的音频长度不到 48 秒
实际 window 长度为 2048，有 512 跳。这意味着您将 "loose" 最后几帧。

了解 mfcc 的输出

Understanding the output of mfcc

python

audio

artificial-intelligence

feature-extraction

mfcc