MFCC特征提取，Librosa
MFCC feature extraction, Librosa
我想提取以 8000 Hz 采样、帧大小为 20 毫秒和 10 毫秒重叠的音频文件的 mfcc 特征。 librosa.feature.mfcc() 函数的参数必须是什么。下面编写的代码是否指定了具有 10 毫秒重叠的 20 毫秒块？
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)
音频文件时长1800秒。这是否意味着我会为所有 (1800/0.01)-1 个音频块获得 24 个 mfcc？
8000 Hz 下的 1800 秒显然是 1800 * 8000 = 14400000 个样本。
如果你的跳跃长度是 160，你会得到 粗略的 14400000 / 160 = 90000 MFCC 值，每个值有 24 个维度。所以这显然不是 (1800 / 0.01) - 1 = 179999（相差大约 2）。
请注意，我在计算中大致使用了，因为我只使用了跳跃长度而忽略了window长度。跳跃长度是 window 每一步移动的样本数。您可以适应多少啤酒花取决于您是否以某种方式填充。如果您决定不填充，帧数也取决于您的 window 大小。
回到你的问题：你必须问自己有多少样本是 10 毫秒？
如果 1 s 包含 8000 个样本（即 8000 Hz 的意思），那么 0.01 s 中有多少个样本？那是 8000 * 0.01 = 80 个样本。
这意味着您有 80 个样本的跳跃长度和 160 个样本的 window 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)
希望对您有所帮助。
我想提取以 8000 Hz 采样、帧大小为 20 毫秒和 10 毫秒重叠的音频文件的 mfcc 特征。 librosa.feature.mfcc() 函数的参数必须是什么。下面编写的代码是否指定了具有 10 毫秒重叠的 20 毫秒块？
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)
音频文件时长1800秒。这是否意味着我会为所有 (1800/0.01)-1 个音频块获得 24 个 mfcc？
8000 Hz 下的 1800 秒显然是 1800 * 8000 = 14400000 个样本。
如果你的跳跃长度是 160，你会得到 粗略的 14400000 / 160 = 90000 MFCC 值，每个值有 24 个维度。所以这显然不是 (1800 / 0.01) - 1 = 179999（相差大约 2）。
请注意，我在计算中大致使用了，因为我只使用了跳跃长度而忽略了window长度。跳跃长度是 window 每一步移动的样本数。您可以适应多少啤酒花取决于您是否以某种方式填充。如果您决定不填充，帧数也取决于您的 window 大小。
回到你的问题：你必须问自己有多少样本是 10 毫秒？
如果 1 s 包含 8000 个样本（即 8000 Hz 的意思），那么 0.01 s 中有多少个样本？那是 8000 * 0.01 = 80 个样本。
这意味着您有 80 个样本的跳跃长度和 160 个样本的 window 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)
希望对您有所帮助。