Librosa melspectrogram 时间与音频文件中的实际时间不匹配

Question

我正在尝试使用 librosa.feature 计算 MFCC 系数，但是当我使用 specshow 绘制它时，specshow 图表上的时间与我的音频文件中的实际时间不匹配

我尝试了 librosa 文档中的代码 https://librosa.github.io/librosa/generated/librosa.feature.mfcc.html 我们在其中创建具有预先计算的对数功率 Mel 频谱图的 MFCC

WINDOW_HOP = 0.01       # [sec]
WINDOW_SIZE = 0.025     # [sec]

y, fs = librosa.load('audio_dataset/0f39OWEqJ24.wav', sr=None) # fs is 22000

# according to WINDOW_SIZE and fs, win_length is 550, and hop_length is 220
mel_specgram = librosa.feature.melspectrogram(y[:550], sr=fs, n_mels=20, hop_length=int(WINDOW_HOP * fs), win_length=int(WINDOW_SIZE * fs))

mfcc_s = librosa.feature.mfcc(S=librosa.power_to_db(mel_specgram), n_mfcc=12)

librosa.display.specshow(mfcc_s, x_axis='s')

现在看看 specshow 图像中的比例，第二帧 (window) 应该从 220 样本开始，也就是 10ms，但它不是

Answer 1

使用specshow或librosa.feature.mfcc时应指定采样率。否则假定 22050 Hz。另外，告诉 librosa，你使用的跳数长度：

[...]
hop_length = int(WINDOW_HOP * fs)
mel_specgram = librosa.feature.melspectrogram(y[:550], sr=fs,
    n_mels=20, hop_length=hop_length,
    win_length=int(WINDOW_SIZE * fs))

mfcc_s = librosa.feature.mfcc(S=librosa.power_to_db(mel_specgram), n_mfcc=12, sr=fs)

librosa.display.specshow(mfcc_s, x_axis='s', sr=fs, hop_length=hop_length)

这些细节对于正确可视化是必不可少的，不包含在mfcc_s。

Librosa melspectrogram 时间与音频文件中的实际时间不匹配

Librosa melspectrogram times don't match actual times in audio file

python

librosa