了解 mfcc 的输出

Posted 2023-03-13

【中文标题】了解 mfcc 的输出

【英文标题】：Understanding the output of mfcc

【发布时间】：2019-02-13 09:58:07

【问题描述】：

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，该文件的长度为 48 秒。

我了解data * frame = length of audio.

但是当我如上图计算 MFCC 并得到它的形状时，结果如下：(20, 2086)

这些数字代表什么？ 如何仅通过其 MFCC 计算音频的时间？

我正在尝试计算每毫秒音频的平均 MFCC。

任何帮助表示赞赏！谢谢你:)

【问题讨论】：

这可能会有所帮助：practicalcryptography.com/miscellaneous/machine-learning/…

【参考方案1】：

这是因为mel-frequency cepstral coefficients 是在一个窗口上计算的，即样本数。声音是波，不能通过单个样本（数字）得出任何特征，因此有窗口。

为了计算 MFCC，使用了快速傅里叶变换 (FFT)，而这恰好需要提供窗口长度。如果您查看 mfcc 的 librosa 文档，您不会发现这是一个显式参数。那是因为它是隐含的，特别是：

FFT 窗口长度：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。您将得到您提供的最终结果。

由于 librosa 的默认采样率为 22050，音频长度为 48s，窗口等于 512，因此如下：

数字不完全是2086，如：

您的音频长度不是 48 秒 实际窗口长度为2048，512跳。这意味着您将在最后“松散”几帧。

【讨论】：

很高兴您发现它有帮助！ 20 是您提取的多个系数。这是默认设置。

只是想澄清一下，您实际上并没有在开头和结尾“丢帧”，默认center=True。您获得框架是因为框架被填充以适合您的窗口长度。如果设置center=False，则 nMFCC * hop_len center=True，然后 nMFCC * hop_len >= num_samples。

这些数字到底是什么意思？你有 2048 个和 20 个什么？

@Sam 那是 2048 个样本和 20 个梅尔频率倒谱系数。

我的意思是 2067，对不起