我正在尝试计算声音文件的一部分的功率谱图。 目前我正在使用librosa。
我用20 * 1e-3 * samplerate计算我的windowsize。 我想知道的是结果（特别是t的长度），如下例所示：
44.1kHz的采样率与20ms的时间帧相结合，产生了882个样本的窗口。
In [2]: D = np.abs(librosa.stft(y[:882]))**2
In [3]: np.shape(D)
Out[4]: (1025, 2)
我得到的是我的结果中的2ms时间帧，这不是我的预期。有人可以帮助我/指出我做错了吗？
答案 0 :(得分：3)
默认情况下librosa.stft使用2048的FFT大小n_fft，输出的第一维与实际输入信号的非冗余频率分量数相匹配（1+n_fft/2，在这种情况下1025）。
第二个维度由时间片的数量决定，我认为这是你有点困惑的地方，期待你的882个样本的单个时间片。但是librosa.stft计算重叠时间片的输出。默认情况下，每个切片使用的样本数设置为win_length / 4，因为您没有指定win_length，所以设置为n_fft / 4或512.充分利用你的882个样本（以及根据需要填充），这给你两片：
如果您不想重叠，可以将hop_length参数设置为与n_fft匹配。