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，该文件的长度为 48秒。

我了解到data * frame = length of audio.

但是当我如上所述计算MFCC并得到其形状时，结果如下：(20, 2086)

这些数字代表什么？ 如何仅通过MFCC来计算音频的时间？

我正在尝试计算每毫秒音频的平均MFCC。

感谢您的帮助！谢谢：）

Answer 1

这是因为mel-frequency cepstral coefficients是在一个窗口上计算的，即样本数。声音是波动的，无法通过获取单个样本（数字）来获得任何特征，因此无法获得窗口。

为了计算MFCC，使用了快速傅里叶变换（FFT），而这恰恰需要提供窗口的长度。如果检查librosa文档中的mfcc，则不会发现它是显式参数。那是因为它是隐式的，特别是：

• FFT窗口的长度：2048
• 连续帧之间的样本数：512

它们作为**kwargs传递并定义为here。

如果现在考虑音频的采样频率和这些数字。您将获得所提供的最终结果。

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

该数字不完全是2086，如下：

• 您的音频持续时间不超过48秒
• 实际窗口长度为2048，最大跳数为512。这意味着您将在最后“松开”几帧。