Question

我正在尝试通过C代码获取 stft 的wav文件。所以我也遵循python的librosa库。但是我在这里对hop_length和frame_length的概念感到困惑。

y, sr = librosa.load("sample.wav")  
print(sr)
y.shape

OUTPUT -> 22050
          (739329,)

z = y[0:2048]      #take first 2048 samples only
z.shape

OUTPUT -> (2048,0)

D = librosa.stft(z,n_fft=2048,hop_length=512)          #stft of z
D.shape

OUTPUT -> (1025,5)

在这里，我采用了由前2048个样本组成的 z 窗口，只是为了简化操作。在 z 上 stft（n_fft = 2048，hop_length = 512）之后，我得到的形状矩阵为（1025,5）。

我的理解是什么->

第一个stft将从样本编号0到2048计算。（由于它是对称的，因此只会保存1025个值）

下一步，它将计算从样本数512到2560的stft。（它将在2048之后将值视为零）

第三步，从1024到3072

从1536年到4584年的第四步

从2048到4096的第五步<<-这超出了示例窗口 z 的范围。这不应该被计算

那为什么输出矩阵的形状为（1025,5）？应该为（1025,4）。

也许我的理解在这里是完全错误的。