python - 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 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。

任何帮助表示赞赏!谢谢 :)

Answer 1

这是因为mel-frequency cepstral coefficients是在一个窗口中计算的，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)，而这恰恰要求提供窗口的长度。如果您在librosa文档中查看mfcc，则不会找到它作为显式参数。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传递并定义了 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，例如:

您的音频长度不是惊人的48秒

实际窗口长度为2048，跳数为512。这意味着您将在最后“松开”几帧。