audio - 如何使用 MFCC 向量对单个音频文件进行分类？

Question

这可能是一个非常愚蠢的问题，但我在任何地方都找不到详细信息。

所以我有一个 3 秒长的录音(wav 文件)。那是我的样本，它需要归类为 [class_A] 或 [class_B]。

通过遵循 MFCC 上的一些教程，我将样本分成帧(准确地说是 291 帧)，并且我从每一帧中获得了 MFCC。

现在我有 291 个特征向量，每个向量的长度是 13。

我的问题是；您究竟如何将这些向量与分类器(例如 k-NN)一起使用？我有 291 个向量代表 1 个样本。我知道如何处理 1 个样本的 1 个向量，但如果我有 291 个向量，我不知道该怎么办。我真的找不到任何地方的解释。

Answer 1

您的每个向量都将代表您的音频文件的频谱特征，因为它会随时间变化。根据帧的长度，您可能希望对其中的一些进行分组(例如通过按维度求平均值)以匹配您希望分类器使用的分辨率。例如，考虑一个特定的声音，它的包络可能具有 2ms 的起音时间:这可能是您希望通过时间量化获得的细粒度，因此您可以 a) 对 MFCC 向量的数量进行分组和平均表示 2ms；或 b) 以所需的时间分辨率重新计算 MFCC。

如果你真的想保持分辨率那么好，你可以连接 291 个向量并将其视为单个向量(291 x 13 维)，这可能需要一个巨大的数据集来训练。