1

在音频文件上调用 librosa.feature.mfcc() 会产生一个二维数组，如下所示：

array([[ -5.229e+02,  -4.944e+02, ...,  -5.229e+02,  -5.229e+02],
   [  7.105e-15,   3.787e+01, ...,  -7.105e-15,  -7.105e-15],
   ...,
   [  1.066e-14,  -7.500e+00, ...,   1.421e-14,   1.421e-14],
   [  3.109e-14,  -5.058e+00, ...,   2.931e-14,   2.931e-14]])

我的问题是这些是什么？因为我期待一个一维的系数数组，为什么它是二维的？尺寸是多少？也许这是我对我应该得到的东西的误解，但是任何解释都将不胜感激。我尝试在网上查找，但似乎每个人都知道它是什么。

4

2 回答 2

3

我也被这个绊倒了。

查看https://librosa.org/doc/latest/glossary.html特别是“框架”的措辞。

您通常会想象一系列样本在 x 轴上从左到右 - 但请注意，它在 librosa 中称为“y”。

假设我的样本是，窗口为 2，跳数为 1：

[1,2,3,4,5]

当我期望以下内容时：

array([[1, 2],
       [2, 3],
       [3, 4],
       [4, 5]])

librosa 实际上给我的是：

array([[1, 2, 3, 4],
       [2, 3, 4, 5]])

这似乎是由于 librosa 喜欢显示/抛出数据的方式方便。

使用您通常脑海中的东西的简单方法是转置np.array

mfccs = librosa.feature.mfcc(np.array([1,2,3,4,5]))
# The mfccs exists down the columns, not across each row!

array([[-353.18529412],
       [  -9.92147635],
       [   1.39044844],
       [  19.76460942],
       [  25.52789074],
       [ -18.65229483],
       [  17.41164986],
       [  32.40858638],
       [ -13.52776281],
       [   8.38747316],
       [  23.82210792],
       [  16.50381765],
       [ -23.39931177],
       [  40.04480991],
       [   7.76233177],
       [  -2.54971281],
       [   4.81715362],
       [  36.80008536],
       [  -9.8943455 ],
       [  -0.57583487]])

mfccs.T
# Now mffcs[0] (the first row) refers to the first mfcc!

array([[-353.18529412,   -9.92147635,    1.39044844,   19.76460942,
          25.52789074,  -18.65229483,   17.41164986,   32.40858638,
         -13.52776281,    8.38747316,   23.82210792,   16.50381765,
         -23.39931177,   40.04480991,    7.76233177,   -2.54971281,
           4.81715362,   36.80008536,   -9.8943455 ,   -0.57583487]])

对于初学者：这是做什么的？考虑将矩阵（阵列）打印在一块透明塑料上，然后抓住左下角并将页面翻转过来，将左下角移动到右上角。

于 2017-10-20T14:29:35.733 回答
1

一维是时间，另一维是不同的频率。此链接显示了绘制它时的外观：

http://musicinformationretrieval.com/mfcc.html

于 2016-10-27T02:00:28.993 回答