1

我正在从一些音频文件中提取 MFCC 功能。我目前拥有的程序为每个文件提取了一系列 MFCC，并有一个缓冲区大小为 1024 的参数。我在一篇论文中看到了以下内容：

通过计算每个特征向量元素的均值和方差（合并）来组合在一秒钟的音频数据中提取的特征向量。

我当前的代码使用 TarsosDSP 来提取 MFCC，但我不确定如何将数据拆分为“一秒钟的音频数据”以合并 MFCC。

我的 MFCC 提取码

int sampleRate = 44100;
int bufferSize = 1024;
int bufferOverlap = 512;
inStream = new FileInputStream(path);
AudioDispatcher dispatcher = new AudioDispatcher(new UniversalAudioInputStream(inStream, new TarsosDSPAudioFormat(sampleRate, 16, 1, true, true)), bufferSize, bufferOverlap);
final MFCC mfcc = new MFCC(bufferSize, sampleRate, 13, 40, 300, 3000);
dispatcher.addAudioProcessor(mfcc);
dispatcher.addAudioProcessor(new AudioProcessor() {
    @Override
    public void processingFinished() {
        System.out.println("DONE");
    }
    @Override
    public boolean process(AudioEvent audioEvent) {
        return true;  // breakpoint here reveals MFCC data
    }
});
dispatcher.run();

缓冲区大小到底是多少，它可以用来将音频分割成 1 秒的窗口吗？有没有一种方法可以将一系列 MFCC 划分为一定的时间？

任何帮助将不胜感激。

4

1 回答 1

0

经过更多研究，我发现这个网站清楚地显示了将 MFCC 用于 Weka 的步骤。它显示了一些数据文件，其中包含各种统计数据，每个数据文件在 Weka 中作为单独的属性列出。我相信当报纸说

计算均值和方差

它们意味着每个 MFCC 系数的均值和方差被用作组合数据文件中的属性。当我按照网站上的示例合并 MFCC 时，我使用了最大值、最小值、范围、最大值位置、最小值位置、平均值、标准差、偏度、峰度、四分位数和四分位数范围。

要将音频输入分成几秒钟，我相信 MFCC 的集合是以作为参数输入的采样率提取的，所以如果我将其设置为 100，我将等待 100 个周期来合并 MFCC。如果我错了，请纠正我。

于 2017-08-02T20:33:19.770 回答