python - 执行命令提取 mfcc 后返回什么？

Question

我一直在学习声音分析，并且在其中遇到了术语 mfcc。所以当我执行时， librosa.feature.mfcc(y=X, sr=sample_rate, n_mfcc=40) 我得到了形状为 40 x 216 的 numpy 数组。所以我知道我已经在 216 帧中提取了 40 个特征。但是在这里，帧的确切含义是什么，它类似于采样率以及我们在加载音频文件时定义它的位置。

Answer 1

从mfcc 文档中没有立即明显看出的是它在内部调用librosa.feature.melspectrogram。并且melspectrogram有参数win_length/n_fft和hop_length，它们定义了一个frame。您也可以将这些参数传递给mfcc.

那么什么是框架？基本上，它是处理一堆原始样本的结果：假设窗口长度为 2048 个样本（这是默认值）和 512 的跳跃长度（也是默认值），每个返回的帧mfcc对应于 2048 个原始样本并且是512 个样本比其前身“在音频中更进一步”。换句话说，帧之间有很大的重叠。

例如，要为您的音频创建 mfcc，将帧定义为 1024 个样本和 512 跳长度，您可以调用：

librosa.feature.mfcc(y=X, sr=sample_rate, n_mfcc=40, hop_length=512, n_fft=1024)

同样，如果您没有明确传递这些参数，则使用melspectrogram的默认值。