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")

我想获得以下sound.wav文件的MFCC，该文件长48秒。

我明白了data * frame = length of audio.

但是当我如上所示计算MFCC并得到它的形状时，结果是：(20, 2086)

这些数字代表什么？如何通过MFCC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

那是因为mel-frequency cepstral coefficients是在窗口上计算的，即样本数。声音是波浪，人们不能通过采用单个样本（数字）来获得任何特征，因此窗口。

为了计算MFCC，使用快速傅立叶变换（FFT）并且确切地要求提供窗口的长度。如果检查mfcc的librosa文档，则不会将其作为显式参数。那是因为它隐含着，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here。

如果您现在考虑音频的采样频率和这些数字。您将获得您提供的最终结果。

由于librosa的默认采样率是22050，音频长度是48s，窗口等于512，下面是：

这个数字并不完全是2086，因为：

• 您的音频长度不会超过48秒
• 实际窗口长度为2048，具有512跳。这意味着你将在最后“松散”几帧。