python中的特征提取语音（梅尔频率倒谱系数）

Question

我目前正在尝试根据音频文件对情绪进行分类（7 类）。我做的第一件事是使用 python_speech_features 库 (https://python-speech-features.readthedocs.io/en/latest/#functions-provided-in-python-speech-features-module) 中的 mfcc 函数提取特征。

在文档中，它说每一行都包含一个特征向量。问题是每个音频文件返回不同数量的行（特征），因为音频长度不同。例如，对于 audio_1，输出的形状是 (155,13)，对于 audio_2，输出的形状是 (258,13)。关于如何使它们具有相同形状的任何建议？我目前正在使用 PCA 来强制数据具有相同的维度，这是正确的方法吗？

这就是我提取特征的方式：

sample_rate, data = wavfile.read(path)
mfccExtract = features.mfcc(data, sample_rate, winfunc=np.hamming)

Answer 1

如果您希望每个音频样本的长度相同，可以使用 4 种不同的方法：

1. 零填充

2. N 模减少

3. 插值

4. 动态时间包装

您可以对每个音频样本使用其中任何一种方法。这些方法可在学术论文中找到。