MFCC 特征提取，Librosa

Question

我想提取以 8000 Hz 采样的音频文件的 mfcc 特征，帧大小为 20 ms，重叠时间为 10 ms。 librosa.feature.mfcc() 函数的参数必须是什么。下面写的代码是否指定了 20ms 的块与 10ms 的重叠？

import librosa as l

x, sr = l.load('/home/user/Data/Audio/Tracks/Dev/FS_P01_dev_001.wav', sr = 8000)
mfccs = l.feature.mfcc(x, sr=sr, n_mfcc = 24, hop_length = 160)

音频文件为 1800 秒。这是否意味着我会为所有 (1800/0.01)-1 块音频获得 24 个 mfcc？

Answer 1

8000 Hz 时的 1800 秒显然是 1800 * 8000 = 14400000 样本。 如果您的跃点长度为 160，则您大致获得14400000 / 160 = 90000 MFCC 值，每个值有 24 个维度。所以这显然不是(1800 / 0.01) - 1 = 179999（相差大约 2 倍）。

请注意，我在计算中使用了大致，因为我只使用了跳数长度而忽略了窗口长度。跳跃长度是窗口每一步移动的样本数。您可以容纳多少啤酒花取决于您是否以某种方式填充。如果您决定不填充，帧数还取决于您的窗口大小。

回到您的问题：您必须问自己 10 毫秒有多少个样本？

如果 1 秒包含 8000 个样本（这就是 8000 Hz 的含义），那么 0.01 秒中有多少个样本？那是8000 * 0.01 = 80 样本。

这意味着您有 80 个样本的跳跃长度和 160 个样本的窗口长度（0.02 秒 - 两倍长）。

现在您应该告诉 librosa 使用此信息，如下所示：

import librosa as l

x, sr = l.load('/home/user/Data/Audio/Tracks/Dev/FS_P01_dev_001.wav', sr = 8000)
n_fft = int(sr * 0.02)   # window length: 0.02 s
hop_length = n_fft // 2  # usually one specifies the hop length as a fraction of the window length
mfccs = l.feature.mfcc(x, sr=sr, n_mfcc=24, hop_length=hop_length, n_fft=n_fft)
# check the dimensions
print(mfccs.shape)

希望这会有所帮助。