result=librosa.feature.mfcc(signal, 16000, n_mfcc=13, n_fft=2048, hop_length=400)
result.shape()
信号长 1 秒，采样率为 16000，我计算 13 MFCC，跳数为 400。输出维度为(13,41)。为什么我得到41帧，不应该是(time*sr/hop_length)=40吗？
【问题讨论】：
标签： python audio librosa audio-processing mfcc
是的，没错。
您正在使用时间序列作为输入 (signal)，这意味着 librosa 首先使用 melspectrogram 函数计算梅尔频谱图。它需要一堆参数，其中您已经指定了一个 (n_fft)。需要注意的是melspectrogram还提供了center和pad_mode这两个参数，默认值分别为True和"reflect"。
来自文档：
pad_mode：字符串： 如果 center=True，则在信号边缘使用的填充模式。 默认情况下，STFT 使用反射填充。
中心：布尔值： 如果为 True，则填充信号 y，使帧 t 以 y[t * hop_length] 为中心。 如果为 False，则帧 t 开始于 y[t * hop_length]
换句话说，默认情况下，librosa 使您的信号更长（焊盘）以支持居中。
如果您想避免这种行为，您应该将center=False 传递给您的mfcc 调用。
话虽如此，当将center 设置为False 时，请记住，n_fft 长度为 2048 且跃点长度为400，不一定会得到(time*sr/hop_length)=40 帧，因为您还必须考虑 window 而不仅仅是 hop 长度（除非您以某种方式填充）。跳跃长度仅指定您移动该窗口的样本数。
举一个极端的例子，考虑一个非常大的窗口和一个非常短的跳跃长度：假设有 10 个样本（例如 time=1s、sr=10Hz），窗口长度为 n_fft=9 和 hop_length=1 和 center=False .现在想象在 10 个样本上滑动窗口。
◼︎◼︎◼︎◼︎◼︎◼︎◼︎◼︎◼︎◻︎
◻︎◼︎◼︎◼︎◼︎◼︎◼︎◼︎◼︎◼︎
t 0123456789
◻︎ sample not covered by window
◼︎ sample covered by window
最初，窗口从t=0 开始，到t=8 结束。我们可以将它移动多少次 hop_length 并且仍然期望它不会用完样本？恰好一次，直到它从 t=1 开始并在 t=9 结束。添加第一个未移位的帧，您将获得 2 帧。这显然与错误的(time*sr/hop_length)=1*10/1=10不同。
正确的是：(time*sr-n_fft)//hop_length+1=(1*10-9)//1+1=2 和 // 表示 Python 风格的整数除法。
当使用默认值时，即center=True，信号两端都填充了n_fft // 2样本，所以n_fft不在等式中。
【讨论】：
center=True 时，librosa 在任一端使用n_fft // 2 样本填充。所以本质上，n_fft 确实对帧数没有影响。但是对于center=False，情况并非如此，您必须考虑n_fft。我会将此添加到我的答案中。
center，你必须采取考虑窗口长度。