理解mfcc的输出结果

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")

我想获取以下声音文件sound.wav的MFCC，其长度为48秒。

我知道data * frame = length of audio.

但是，当我按上述方式计算MFCC并获取其形状时，结果如下：(20, 2086)

这些数字代表什么意思？ 如何仅通过其MFCC计算音频的时间？

我试图计算每毫秒音频的平均MFCC。

任何帮助都将不胜感激！谢谢 :)

- Eduardo Morales

---

可能会有所帮助：http://practicalcryptography.com/miscellaneous/machine-learning/guide-mel-frequency-cepstral-coefficients-mfccs/ - tkhurana96

Answer 1

那是因为梅尔倒谱系数是在窗口内计算的，即样本数量。声音是波形，无法通过单个样本（数字）获得任何特征，因此需要使用窗口。

要计算MFCC，需要使用快速傅里叶变换（FFT），这正好需要提供窗口长度。如果您查看mfcc的librosa文档，您不会发现它作为一个明确的参数。这是因为它是隐含的，具体来说：

• FFT窗口的长度：2048
• 相继帧之间的样本数量：512

它们作为**kwargs传递，并在此处定义。

如果现在考虑您的音频采样频率和这些数字，您将得到您提供的最终结果。

由于librosa的默认采样率为22050，音频长度为48秒，窗口长度为512，因此如下所示：

这个数字不完全是{{2086}}，因为：

• 您的音频长度不完全是48秒
• 实际的窗口长度为2048，跳跃512。这意味着您会在结尾处“失去”一些帧。

- Lukasz Tracewski

---

我很高兴你发现它有帮助！20是你提取的系数数量。这是默认值。 - Lukasz Tracewski

只是想澄清一下，使用默认的 center=True 时，实际上在开头和结尾并不会“丢失帧”。因为帧被填充以适应窗口长度，所以你会获得更多的帧。如果设置 center=False，那么 nMFCC * hop_len <= num_samples。但是使用默认的 center=True，则 nMFCC * hop_len >= num_samples。 - Mike Martin

这些数字确切代表什么意思？你有2048和20个什么？ - Sam

@Sam 那是2048个样本和20个梅尔频率倒谱系数。 - Lukasz Tracewski

我是说2067年，抱歉。 - Sam

@Sam 系数的数量。 - Lukasz Tracewski