ioa*_*_bl 2 python audio mfcc librosa
当我从音频中提取 MFCC 时，输出为(13, 22). 数字代表什么？是时间范围吗？我用的是librosa。
使用的代码是：
mfccs = librosa.feature.mfcc(y=X, sr=sample_rate, n_mfcc=13, hop_length=256)
mfccs
print(mfccs.shape)
输出是(13,22).
是的，这是时间范围，主要取决于您提供的样品数量y以及hop_length您选择的内容。
假设您有 10 秒的音频采样频率为 44.1 kHz（CD 质量）。当您使用 librosa 加载它时，它会重新采样到 22,050 Hz（这是 librosa 默认值）并缩混到一个通道（单声道）。然后，当您运行STFT、melspectrogram或MFCC之类的东西时，就会计算所谓的特征帧。
问题是，您在 10 秒的音频中获得了多少（特征）帧？
对此的决定性参数是hop_length. 对于所有提到的功能，librosa 在 1d 音频信号上滑动一定长度（通常为 ）的窗口n_fft，即，它一次查看一个较短的片段（或帧），计算该片段的特征并移至下一个片段部分。这些部分通常是重叠的。两个这样的线段之间的距离为hop_length且以样本数指定。它可能与 相同n_fft，但通常hop_length是一半甚至四分之一n_fft。它允许您控制特征的时间分辨率（光谱分辨率由n_fft或控制n_mfcc，具体取决于您实际计算的内容）。
44.1 kHz 的 10 秒音频有 441000 个样本。但请记住，librosa 默认情况下会重新采样到 22050 Hz，因此实际上只有 220500 个样本。如果我们每一步移动 256 个样本，那么我们可以在这 220500 个样本上移动一段长度多少次？精确的数字取决于该段的长度。但让我们暂时忽略这一点，并假设当我们到达末尾时，我们只需对输入进行零填充，这样只要至少有一些输入，我们仍然可以计算帧。那么计算就变得微不足道了：
number_of_samples / hop_length = number_of_frames
因此，对于我们的示例，这将是：
220500 / 256 = 861.3
所以我们得到大约 861 帧。
请注意，您可以通过计算所谓的 来使此计算变得更加容易frame_rate。这是每秒的帧数，以 Hz 为单位。它是：
frame_rate = sample_rate / hop_length = 86.13
要获取输入的帧数，只需乘以frame_rate音频长度即可设置（忽略填充）。
frames = frame_rate * audio_in_seconds