小编swe*_*e87的帖子

我正在浏览这两个 librosa 文档：melspectrogram和stft。

我正在研究可变长度的音频数据集，但我不太了解形状。例如：

(waveform, sample_rate) = librosa.load('audio_file')
spectrogram = librosa.feature.melspectrogram(y=waveform, sr=sample_rate)
dur = librosa.get_duration(waveform)
spectrogram = torch.from_numpy(spectrogram)
print(spectrogram.shape)
print(sample_rate)
print(dur)

输出：

torch.Size([128, 150])
22050
3.48

我得到的有以下几点：

1. 采样率是每秒获取 N 个样本，在本例中每秒获取 22050 个样本。
2. 窗口长度是针对该音频长度周期计算的 FFT。
3. STFT 是在音频的小时间窗口内进行 FFT 计算。
4. 输出的形状为(n_mels, t)。t = 持续时间/fft 窗口。

我试图理解或计算：

1. n_fft是什么？我的意思是它到底对音频波做了什么？我在文档中读到以下内容：

   n_fft : int > 0 [标量]

   用零填充后加窗信号的长度。STFT 矩阵 D 的行数为 (1 + n_fft/2)。默认值 n_fft=2048 个样本，对应于 22050 Hz 采样率下的 93 毫秒物理持续时间，即 librosa 中的默认采样率。

   
   

   这意味着在每个窗口中采集 2048 个样本，这意味着 --> 1/22050 * 2048 = 93[ms]。每 …