使用python_speech_功能获取96个MFCC功能

我想用96个MFCC功能训练我的模型。我使用了Librosa，但没有得到一个有希望的结果。 然后我尝试使用python_speech_特性，但是我最多只能获得26个特性！为什么？ 这是同一音频文件的形状

使用

Librosa

x = librosa.feature.mfcc(audio, rate, n_mfcc=96)
x.shape  # (96, 204)

使用

python\u speech\u功能

mfcc_feature = pySpeech.mfcc(audio, rate, 0.025, 0.01, 96, nfft=1200, appendEnergy = True)
mfcc_feature.shape # output => (471, 26)

---

任何想法

因此，

librosa

和

python\u speech\u功能的实现在结构上甚至理论上都有所不同。根据文件：


（还）


您会注意到输出是不同的，
librosa mfcc output shape=（n\u mels，t）
而
python\u speech\u features output=（num\u frames，num\u cep）
，因此您需要转换其中一个。您还将注意到，在
python\u speech\u功能中，任何大于26的
num\u ceps
值都不会改变返回的MFCC
num\u ceps
中的任何内容，这是因为您受到所用过滤器数量的限制。因此，您也必须增加该值。此外，您需要确保使用了类似的值（一个是使用samples count，另一个是持续时间），因此您必须解决这个问题。另外，
python\u speech\u特性
接受scipy read函数返回的int16值，但librosa需要float32，因此必须转换读取数组或使用
librosa.load（）
。下面是一个小片段，其中包括前面的更改：

import librosa
import numpy as np
import python_speech_features
from scipy.io.wavfile import read


# init fname
fname = "sample.wav"

# read audio 
rate, audio = read(fname)

# using librosa 
lisbrosa_mfcc_feature = librosa.feature.mfcc(y=audio.astype(np.float32), 
                                             sr=rate,
                                             n_mfcc=96,
                                             n_fft=1024,
                                             win_length=int(0.025*rate),                                            
                                             hop_length=int(0.01*rate))
print(lisbrosa_mfcc_feature.T.shape)

# using python_speech_features
psf_mfcc_feature = python_speech_features.mfcc(signal=audio, 
                                               samplerate=rate, 
                                               winlen=0.025,
                                               winstep=0.01, 
                                               numcep=96,
                                               nfilt=96,
                                               nfft=1024, 
                                               appendEnergy=False)
print(psf_mfcc_feature.shape)


# check if size is the same
print(lisbrosa_mfcc_feature.shape == psf_mfcc_feature.shape)

我对此进行了测试，结果如下：

(9003, 96)
(9001, 96)
False

它不是完全相同的输出，但只是相差两帧。顺便说一句，值不会相同，因为每个库使用不同的方法来计算MFCC，
python_speech_features
使用，而librosa使用
 也许你可以微笑。从音频中提取特征非常好。可以根据需要生成100多个功能。