Python MFCCs阵列中的第二个数字是什么？

从音频中提取MFCC时，输出为

（13,22）

。这个数字代表什么？这是时间表吗？我用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，它是时间范围，主要取决于您通过

y

提供的样本数量以及您选择的

hop\u长度

例子
假设您以44.1 kHz（CD质量）采样了10秒的音频。当您使用librosa加载它时，它会被重新采样到22050 Hz（），并下混到一个通道（mono）。然后运行类似于、或的程序时，将计算所谓的要素帧

问题是，你的10秒音频有多少（功能）帧

这方面的决定性参数是
跃点长度
。对于所有提到的功能，librosa在1d音频信号上滑动一定长度的窗口（通常为
n_fft
），即，它一次查看一个较短的段（或帧），计算该段的特征，然后移动到下一段。这些部分通常是重叠的。两个此类段之间的距离为
hop_length
，并以样本数表示。它可能与
n\u fft
相同，但通常情况下
hop\u长度
是
n\u fft
的一半甚至四分之一。它允许您控制特征的时间分辨率（光谱分辨率由
n_fft
或
n_mfcc
控制，具体取决于您实际计算的内容）

44.1 kHz下的10s音频为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。如果我们在每一步中移动256个样本，我们可以在这220500个样本上移动一定长度的片段多少次？精确的数字取决于线段的长度。但让我们暂时忽略这一点，并假设当我们到达终点时，我们只是将输入归零，这样我们就可以在至少有一些输入的情况下仍然计算帧。然后，计算变得很简单：

number_of_samples / hop_length = number_of_frames

因此，对于我们的示例，这将是：

220500 / 256 = 861.3

所以我们得到了大约861帧

请注意，通过计算所谓的
帧速率
，可以使此计算更加容易。这是每秒帧数，单位为赫兹。它是：

frame_rate = sample_rate / hop_length = 86.13

要获得输入的帧数，只需将音频长度乘以
frame\u rate
，然后进行设置（忽略填充）

非常感谢你！那么，当我设置n_fft=0,05*sr时，这意味着什么呢？那不是50秒的时限吗？不，不是
n_fft
在样本中未及时指定。我在我的答案中添加了一个全面的例子，这样更容易理解。非常感谢！还有一个问题。对于这861帧中的每一帧，librosa提取一个MFCC值？librosa为每个帧提供MFCC值。在您的情况下，每帧13个，因为您要求
n_mfcc=13
。很抱歉，我仍然无法理解某些内容。因为我得到了一个维度为（13，22）的数组，基本上是13个数组，每个数组中有22个数字，我如何得到每个帧的13。谢谢
frames = frame_rate * audio_in_seconds