Python n_fft=2048值对于长度来说太小，可以'；t使用除'；常数'；或'；空的
这就是错误所在 警告（来自警告模块）： 文件“C:\Users\Hp\AppData\Local\Programs\Python\39\lib\site packages\librosa\core\spectrum.py”，第222行 警告，警告( 用户警告：n_fft=2048对于长度为0的输入信号太小 回溯（最近一次呼叫最后一次）： 文件“C:\Users\Hp\AppData\Local\Programs\Python\Python39\datasetread.py”，第72行，在 save_mfcc（数据集_路径、JSON_路径、num_段=10） 文件“C:\Users\Hp\AppData\Local\Programs\Python\Python39\datasetread.py”，第54行，在save_mfcc中 mfcc=librosa.feature.mfcc（信号[start\u sample:finish\u sample]，sr=sr，n\u fft=n\u fft，n\u mfcc=n\u mfcc，hop\u length=hop\u length） mfcc中的文件“C:\Users\Hp\AppData\Local\Programs\Python\39\lib\site packages\librosa\feature\spectrum.py”，第1852行 S=功率到分贝（光谱图（y=y，sr=sr，**kwargs）） 文件“C:\Users\Hp\AppData\Local\Programs\Python\Python39\lib\site packages\librosa\feature\spectrum.py”，第1996行，在melspectrogram中 S、 n\u fft=\u谱图( “C:\Users\Hp\AppData\Local\Programs\Python\Python39\lib\site packages\librosa\core\spectrum.py”文件，第2512行，在谱图中 stft( 文件“C:\Users\Hp\AppData\Local\Programs\Python\39\lib\site packages\librosa\core\spectrum.py”，第228行，在stft中 y=np.pad（y，int（n\u fft//2），mode=pad\u mode） 文件“”，第5行，在pad中 pad中第814行的文件“C:\Users\Hp\AppData\Local\Programs\Python\39\lib\site packages\numpy\lib\arraypad.py” 升值误差( ValueError:无法使用“常量”或“空”以外的模式扩展空轴0 我正在研究语音识别系统，通过这段代码我想用MFCC提取特征Python n_fft=2048值对于长度来说太小，可以'；t使用除'；常数'；或'；空的,python,preprocessor,mfcc,Python,Preprocessor,Mfcc,这就是错误所在 警告（来自警告模块）： 文件“C:\Users\Hp\AppData\Local\Programs\Python\39\lib\site packages\librosa\core\spectrum.py”，第222行 警告，警告( 用户警告：n_fft=2048对于长度为0的输入信号太小 回溯（最近一次呼叫最后一次）： 文件“C:\Users\Hp\AppData\Local\Programs\Python\Python39\datasetread.py”，第72行，在 sav
DATASET\u PATH=“F://MS//MS-4//LibriSpeech”
JSON_PATH=“data_10.JSON”
采样率=22050
轨道持续时间=15
每个轨道的采样率=采样率*轨道持续时间
def save_mfcc（数据集_路径，json_路径，n_mfcc=13，n_fft=2048，跃点长度=512，num_段=5）：
数据={
“映射”：[]，
“mfcc”：[]，
“标签”：[]}
num_samples_per_segment=int（samples_per_TRACK/num_segments）
预期的每个分段的样本数=math.ceil（每个分段的样本数/跳长）
对于枚举（os.walk（dataset_path））中的i（dirpath、dirname、filename）：
如果dirpath不是数据集路径：
dirpath\u components=os.path.split（dirpath）
语义_标签=dirpath_组件[-1]
数据[“映射”]。追加（语义标签）
打印（“\n处理：{}”。格式（语义标签））
对于文件名中的f：
file_path=os.path.join（dirpath，f）
信号，sr=librosa.load（文件路径，sr=SAMPLE\u速率）
对于范围内的s（num_段）：
开始样本=每个分段的样本数*s
完成样本=开始样本+每段样本数
mfcc=librosa.feature.mfcc（信号[start\u sample:finish\u sample]，sr=sr，n\u fft=n\u fft，n\u mfcc=n\u mfcc，hop\u length=hop\u length）
mfcc=mfcc.T
如果len（mfcc）=每段的预期数量mfcc向量：
数据[“mfcc”].append（mfcc.tolist（））
数据[“标签”]。附加（i-1）
打印（“{}，段：{}”。格式（文件路径，s+1））
打开（json_路径，“w”）作为fp：
dump（数据，fp，缩进=4）
如果名称=“\uuuuu main\uuuuuuuu”：
save_mfcc（数据集_路径、JSON_路径、num_段=10）