Python 如何使torchaudio和librosa MFCC计算等效？

我在

librosa

、

python\u speech\u功能

和

tensorflow.signal

之间看到过同样类型的问题

我正在尝试使用相同的参数和基本方法来制作

torchaudio

和

librosa

计算MFCC特性。这是从

librosa

过渡到

torchaudio

的一部分

鉴于：

import numpy as np
import torch

from librosa.feature import mfcc
from torchaudio.transforms import MFCC

sample_rate = 22050
audio = np.ones((sample_rate,), dtype=np.float32)

librosa_mfcc = mfcc(audio, sr=sr, n_mfcc=20, n_fft=2048, hop_length=512, power=2)

mfcc_module = MFCC(sample_rate=sr, n_mfcc=20, melkwargs={"n_fft": 2048, "hop_length": 512, "power": 2})
torch_mfcc = mfcc_module(torch.tensor(audio))

librosa_mfcc和torch_mfcc的

形状都是
（20,44）
，但是数组本身是不同的。例如，
librosa_mfcc[0][0]
是
-487.6101
，而
torch_mfcc[0][0]
是
-302.7711

我承认我在这里缺乏大量的领域知识，但我正在通过和文档和参数学习它们在MFCC计算中采用的不同路线以及每个参数背后的含义。如何使
torch_mfcc
具有与
librosa_mfcc
相同的值？
差异可能在mel谱图级别，因为该计算是mfcc的关键部分。因此，比较THO的参数。在librosa中，确保至少检查fmin、fmax和htk。在mel光谱图中，可以根据需要绘制和解释差异well@jonnor我尝试将
fmin
和
fmax
以及
htk
标准化为
true
和
false
。我仍然看到阵列中的差异，在mel过滤器/STFT级别，实现是否也可能存在差异？看起来，
torchaudio
不提供为这些设置kwargs的功能，而
librosa
提供。我还将尝试按照您的建议进行绘图。是的，我认为mel/STFT级别的差异肯定会发生。在计算mels谱图之后，进行“just”对数变换，然后进行DCT-II以获得MFCC。这是一个很好的中间点，至少可以确定错误在链中的起始位置