Python 生成mfcc'；基于注释文件的音频段的s

我的主要目标是将mfcc特性提供给ANN

然而，我仍停留在数据预处理阶段，我的问题分为两部分。
背景：
我有一个音频。 我有一个txt文件，它有如下注释和时间戳：

0.0 2.5 Music  
2.5 6.05 silence  
6.05 8.34 notmusic  
8.34  12.0  silence  
12.0  15.5 music  

我知道对于单个音频文件，我可以使用librosa计算mfcc，如下所示：

import librosa
y, sr = librosa.load('abcd.wav')
mfcc=librosa.feature.mfcc(y=y, sr=sr)

第1部分：我无法将我的头脑集中在两件事上：
如何根据注释中的线段计算mfcc

第2部分：如何最好地存储这些mfcc，以便将其传递给keras DNN。i、 e应将每个音频段计算的所有mfcc保存到单个列表/字典中。或者最好将它们保存到不同的词典中，以便属于一个标签的所有mfcc都位于一个位置

我不熟悉音频处理和python，因此，我愿意接受有关最佳实践的建议

非常乐意提供更多细节。

---

谢谢

第1部分：MFCC到标签的转换

从librosa文档中看不出这一点，但我相信mfcc的计算速度大约为23mS。使用上面的代码

mfcc.shape

将返回

（20，x）

，其中20是特征数，x对应于x帧数。mfcc的默认跳变率为512个样本，这意味着每个mfcc样本的跨度约为23mS（512/sr）

使用它，您可以计算文本文件中哪个帧与哪个标记相匹配。例如，标签

Music

从0.0秒到2.5秒，因此将是mfcc帧0到2.5*sr/512~=108。它们不会完全相等，因此需要对值进行四舍五入

第2A部分：DNN数据格式

对于输入（mfcc数据），您需要弄清楚输入是什么样子的。你将有20个功能，但你想输入一个单一的帧到您的网络，还是你要提交一个时间序列。您很抱歉，mfcc数据已经是一个numpy数组，但是它的格式为（feature，sample）。您可能希望将其反转为Keras的输入。您可以使用

numpy.reformate

来执行此操作

对于输出，您需要为文本文件中的每个标记指定一个数值。通常，您会将

标记存储为整数

在字典中。然后，这将用于为网络创建培训输出。每个输入样本应有一个输出整数

第2B部分：保存数据

---

最简单的方法是使用

pickle

保存并稍后重新加载。我喜欢使用类来封装输入、输出和字典数据，但您可以选择适合您的任何内容。

对于带注释的文件，您的步骤是。。。1-枚举不同的标记名。2-使用文件中的时间戳将标签的枚举值分配给每个mfcc样本。这意味着，如果您有1826个mfcc样本，那么您将有1826个枚举值作为网络的输出。换句话说，我已经生成了mfcc，我有注释。我是如何将两者叠加在一起的，这样我就可以像这样将它们输入神经网络，你会做一些看起来有点像。。。x_train=mfcc.Reformate（xx）y_train=keras.utils.to_category（annotations，num_classes=xx）model.fit（x_train，y_train，…）花费一些精力尝试对其进行编码，如果您遇到无法克服错误的情况，请发布这些错误，在一个新问题中，与您的代码一起。@bivouac0

标记音乐从0.0秒到2.5秒，因此将是mfcc帧0到2.5*sr/512~=108。它们不会完全相等，因此需要对值进行四舍五入。

很抱歉，我不明白这是什么意思。。。。。我试图解决一个非常类似的问题：如果您能提供一些小代码片段/伪代码，或者帮助我们完成这个任务。谢谢。请注意，我将上述评论的代码发布在