接着前面的文章，关于语音分帧问题，在前期将语音静音删除后，需要将语音裁剪成长度相同的长度或者分帧，保证数据集的统一。长度不同的音频文件不容易建模分析，需要先分帧，切成长度相同的，另外切成一小段固定长度时，段和段之间适当重叠部分。
经过一上午的学习实践，参考librosa文档和知乎等资料，终于搞定懂了。
语音信号是一个非稳态的、时变的信号。但在短时间范围内可以认为语音信号是稳态的、时不变的，这个短时间一般取 10-30ms。进行语音信号处理时，为减少语音信号整体的非稳态、时变的影响，从而对语音信号进行分段处理，其中每一段称为一帧，帧长一般取 25ms。为了使帧与帧之间平滑过渡，保持其连续性，分帧一般采用交叠分段的方法，保证相邻两帧相互重叠一部分，末尾不足部分用零填充。相邻两帧的起始位置的时间差称为帧移，我们一般在使用中帧移取值为 10ms。
那么对于一个 22050Hz 采样的音频来说，帧长有 22050 * 0.025 = 551.25 个点，帧移有 22050 * 0.01 = 220.5 个点。根据上一篇文章-jupyter notebook完成wav文件探索，计算点数方法是采样率 * 时长，那么wav文件就有5.89569 * 22050 = 130000，和librosa.load返回的数据是一致的。num_samples、frame_len、frame_shift 分别代表音频的数据点数、帧长和帧移，那么i 帧的数据需要的点数：(i-1) * frame_shift + frame_len，n 个点的音频的帧数：ceil(n- / frame_shift) 。
那么在librosa.load语音文件后，需要自己来分帧吗？NO，librosa已经帮你实现了！librosa.feature.mfcc函数提取MFCCs特征时，MFCC一般默认帧长为2048，帧移为512，即默认1/4关系。查看参考librosa文档：hop_length = win_length / 4，win_length = n_fft。n_fft=2048, hop_length=512。
那么笔者再次在jupyter notebook中添加计算，发现和mfcc函数提取的帧数是一致的。那么在提取特征时就不需要自动来保证帧移的分帧。jupyter 真是太好用了，可以查看、修改历史过程，不用从头开始导入数据、分析数据了。
网友评论