python中的特征提取语音(梅尔频率倒谱系数)

Question

我目前正在尝试根据音频文件对情绪进行分类(7类(。我做的第一件事是使用python_speech_features库中的mfcc函数提取特性(https://python-speech-features.readthedocs.io/en/latest/#functions-在python语音特征模块中提供(。

在文档中，它说每一行都包含一个特征向量。问题是，由于音频长度不同，每个音频文件返回的行(特征(数量不同。例如，对于audio_1，输出的形状是(155，13(，对于audil_2，输出的颜色是(258，13(。关于如何使它们保持相同的形状，有什么建议吗？我目前正在使用PCA来强制数据具有相同的维度，这是一种正确的方法吗？

这就是我提取特征的方式：

sample_rate, data = wavfile.read(path)
mfccExtract = features.mfcc(data, sample_rate, winfunc=np.hamming)

Answer 1

如果您希望每个音频样本的长度相同，有4种不同的方法可用：

1. 零填充

2. N模缩减

3. 插值

4. 动态时间包装

您可以对每个音频样本使用其中任何一种方法。这些方法可以在学术论文中找到。