我一直在学习声音分析，在其中遇到了术语mfcc。所以当我执行librosa.feature.mfcc(y=X, sr=sample_rate, n_mfcc=40)我得到了形状为40乘216的numpy数组。所以我得到了在216帧中提取了40个特征。但在这里，帧的确切含义是什么，它与采样率相似吗？以及我们在加载音频文件时对它的定义。
从mfcc文档中不明显的是，它在内部调用librosa.feature.melsspectrogram。并且melspectrogram具有参数win_length/n_fft和hop_length，它们定义了帧。您也可以将这些参数传递给mfcc。
框架是什么？基本上，它是处理一堆原始样本的结果：假设窗口长度为2048个样本(这是默认值(，跳跃长度为512(也是默认值(。mfcc返回的每个帧对应于2048个原始样本，并且是512个样本，比其前代"在音频中更远"。换句话说，帧之间存在显著的重叠。
例如，要为您的音频创建mfcc，将帧定义为1024个样本和512个跳跃长度，您可以调用：
librosa.feature.mfcc(y=X, sr=sample_rate, n_mfcc=40, hop_length=512, n_fft=1024)
同样，如果您没有明确传递这些参数，则使用melspectrogram中的默认值。