当我从音频中提取MFCC时，输出(13, 22)。这个数字代表什么？是时间框架吗？我使用librosa。
使用的代码是：
mfccs = librosa.feature.mfcc(y=X, sr=sample_rate, n_mfcc=13, hop_length=256)
mfccs
print(mfccs.shape)
输出是(13,22).
是的，这是时间框架，主要取决于您通过y提供多少样本以及您选择的hop_length。
例
假设您有 10 个音频以 44.1 kHz(CD 质量(采样。当您使用librosa加载它时，它会重新采样到22,050 Hz(这是librosa默认值(并向下混音到一个通道(单声道(。然后，当您运行诸如 STFT、谱图或 MFCC 之类的东西时，将计算所谓的特征帧。
问题是，您的 10 多音频获得了多少(功能(帧？
对此的决定参数是hop_length.对于所有提到的功能，librosa在1d音频信号上滑动一定长度(通常为n_fft(的窗口，即，它一次查看一个较短的片段(或帧(，计算该片段的特征并移动到下一个片段。这些段通常是重叠的。两个这样的段之间的距离是hop_length的，并以样本数指定。它可能与n_fft相同，但通常hop_length是n_fft的一半甚至四分之一。它允许您控制要素的时间分辨率(光谱分辨率由n_fft或n_mfcc控制，具体取决于您实际计算的内容(。
44.1 kHz 的 10 个音频是 441000 个样本。但请记住，librosa 默认重新采样为 22050 Hz，因此实际上只有 220500 个样本。如果我们在每一步中移动一段 256 个样本，我们可以在这 220500 个样本上移动一段多少次？确切的数字取决于段的长度。但是，让我们暂时忽略它，并假设当我们到达末尾时，我们只是将输入归零，以便只要至少有一些输入，我们仍然可以计算帧。然后计算变得微不足道：
number_of_samples / hop_length = number_of_frames
因此，对于我们的示例，这将是：
220500 / 256 = 861.3
所以我们得到了大约 861 帧。
请注意，您可以通过计算所谓的frame_rate来使此计算更加容易。这是每秒帧数，单位为 Hz。它：
frame_rate = sample_rate / hop_length = 86.13
要获取输入的帧数，只需将音频长度与音频长度进行多次frame_rate，即可设置(忽略填充(。
frames = frame_rate * audio_in_seconds