python中语音特征提取（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（7 类）进行分类。 我做的第一件事是使用 python_speech_features 库中的 mfcc function 提取特征（ https://python-speech-features.readthedocs.io/en/latest/#functions-provided-in-python-speech-features-模块）。

在文档中，它说每一行包含一个特征向量。 问题是每个音频文件返回不同的行数（特征），因为音频长度不同。 例如，对于 audio_1，output 的形状是 (155,13)，对于 audio_2，输出的形状是 (258,13)。 关于如何使它们具有相同形状的任何建议？ 我目前正在使用 PCA 强制数据具有相同的维度，这是正确的方法吗？

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，可以使用 4 种不同的方法：

1. 零填充

2. N模数减少

3. 插补

4. 动态时间环绕

您可以对每个音频样本使用其中任何一种方法。 这些方法可在学术论文中找到。