我目前正在从我的婴儿哭声数据集提取mel特征,wav文件的采样率是8kHz,16位,单声道和大约7秒。在
sr=16000时的Mel spectrogramsr=44100时的Mel spectrogram
但正如您所见,每当我以不同的采样率提取特征sr
,mel谱图的值就会改变。
我想既然wav文件的采样率是8kHz,那么如果我将采样率设置为超过16kHz,那么赫兹的值必须相同。在
我将wav文件的采样率8kHz转换为44.1kHz,并再次提取,但没有任何变化。在
这是我的代码:
import librosa.display
import matplotlib.pyplot as plt
import numpy as np
sr = 44100 # or 16000
frame_length = 0.1
frame_stride = 0.01
path = '...'
train = []
j, sr = librosa.load(path + '001.wav', sr, duration = 5.0)
input_nfft = int(round(sr*frame_length))
input_stride = int(round(sr*frame_stride))
mel = librosa.feature.melspectrogram(j, n_mels = 128, n_fft = input_nfft, hop_length=input_stride, sr = sr)
train.append(mel)
plt.figure(figsize=(10,4))
librosa.display.specshow(librosa.power_to_db(train[0], ref=np.max), y_axis='mel', sr=sr, hop_length=input_stride, x_axis='time')
plt.colorbar(format='%+2.0f dB')
plt.title('Mel-Spectrogram')
plt.tight_layout()
plt.show()
y轴的值必须相同,无论sr = 44100
或16000
但我不明白为什么会这样。在
当您要求librosa创建mel谱图时,您要求它执行两个步骤:
基于傅里叶变换的频谱
首先,你要求它在可能的范围内创建一个基于FFT的频谱图。要理解可能的范围是什么,您必须理解Nyquist-Shannon theorem,它(大致)说明当您在sr赫兹采样信号时,您不能表示超过sr/2hz(sr=采样率)的频率。所以44.1kHz采样信号的可能频率范围是0到22.05kHz。在
librosa产生一个规则的线性间隔谱图作为中间结果。频率范围为0至sr/2 Hz。在
Mel谱图
与常规的基于FT的谱图相反,mel谱图没有线性频率标度,而是(几乎)对数标度。为了将基于FT的谱图映射到对数标度,所有可用的数据都映射到特定数量的对数间隔的容器中。使用的存储单元数指定为
n_mels
,即mel波段的数量。在把它放在一起
所以对于
n_mels = 128
,如果你有一个以44.1kHz采样的信号,你可以代表0到22.05Hz的范围。这个范围被映射到128个对数间隔的频带上。如果您的信号采样频率为16 kHz,则可以表示0到8 Hz的范围。这个范围被映射到128个对数间隔的频带上,即0-8khz的范围被分成128个部分,而不是0-22.05khz的范围。这必然导致不同的结果。在解决方案
如果要确保映射到}(请参见here)。在
n_mels
mel波段的频率范围始终相同,而不考虑采样率,则必须指定关键字参数fmin
和{例如:
相关问题 更多 >
编程相关推荐