from librosa.feature import mfccfrom librosa.core import loaddef extract_mfcc(sound): data, frame = load(sound) return mfcc(data, frame)mfcc = extract_mfcc("sound.wav")我想获取以下sound.wav文件的MFCC，该文件时长为48秒。
我知道data * frame = 音频长度。
但是当我按照上述方法计算MFCC并获取其形状时，结果是：(20, 2086)
这些数字代表什么意思？我如何仅通过MFCC来计算音频的时间？
我正在尝试计算每毫秒音频的平均MFCC。
任何帮助都将不胜感激！谢谢你:)
回答：
这是因为梅尔频率倒谱系数是在一个窗口上计算的，即样本数量。声音是波，因此不能通过单个样本（数字）来提取任何特征，因此需要窗口。
为了计算MFCC，使用了快速傅里叶变换（FFT），这正是需要提供窗口长度的原因。如果你查看librosa的mfcc文档，你不会发现这是一个显式参数。这是隐式的，具体来说：
- FFT窗口的长度：2048
- 连续帧之间的样本数：512
它们作为**kwargs传递，并在这里定义。
如果你现在考虑你的音频的采样频率和这些数字，你将得到你提供的最终结果。
由于librosa的默认采样率为22050，音频长度为48秒，窗口等于512，以下是结果：
这个数字并不完全是2086，因为：
- 你的音频长度并不完全是48秒
- 实际窗口长度为2048，步长为512。这意味着在末尾你会“丢失”几个帧。
