我想为一个机器学习模型准备一个音频数据集。

每个.wav文件应表示为一个MFCC图像。

虽然所有图像的MFCC数量相同（= 20），但.wav文件的长度在3到5秒之间。

我应该调整所有.wav文件的长度使其相同吗？我在绘图之前应该将MFCC值归一化（在0到1之间）吗？

在将此类数据传递给机器学习模型之前，有哪些重要的步骤需要执行？

也欢迎提供进一步的阅读链接。

回答：

是的，大多数分类器需要固定大小的输入。你可以通过在计算MFCC后进行裁剪或填充来实现这一点。没有必要专门操作WAV/波形文件。

另一种方法是将你的音频文件分割成多个分析窗口，每个窗口1秒。这样，一个3秒的文件可以进行3次预测（如果使用重叠则更多），而一个5秒的文件则可以进行5次预测（或更多）。然后，要获得整个片段的预测，可以合并片段中所有窗口的预测。用这种方式训练的简单方法需要假设为片段提供的标签对每个单独的分析窗口都是有效的。