【发布时间】：2017-03-02 14:45:38
【问题描述】：
我正在研究一个卷积神经网络，它使用 audio spectrogram 来区分音乐和语音，使用 GTZAN dataset
如果单个样本较短，则总体上会提供更多样本。但是如果样本太短，那么它们可能缺乏重要的特征？
识别一段音频是音乐还是语音需要多少数据？
理想的音频样本应该多长？
【问题讨论】：
标签： machine-learning classification convolution spectrogram
【发布时间】：2017-03-02 14:45:38
【问题描述】：
音频的长度因多种因素而异。
基本理念是获得足够的样本。
由于音频不断变化，因此最好处理较短的数据。但是，非常小的帧会导致更少/没有要捕获的特征。
另一方面，非常大的样本会捕获太多的特征，从而导致复杂性。
因此，在大多数用例中，虽然理想的音频长度是 25 秒，但这不是书面规定，您可以相应地进行操作。只要确保帧大小不是非常小或非常大即可。
数据集更新 查看this链接获取30s的数据集
【讨论】：
-
25 秒用于音乐/语音识别？
-
大多数数据集并没有提供那么多数据
-
@Androbin，你的意思是分类？
-
在这种情况下有什么区别？
-
我从事过实时项目，通常我不得不削减和修剪音频文件，因为它们通常超过 4 分钟。
识别一段音频是音乐还是语音需要多少数据？
如果有人确切知道这个问题的答案，那么问题就已经解决了 :) 但说真的，这取决于您的下游应用程序将是什么。想象一下，试图区分带有背景音乐的语音与无伴奏合唱（困难）或区分管弦乐与有声读物（简单）。
理想的音频样本应该多长？
就像机器学习中的一切一样，它取决于应用程序。对你来说，我会说测试至少 10、20 和 30 秒，或者类似的时间。您是正确的，因为光谱值会根据长度发生相当大的变化！
【讨论】：
-
参考上一节：关于光谱值对每个时间段进行归一化时是否有明显的信息丢失？
-
当然，实验很重要。我只是对用于此类任务的常用值感到好奇。比如，是否有一些经验上的领先价值？
-
@Androbin 取决于您如何规范它。这也是信号和噪声之间的权衡；即，您正在规范化的内容中是否有更多的信号或噪声。我不知道您的任务的细节，但请记住，长窗口 = 更好的频率分辨率。所以我的目标是更大的窗户，以便在你的情况下获得更好的歧视。请记住，CNN 的设计是为了获取丑陋的混乱数据并找出如何处理它，所以不必担心过多的预处理......在计算机视觉中，我们现在经常提供原始数据图片直接...