如何使用 MFCC 向量对单个音频文件进行分类？

Question

这可能是一个非常愚蠢的问题，但我在任何地方都找不到详细信息。

所以我有一个 3 秒长的录音（wav 文件）。那是我的样本，需要分类为 [class_A] 或 [class_B]。

通过遵循一些关于 MFCC 的教程，我将样本分成几帧（准确地说是 291 帧），并且我从每一帧中得到了 MFCC。

现在我有291个特征向量，每个向量的长度是13。

我的问题是；您如何将这些向量与分类器（例如 k-NN）一起使用？我有 291 个向量代表 1 个样本。我知道如何为 1 个样本使用 1 个向量，但如果我有 291 个样本，我不知道该怎么做。我真的找不到任何解释。

Answer 1

每个向量都将代表音频文件的频谱特征，因为它会随时间变化。根据帧的长度，您可能希望将其中的一些分组（例如通过按维度平均）以匹配您希望分类器工作的分辨率。例如，考虑一个特定的声音，它可能有一个起音时间为 2 毫秒的包络：这可能是您希望通过时间量化获得的细粒度，因此您可以 a) 对 MFCC 向量的数量进行分组和平均代表2ms；或 b) 以所需的时间分辨率重新计算 MFCC。

如果您真的想保持良好的分辨率，您可以连接 291 个向量并将其视为单个向量（291 x 13 维），这可能需要一个庞大的数据集来训练。