了解 MFCC 的输出

Question

我是信号分析的初学者。我想提取声音的 MFCC，因为我读到 MFCC 是自动语音识别的一个很好的参数。所以我在RStudio 中这样尝试：

wl=512
ncep=13
mfcc.peewit <- melfcc(peewit,sr=peewit@samp.rate,wintime = wl/f,hoptime = wl/f,numcep = ncep,
                      nbands = ncep*2,fbtype = "htkmel",dcttype = "t3",htklifter = TRUE,
                      lifterexp = ncep-1,frames_in_rows = FALSE,spec_out = TRUE)

结果是一个 13*30 的数据帧，我对 MFCC 的输出感到困惑。我以为 MFCC 将是 13 个实际数字，但在这里我得到了一个数据框，数据框是 MFCC 吗？还是我做错了什么？或者，我在其他地方读到“13*30”中的 13 是 13 个系数的离散表示，对吗？

感谢您提前回复。

Answer 1

音频信号是一个时间序列。每跳将有一组 MFCC 系数。语音的典型跳跃时间可能约为 20-50 毫秒。所以第13维是MFCC，第30维是时间。