python 提取MFCC特征、一阶差分及二阶差分

依赖库：
python-speech-features-0.6

import python_speech_features
import numpy as np
import scipy.io.wavfile
from matplotlib import pyplot as plt
import os'''
signal - 需要用来计算特征的音频信号，应该是一个N*1的数组
samplerate - 我们用来工作的信号的采样率
winlen - 分析窗口的长度，按秒计，默认0.025s(25ms)
winstep - 连续窗口之间的步长，按秒计，默认0.01s（10ms）
numcep - 倒频谱返回的数量，默认13
nfilt - 滤波器组的滤波器数量，默认26
nfft - FFT的大小，默认512
lowfreq - 梅尔滤波器的最低边缘，单位赫兹，默认为0
highfreq - 梅尔滤波器的最高边缘，单位赫兹，默认为采样率/2
preemph - 应用预加重过滤器和预加重过滤器的系数，0表示没有过滤器，默认0.97
ceplifter - 将升降器应用于最终的倒谱系数。 0没有升降机。默认值为22。
appendEnergy - 如果是true，则将第0个倒谱系数替换为总帧能量的对数。
'''def get_mfcc(data, fs, winSize, winStep):# MFCCwav_feature = python_speech_features.mfcc(data, fs,numcep=13, winlen=winSize, winstep=winStep,  # winstep = 0.01nfilt=26, nfft=512, lowfreq=0, highfreq=None, preemph=0.97)# 一阶差分 二阶差分 MFCC d_mfcc_feat = python_speech_features.delta(wav_feature, 1)d_mfcc_feat2 = python_speech_features.delta(wav_feature, 2)feature = np.hstack((wav_feature, d_mfcc_feat, d_mfcc_feat2))# 三者叠加 尺寸为 【len：39】return featuredef readWavToMFCCnpy(path, destination, win=0.025, step=0.025):idx = 0for wav in os.listdir(path):idx += 1if idx % 100 == 1:print("======= ",idx,"MFCC npy done =======")sample_rate, signal = scipy.io.wavfile.read(path +"/"+ wav)mfcck = get_mfcc(signal, sample_rate, win, step)np.save(destination + "/" + "win{}step{}-{}.npy".format(win*1000, step*1000, wav.split(".wav")[0]), mfcck)print("----------------------finish get_mfcc----------------------")if __name__ == '__main__':# 源wav路径 和 npy存放路径 和 窗长 和 移动长source_path = "D:/ASVsproof/2017v2/ASVspoof2017_V2_train"des_path = "D:/ASVsproof/2017v2npy/train"readWavToMFCCnpy(source_path, des_path, win=0.025, step=0.01)

python 提取MFCC特征、一阶差分及二阶差分相关推荐

一阶差分与二阶差分及还原
一阶差分与二阶差分及还原一阶差分 arr = np.arange(10) np.random.shuffle(arr) arr = pd.Series(arr) arr d1 = arr.diff( ...
ARIMA一阶差分和二阶差分还原
文章目录一.思路: 1.差分 2.还原 2.1 一阶差分还原 2.2 二阶差分还原二.python实现一.思路: 1.差分原始序列:a1,a2,a3,a4,a5,a6,a7a_1,a_2,a_ ...
LibROSA库提取MFCC特征的过程解析
目录源码解析获取梅尔频谱分帧加窗快速傅里叶变换梅尔滤波器取对数离散余弦变换总结 LibROSA(本文使用的版本是0.6.3)中的mfcc函数可以用来提取音频的梅尔频率倒谱系数(Mel ...
python提取人物特征_基于图像人物面部表情识别的特征提取优化方法与流程
本发明涉及一种基于图像人物面部表情识别的特征提取优化方法,主要利用基于统计特征提取的二维主成分分析法和改进的粒子群算法优化图像矩阵的解,属于图像处理.模式识别和计算机视觉交叉技术应用领域. 背景技术: ...
声音信号识别（一）——提取MFCC特征
文章背景本文基于对特殊声音(警笛声.汽车鸣笛声)的MFCC特征提取. 应用软件:MATLAB 2020A 数据集来源:由于作为自己学习过程中的记录,暂时采用 1.
python声音分类_Python音频信号分类MFCC特征神经网络
我试图把声音信号从语音到情感进行分类.为此,我提取音频信号的MFCC特征,并将其输入到一个简单的神经网络(由PyBrain的BackpropTrainer训练的前馈网络).不幸的是结果非常糟糕.从这5 ...
【语音识别】基于mfcc特征模板匹配算法实现声纹识别matlab源码含GUI
在任意一个Automatic speech recognition 系统中,第一步就是提取特征.换句话说,我们需要把音频信号中具有辨识性的成分提取出来,然后把其他的乱七八糟的信息扔掉,例如背景噪声啊, ...
利用python声音处理库librosa提取声音信号的mfcc特征及特征融合
利用python库librosa提取声音信号的mfcc特征及特征融合前言 librosa库介绍 librosa 中MFCC特征提取函数介绍解决特征融合问题总结前言写这篇博文的目的有两个,第一 ...
语音识别MFCC 一阶差分与二阶的含义
我们都知道MFCC很好的表达了语音的特征,但只是静态的特征.提取动态特征,一般都采用一阶二阶差分,但一阶二阶差分究竟表示什么,什么含义: 一阶差分就是离散函数中连续相邻两项之差:定义X(k),则Y(k ...

python 提取MFCC特征、一阶差分及二阶差分

python 提取MFCC特征、一阶差分及二阶差分相关推荐

最新文章

热门文章