基于时间戳计算不同时间间隔的mfcc

Question

我偶然发现了这个不错的教程https://github.com/manashmndl/DeadSimpleSpeechRecognizer其中数据是基于由文件夹分隔的样本进行训练的，所有mfcc都是一次计算的。

我正试图以不同的方式实现类似的目标。

基于此：https://librosa.github.io/librosa/generated/librosa.feature.mfcc.html

librosa可以为任何音频计算mfcc。详情如下:

import librosa  
y, sr = librosa.load('test.wav')
mymfcc= librosa.feature.mfcc(y=y, sr =sr)  

但我想根据文件中的时间戳逐部分计算音频的mfcc。

该文件具有如下标签和时间戳：

0.0 2.0 sound1
2.0 4.0 sound2
4.0 7.0 silence
7.0 11.0 sound1

我想计算每个范围的mfcc，我希望得到一个带标签的列车数据，看起来像mfcc及其相应的标签。mfcc_1、sound1 mfcc_2、sound2
等等。

我如何做到这一点？

我查看了基于注释文件的音频片段生成mfcc，问题类似，但我发现问题和答案都有点难以理解（因为我对该领域非常陌生）。

TIA

更新：我的代码：

import librosa
from subprocess import call

def ListDir():
    call(["ls", "-l"])

def main():
    ListDir()
    readfile_return_segmentsmfcc()

my_segments =[]
# reading annotated file
def         readfile_return_segmentsmfcc():

    pat ='000.mp3'
    y, sr = librosa.load(pat)

    print "\n sample rate :"
    print sr

    with open("000.txt", "rb") as f:
        for line in f.readlines():
            start_time, end_time, label = line.split('\t')
            start_time = float(start_time)
            end_time = float(end_time)
            label = label.strip()
            my_segments.append((start_time, end_time, label))

            start_index = librosa.time_to_samples(start_time)
            end_index = librosa.time_to_samples(end_time)

            required_slice = y[start_index:end_index]
            required_mfcc = librosa.feature.mfcc(y=required_slice, sr=sr)
            print "Mfcc size is {} ".format(mfcc.shape)


            print start,end,label


    return my_segments


main()

Answer 1

>

转换到样本索引使用librosa.time_to_samples：
start_index=librosa.time_to_samples（start）
end_index=librosa.time_to_samples（end）

使用python[：]运算符从数据中获取相关切片：
slice=y[int（开始索引）：int（结束索引）]

在切片上计算mfcc等。