音声特徴量MFCCを12次元だけ表示したい

Question

前提・実現したいこと

音声解析初心者です。
raspberrypi4でlibrosaを用いてMFCCの抽出を行なっています。
機械学習に用いるため下のコード(他webページ参照)で表示されているように12次元で表示させたいのですが、n_mfccで返すmfccの数を設定しているにも関わらず、print(mfccs)では大量のデータが取れてします。

また、調べているとprint(mfccs[0])で表示されている方法が多いのですがそれは[0]はmfccの何を表している部分になるのでしょうか？
ご教授いただけますと幸いです。

表示させたい形式

from scipy.fftpack.realtransforms import dct

ceps = dct(10 * log10(mspec), type=2, norm="ortho", axis=-1)
nceps = 12
mfcc = ceps[:nceps]
print(mfcc)

[46.02737864 32.79920243  4.57031165 -2.94696774 -1.54742386 -1.26479934
 -5.16211103 -0.62832775  5.74186803  4.19594078  0.79866862 -1.76984708]

現在のソースコード

import librosa
import soundfile as sf

file_name='/home/pi/myEnv/hello2.wav'
x,fs=sf.read(file_name)
mfccs=librosa.feature.mfcc(x,sr=fs,n_mfcc=12,dct_type=2)
print(mfccs.shape)
print(mfccs)

現在の出力結果

補足情報（FW/ツールのバージョンなど）

参照したサイト
MFCC入門

Answer 1

12次元で表示させたいのですが、n_mfccで返すmfccの数を設定しているにも関わらず、print(mfccs)では大量のデータが取れてします。

MFCC（メル周波数ケプストラム係数）入門
の「LibrosaでMFCCを求める」には、「上では音声データ全体の中の１フレームのみを用いてMFCCを求めましたが、Librosaを使うと簡単に各フレームごとのMFCCを求めることができます。」と書かれてますよね
「print(mfcc)」は音声ファイルから一部を切り出してから計算したもので、「print(mfccs)」は音声ファイル全体から計算したものです

上記Webページの「1. 波形を適当な長さに分割し、窓関数をかけてFFTを行う」と書かれてるところのすぐ下のコード中に「# 音声波形の中心部分（定常部）を切り出す」と書かれてますので、「print(mfccs.shape)」の結果「(12, 194)」より、「print(mfccs[:, 97])」あたりが近い結果になるのではないですかね (194/2=97なので)

Comments

[blkpnk1015]

ご回答ありがとうございます。
求める形での表示には切り出さないといけなかったのですね。
おかげさまで解決しました。

Answer 2

きちんと12次元分が抽出されています。shape=(mfccの次元、時間軸)です。

参考: librosaのドキュメントのmfccの部分
Returns M: np.ndarray [shape=(n_mfcc, t)]

ちなみにmfcc[0]（0次元目）は、パワーを意味します。音声の波形を解析する際は、絶対的なパワーはあまり意味をなしませんので、捨てる場合が多いです。

なお、librosaを使った音声解析の記事を私も書いております。
参考: Pythonで長い会議を見える化〜特徴量mfccを採用して全面リライト〜

Comments

[blkpnk1015]

ご回答ありがとうございます。
ではmfcc[0]を表示してもあまり意味はないのですね。
０次成分についてなかなか情報がないので勉強になりました。
Qiitaの記事も拝見させて頂きました。
参考にさせていただきます。

[toast-uz]

既に12次元で出力されていることは、認識されていたのでしょうか？ご質問内容から、認識されていない（12次元を超えて出力されていると勘違いされている）と思って「すでに12次元で出力されています（ただし、表示の横ではなく縦が12次元）」と、回答記述したのですが、私の思い違いでしたか？

12次元で出力されているのはご理解されていて、時間軸1つ分だけ（（12,1）だけ）表示したい、というのが題意だったのでしょうか？

[blkpnk1015]

n_mfcc=12で設定していたので12次元で出力しているつもりが認識されずに12次元を超えて出力されていると思い質問していました。その上で時間軸一つ分で表示したいという意味でした。
ですので、12次元分が抽出されていることを教えて頂き助かりました。
伝わりにくい表現になってしまい申し訳ありません。