protの構文について

質問したい事

MFCCのリフタリング機能の作成中にエラーが起きたので解決策を教えてほしいです。

エラー文

Traceback (most recent call last):
  File "MFCC2.py", line 188, in <module>
  File "MFCC2.py", line 135, in mfcc
  File "C:\Program Files\Python36\lib\site-packages\matplotlib\pyplot.py", line 3317, in plot
    ret = ax.plot(*args, **kwargs)
  File "C:\Program Files\Python36\lib\site-packages\matplotlib\__init__.py", line 1898, in inner
    return func(ax, *args, **kwargs)
  File "C:\Program Files\Python36\lib\site-packages\matplotlib\axes\_axes.py", line 1406, in plot
    for line in self._get_lines(*args, **kwargs):
  File "C:\Program Files\Python36\lib\site-packages\matplotlib\axes\_base.py", line 407, in _grab_next_args
    for seg in self._plot_args(remaining, kwargs):
  File "C:\Program Files\Python36\lib\site-packages\matplotlib\axes\_base.py", line 385, in _plot_args
    x, y = self._xy_from_xy(x, y)
  File "C:\Program Files\Python36\lib\site-packages\matplotlib\axes\_base.py", line 244, in _xy_from_xy
    "have shapes {} and {}".format(x.shape, y.shape))
ValueError: x and y must have same first dimension, but have shapes (1024,) and (20,)

ソースコード

#coding:utf-8
import wave
import numpy as np
import scipy.signal
import scipy.fftpack
import scipy.fftpack.realtransforms
from pylab import *

def wavread(filename):
    wf = wave.open(filename, "r")
    fs = wf.getframerate()
    x = wf.readframes(wf.getnframes())
    x = np.frombuffer(x, dtype="int16") / 32768.0  # (-1, 1)に正規化
    wf.close()
    return x, float(fs)

def preEmphasis(signal, p):

    # 係数 (1.0, -p) のFIRフィルタを作成
    return scipy.signal.lfilter([1.0, -p], 1, signal)

def hz2mel(f):
    # Hzをmelに変換
    return 1127.01048 * np.log(f / 700.0 + 1.0)

def mel2hz(m):
    # melをhzに変換
    return 700.0 * (np.exp(m / 1127.01048) - 1.0)

def melFilterBank(fs, nfft, numChannels):
    # メルフィルタバンクを作成
    # ナイキスト周波数（Hz）
    fmax = fs / 2
    # ナイキスト周波数（mel）
    melmax = hz2mel(fmax)
    # 周波数インデックスの最大数
    nmax = nfft / 2
    # 周波数解像度（周波数インデックス1あたりのHz幅）
    df = fs / nfft
    # メル尺度における各フィルタの中心周波数を求める
    dmel = melmax / (numChannels + 1)
    melcenters = np.arange(1, numChannels + 1) * dmel
    # 各フィルタの中心周波数をHzに変換
    fcenters = mel2hz(melcenters)
    # 各フィルタの中心周波数を周波数インデックスに変換
    indexcenter = np.round(fcenters / df)
    # 各フィルタの開始位置のインデックス
    indexstart = np.hstack(([0], indexcenter[0:numChannels - 1]))
    # 各フィルタの終了位置のインデックス
    indexstop = np.hstack((indexcenter[1:numChannels], [nmax]))

    filterbank = np.zeros((numChannels, int(nmax)))
    for c in np.arange(0, numChannels):
        # 三角フィルタの左の直線の傾きから点を求める
        increment= 1.0 / (indexcenter[c] - indexstart[c])
        for i in np.arange(indexstart[c], indexcenter[c]):
            filterbank[c, int(i)] = (i - indexstart[c]) * increment
        # 三角フィルタの右の直線の傾きから点を求める
        decrement = 1.0 / (indexstop[c] - indexcenter[c])
        for i in np.arange(indexcenter[c], indexstop[c]):
            filterbank[c, int(i)] = 1.0 - ((i - indexcenter[c]) * decrement)

    return filterbank, fcenters

def mfcc(signal, nfft, fs, nceps):
    # プリエンファシスフィルタをかける
    p = 0.97         # プリエンファシス係数
    signal = preEmphasis(signal, p)

    # ハミング窓をかける
    hammingWindow = np.hamming(len(signal))
    signal = signal * hammingWindow

    # 振幅スペクトルを求める
    nfft = 2048  # FFTのサンプル数
    spec = np.abs(np.fft.fft(signal, nfft))[:nfft//2]
    fscale = np.fft.fftfreq(nfft, d = 1.0 / fs)[:nfft//2]

    # プロット
#    plot(fscale, spec)
#    xlabel("frequency [Hz]")
#    ylabel("amplitude spectrum")
#    savefig("spectrum.png")
#    show()

    # メルフィルタバンクを作成
    numChannels = 20  # メルフィルタバンクのチャネル数
    df = fs / nfft   # 周波数解像度（周波数インデックス1あたりのHz幅）
    filterbank, fcenters = melFilterBank(fs, nfft, numChannels)

    # メルフィルタバンクのプロット
#    for c in np.arange(0, numChannels):
#        plot(np.arange(0, nfft / 2) * df, filterbank[c])
#    savefig("melfilterbank.png")
#    show()

    # 振幅スペクトルにメルフィルタバンクを適用
    mspec = np.log10(np.dot(spec, filterbank.T))

    # 元の振幅スペクトルとフィルタバンクをかけて圧縮したスペクトルを表示
#    subplot(211)
#    plot(fscale, np.log10(spec))
#    xlabel("frequency")
#    xlim(0, 25000)

#    subplot(212)
#    plot(fcenters, mspec, "o-")
#    xlabel("frequency")
#    xlim(0, 25000)
#    savefig("result_melfilter3.png")
#    show()

    # 離散コサイン変換
    ceps = scipy.fftpack.realtransforms.dct(mspec, type=2, norm="ortho", axis=-1)

        # ローパスリフタ
    # ケプストラムの高次成分を0にして微細構造を除去し、
    # 緩やかなスペクトル包絡のみ抽出
    cepCoef = nceps             # ケプストラム次数
    cpsLif = np.array(ceps)   # arrayをコピー
    cpsLif_P = np.array(ceps)   # arrayをコピー
    # 高周波成分を除く（左右対称なので注意）
    cpsLif[cepCoef:len(cpsLif) - cepCoef + 1] = 0
    # 低周波成分を除く（左右対称なので注意）
    cpsLif_P[1:cepCoef] = 0
    cpsLif_P[len(cpsLif)-(cepCoef-1):len(cpsLif)-1] = 0

    # ケプストラム領域をフーリエ変換してスペクトル領域に戻す
    # リフタリング後の対数スペクトル
    dftSpc = np.fft.fft(cpsLif, nfft)[:nfft//2]
    dftSpc_P = np.fft.fft(cpsLif_P, nfft)[:nfft//2]

    # オリジナルの対数スペクトルを描画
    subplot(211)
    plot(fscale, mspec, "o-")
    xlabel("frequency [Hz]")
    ylabel("log amplitude spectrum")
    xlim(0, 5000)
    # 高周波成分を除いた声道特性のスペクトル包絡を重ねて描画
    subplot(212)
    plot(fscale, dftSpc, "o-")
    xlabel("frequency [Hz]")
    ylabel("log amplitude spectrum")
    xlim(0, 5000)

    savefig("spectral1.png")
    show()

    # オリジナルの対数スペクトルを描画
    subplot(211)
    plot(fscale, mspec, "o-")
    xlabel("frequency [Hz]")
    ylabel("log amplitude spectrum")
    xlim(0, 5000)
    # 低周波成分を除いた音源特性のスペクトル包絡を重ねて描画
    subplot(212)
    plot(fscale, dftSpc_P, "o-")
    xlabel("frequency [Hz]")
    ylabel("log amplitude spectrum")
    xlim(0, 5000)

    savefig("spectral2.png")
    show()

    # 低次成分からnceps個の係数を返す
    return ceps[:nceps]

if __name__ == "__main__":
    # 音声をロード
    wav, fs = wavread("a_1.wav")
    t = np.arange(0.0, len(wav) / fs, 1/fs)

    # 音声波形の中心部分を切り出す
    center = len(wav) / 2  # 中心のサンプル番号
    cuttime = 0.04         # 切り出す長さ [s]
    wavdata = wav[int(center - cuttime/2*fs) : int(center + cuttime/2*fs)]
    time = t[int(center - cuttime/2*fs) : int(center + cuttime/2*fs)]

    # 波形をプロット
#    plot(time * 1000, wavdata)
#    xlabel("time [ms]")
#    ylabel("amplitude")
#    savefig("waveform.png")
#    show()

    nfft = 2048  # FFTのサンプル数
    nceps = 12   # MFCCの次元数
    ceps = mfcc(wavdata, nfft, fs, nceps)

    print ('mfcc:', ceps)

詳細

python36
windows10 64bit
ソース元１：http://aidiary.hatenablog.com/entry/20120225/1330179868（大本）
ソース元２：http://aidiary.hatenablog.com/entry/20120211/1328964624（リフタリング：声道特性）
ソース元３：http://speechresearch.fiw-web.net/66.html#o8763891（リフタリング：音源特性改良の参考）