質問をすることでしか得られない、回答やアドバイスがある。

15分調べてもわからないことは、質問しよう!

新規登録して質問してみよう
ただいま回答率
86.12%
Python

Pythonは、コードの読みやすさが特徴的なプログラミング言語の1つです。 強い型付け、動的型付けに対応しており、後方互換性がないバージョン2系とバージョン3系が使用されています。 商用製品の開発にも無料で使用でき、OSだけでなく仮想環境にも対応。Unicodeによる文字列操作をサポートしているため、日本語処理も標準で可能です。

解決済

librosa による音声認識について

ayaeri_0527
ayaeri_0527

総合スコア3

Python

Pythonは、コードの読みやすさが特徴的なプログラミング言語の1つです。 強い型付け、動的型付けに対応しており、後方互換性がないバージョン2系とバージョン3系が使用されています。 商用製品の開発にも無料で使用でき、OSだけでなく仮想環境にも対応。Unicodeによる文字列操作をサポートしているため、日本語処理も標準で可能です。

1回答

0グッド

0クリップ

204閲覧

投稿2022/11/04 02:57

前提

現在,音声認識の勉強をしており,ibrosaを用いています。
音声の素材としてhttps://www.kaggle.com/datasets/uwrfkaggler/ravdess-emotional-speech-audioの
Speech_Actors_01-24\Actor_01\03-01-01-01-01-01-01.wavを用いています。
これに対し,以下のコードを実行し,メルスペクトログラムが入っているnumarrayを確認したところ「-80」という値が序盤に大量にありました。
最初は「無音の部分を-80と定義しているのか」と思い、試しにネットに上がっていた無音のwavファイルに対し同じコードを実行したところ,すべての要素が0になっていました。
そこで質問なのですが、wavファイルにlibrosa.feature.melspectrogramを実行したときに要素に大量に存在する「-80」とはどういう意味を持つのでしょうか?
個人的にはメルスペクトログラムを求めた後の librosa.power_to_dbが問題だと思っています。
つたない質問で申し訳ありませんがご協力いただけると幸いです。

import librosa
import librosa.display
import numpy as np
import matplotlib.pyplot as plt
import pandas as pd

if name == 'main':

i=1

for i in range(1,61):

wav_file='D:\Speech_Actors_01-24\Actor_01\\03-01-01-01-01-01-01.wav' y,sr=librosa.load(wav_file,sr=48000)#振幅のリストデータとサンプリング周波数が返ってくる win_length=2048#各フレームの長さ hop_length = win_length // 4#フレームの周期はフレームの長の1/4 n_fft = win_length#短時間フーリエ変換する際の周波数ポインsト数 window = 'hann'#窓関数をHanning windowと指定 n_mels = 128#メルフィルタバンクの数を128 n_mfcc = 20#melの特徴量の次元数 mel_power = librosa.feature.melspectrogram(y=y, sr=sr, n_fft=n_fft, hop_length=hop_length, win_length=win_length,window=window, center=True, n_mels=n_mels) #メル周波数パワースペクトルを求めている print(mel_power) mel_power_in_db = librosa.power_to_db(mel_power, ref=np.max)#単位をdBにしている print(mel_power_in_db) #df_np_array = pd.DataFrame(mel_power_in_db) #df_np_array.to_csv("D:\Speech_Actors_01-24\Actor_01\\03-01-01-01-01-01-01.csv")

以下のような質問にはグッドを送りましょう

  • 質問内容が明確
  • 自分も答えを知りたい
  • 質問者以外のユーザにも役立つ

グッドが多くついた質問は、TOPページの「注目」タブのフィードに表示されやすくなります。

気になる質問をクリップする

クリップした質問は、後からいつでもマイページで確認できます。

またクリップした質問に回答があった際、通知やメールを受け取ることができます。

下記のような質問は推奨されていません。

  • 間違っている
  • 質問になっていない投稿
  • スパムや攻撃的な表現を用いた投稿

適切な質問に修正を依頼しましょう。

2022/11/04 03:00

こちらの質問が他のユーザーから「やってほしいことだけを記載した丸投げの質問」という指摘を受けました。

回答1

0

ベストアンサー

librosa.power_to_dbの説明から、提示コードlibrosa.power_to_db(mel_power, ref=np.max)におけるref=np.maxによって、データ中に存在する最大値を基準(0db)とした相対値になっていると思われます。
したがって、無音データでは最大値(およびすべてのデータ)が0なので、デシベル値でもすべて0になったと思われます。
なお音声分類の前処理はメルスペクトログラムでOK? 従来のMFCCより高精度な画像分類ベースの論文の紹介でも同様コードで処理されていように、機械学習での音声解析では最大値を基準としたデシベル値で扱うのが一般的なようです。

投稿2022/11/04 04:19

編集2022/11/04 04:22
can110

総合スコア36232

良いと思った回答にはグッドを送りましょう。
グッドが多くついた回答ほどページの上位に表示されるので、他の人が素晴らしい回答を見つけやすくなります。

下記のような回答は推奨されていません。

  • 間違っている回答
  • 質問の回答になっていない投稿
  • スパムや攻撃的な表現を用いた投稿

このような回答には修正を依頼しましょう。

15分調べてもわからないことは
teratailで質問しよう!

ただいまの回答率
86.12%

質問をまとめることで
思考を整理して素早く解決

テンプレート機能で
簡単に質問をまとめる

質問する

関連した質問

同じタグがついた質問を見る

Python

Pythonは、コードの読みやすさが特徴的なプログラミング言語の1つです。 強い型付け、動的型付けに対応しており、後方互換性がないバージョン2系とバージョン3系が使用されています。 商用製品の開発にも無料で使用でき、OSだけでなく仮想環境にも対応。Unicodeによる文字列操作をサポートしているため、日本語処理も標準で可能です。