librosa による音声認識について

Question

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")   

Answer 1

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。