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")

回答1件
あなたの回答
tips
プレビュー
下記のような回答は推奨されていません。
このような回答には修正を依頼しましょう。
また依頼した内容が修正された場合は、修正依頼を取り消すようにしましょう。