Librosaによる音響的特徴量MFCCの出力結果について

Question

音響的特徴量MFCCをプログラムで抽出しようとしています。
そこで、Qiitaで紹介されていたlibrossaで求める方法を利用しようとしています。

参照元: Qiita
https://qiita.com/tmtakashi_dist/items/eecb705ea48260db0b62

参考資料:librosa
https://librosa.org/doc/latest/generated/librosa.feature.melspectrogram.html#librosa.feature.melspectrogram

自前の音声データ: input_(3).wav(音声の長さ:3.058秒, サンプリング周波数:16k）
これを利用して以下のように記述したところ

---

import librosa.display
import matplotlib.pyplot as plt
import numpy as np
import soundfile as sf

#y: 音声データ sr: サンプリング周波数
y, sr = sf.read('input_(3).wav')

#y: 音声データ sr: サンプリング周波数
#n_fft: FFTウィンドウの長さ
#hop_length: 連続するフレーム間のサンプル数
#n_mels: メルフィルタバンクのチャネル数
S = librosa.feature.melspectrogram(y=y, sr=sr, n_fft=2048, hop_length=512)

print(S.shape)

---

結果: (128, 96) となりました。

---

この配列の128は次元数を表していて、96はフレーム数を表しているのでしょうか？

長さの異なる音声で同様に行ったところ、128の方は固定で、96の方が変化したので、上記の見解であっているような気はしたのですが、

・元もとのプログラムで次元数のデフォルトが128となっているのか？
・フレーム数の96はどういった計算で96になったのか？

がわからず質問させていただきました。

Answer 1

結果: (128, 96) となりました。

■　128の根拠

・元もとのプログラムで次元数のデフォルトが128となっているのか？

その通りです。

ソースコードだと**kwargsで端折られているのですが、そこからもうひと踏ん張りして追跡するとデフォルト値128を発見します。ですので、n_mels＝64とすると (64, 96) となるはずです。

■　96の根拠
村上真研究室｜東洋大学総合情報学部が詳しくまとめてありますのでそこに沿って書くと、以下の式になるはずです。

96[フレーム] = 全データ長(y[0]) // hop_length(512ですね) + 1

ですので、全データ長(y[0])は大体48700のはずです。

長さの異なる音声で同様に行ったところ、128の方は固定で、96の方が変化したので、上記の見解であっているような

この見解の通りと思います。サンプリング周波数16kは一秒間に16k個の標本を取るの意味ですので、得られたデータを16kずつ分割していく（厳密には最後に+1する）と、その塊が96個あったよ、というのが96の解釈です。

Comments

[take_take9]

回答とともにサイトも載せていただきありがとうございます。よく理解できました！