标签：hann fft feature 信号 窗涵 hop length 256 音框
spec = librosa.feature.melspectrogram(sig,n_fft=2048,hop_length=256,window="hann")如同前面文章所讲的，真正在取 spectrogram 的时候呢，并不是单纯的只做 STFT ，在做 STFT 之前还会有一些操作，通常是这三个：
Step1. 预强调（Pre-emphasis）将语音信号 s(n) 通过一个高通滤波器
H(z) = 1−a∗z−1 where 0.9 < a < 1.0
若以时域的运算式来表示，预强调后的信号 s2(n) 就是
s2(n) = s(n)−a∗s(n−1)
这样处理是为了消除发声过程中声带和嘴唇的效应，来补偿语音信号受到发音系统所压抑的高频部分。也有另一种说法是说要突显在高频的共振峰。
Step 2. 音框化（Frame Blocking）将 N 个取样点集合成一个观测单位，称为音框（Frame），通常 N 的值是 256 或 512，涵盖的时间约 20~30 ms。
为了避免相邻两音框的变化过大，会让两相邻音框之间有一段重迭区域，此重迭区域包含了 M 个取样点，通常 M 的值是 N 的一半或 1/3。
假设所用的音讯的 sample rate 为 16 KHz 且音框长度为 256 ，对应的时间长度就是 256/16000*1000 = 16 ms。
n_fft 指的就是这个 N 值，默认是 2048，对应的 sample rate 是 22.05 KHz，是最适合处理音乐信号的
Step3. 乘上窗涵式（window）窗函数是一种除在给定区间之外取值均为 0 的实函数，任何函数与窗函数的乘积还是一个窗函数，
把每一个音框乘上窗涵式(汉明窗，三角窗 …etc)，就可以增加音框左端和右端的连续性，保持连续性的主要原因是因为在进行 FFT 时，都是假设一个音框内的信号是代表一个周期性信号，如果这个周期性不存在，FFT 会为了要符合左右端不连续的变化，而产生一些不存在原信号的能量分布，造成分析上的误差。
如果在取音框时，已经确定音框中的信号包含了基本周期的整数倍，这时的音框左右端会是连续的，就可以不用乘窗涵式了。但在实例化上基本周期的计算会需要额外的时间，而且容易算错，因此都用窗涵式来达到类似的效果。
我们假设音框化的信号为 S(n)
S(n), n=0,…N−1。 乘上 Hanning 窗 W(n) (n) = S(n)∗W(n)
其中 W(n) 形式如下：
所以 window="hann" 的意思就是使用 "Hanning" 这个窗涵式，你也可以用其他窗涵式，再做完以上三步之后才会进行 STFT。
而 hop_lenght 指的就是 STFT 的音频样本量，默认值是 win_length // 4，加窗之后的窗口长度，默认是等於 n_fft 的长度，假设现在的窗口长度是 256, hop_lenght 是 250，那出来的结果就会变成两个，因为从 251 开始又被视为新的一帧。
下面是一个简单的实验，其中 sig 的长度为 2047
最后我们得到的结论是 librosa.stft 的输出帧数为
(sig_length // hop_length) + 1
原链接：https://www.joysns.com/article/E753B6577A68F214FE09333258EE2D39
标签：hann,fft,feature,信号,窗涵,hop,length,256,音框 来源： https://www.cnblogs.com/Uriel-w/p/16439801.html
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。