通过对音频信号提取梅尔频谱图并转换为对数梅尔频谱图得到的。它的形状主要由以下参数决定 转换成图片 64*64像素

转换成图片 64*64

在你的代码中，log_mel_spectrogram 是通过对音频信号提取梅尔频谱图并转换为对数梅尔频谱图得到的。它的形状主要由以下参数决定：

1. n_mels：梅尔频带的数量，决定了频谱图的频率维度。
2. hop_length：帧移，决定了时间维度的分辨率。
3. 音频时长：音频的总时长，决定了频谱图的时间维度的长度。

1. 理论计算

假设音频时长为 ( T ) 秒，采样率为 ( sr ) Hz，帧移为 ( hop_length ) 样本。

• 时间维度 ：时间维度的长度可以通过以下公式计算：

  \\text{时间维度长度} = \\left\\lfloor \\frac{T \\times sr}{hop_length} \\right\\rfloor + 1

  其中，(\lfloor x \rfloor) 表示向下取整。

• 频率维度 ：频率维度由 n_mels 决定，即为 n_mels。

因此，log_mel_spectrogram 的形状为 (n_mels, 时间维度长度)。

2. 示例计算

假设音频时长为 2 秒，采样率为 16000 Hz，hop_length = int(sr * 0.025)，n_mels = 64。

• 时间维度长度 ：

  \\text{时间维度长度} = \\left\\lfloor \\frac{2 \\times 16000}{400} \\right\\rfloor + 1 = \\left\\lfloor \\frac{32000}{400} \\right\\rfloor + 1 = 80 + 1 = 81

• 频率维度 ：n_mels = 64

因此，log_mel_spectrogram 的形状为 (64, 81)。

3. 验证代码

你可以在代码中添加以下内容来验证计算结果：

import librosa
import numpy as np

# 加载音频文件
audio_path = 'K:\\download\\青衫忆笙\\data\\yasuoji\\OK\\%7C05B6SP5UX-3.18R.wav'
y, sr = librosa.load(audio_path, sr=16000)

# 提取梅尔频谱图
n_mels = 64
hop_length = int(sr * 0.025)
n_fft = 1024
mel_spectrogram = librosa.feature.melspectrogram(y=y, sr=sr, n_mels=n_mels, hop_length=hop_length, n_fft=n_fft)

# 转换为对数梅尔频谱图
log_mel_spectrogram = librosa.power_to_db(mel_spectrogram, ref=np.max)

# 打印形状
print("log_mel_spectrogram 的形状：", log_mel_spectrogram.shape)

运行这段代码后，你将看到 log_mel_spectrogram 的实际形状，与理论计算结果进行对比。

4. 注意事项

• 如果音频时长不是精确的 2 秒，实际计算的时间维度长度可能会略有不同。
• 如果音频文件有问题（例如文件损坏或格式不支持），可能会导致加载失败或形状异常。