各フレームの長さが等しくないのはなぜですか？

Question

私は現在、ニューラルネットワークの入力として提供できるように、いくつかのオーディオファイルをサンプリングしてフレーミングしています。私はLibrosaを使用してオーディオをサンプリングし、フレーム化します。特に、フレーミングは非常に重要です。これは、ニューラルネットワークの入力として供給されているため、長さが一貫している必要があります。 。フレーム。

私は現在サンプルと、次のようにフレーミングしています：

def load_sound_files(file_paths , data_input): 
    raw_sounds = [] 
    data_output = [] 
    for fp in file_paths: 
     y,sr = librosa.load(fp) 
     X = librosa.util.frame(y) 
     raw_sounds.append(X) 
return raw_sounds 

リストに追加の各オーディオファイルを、リスト内の各エントリのために、各フレームの配列があります。だから、raw_sounds内の情報は次のように保存されています

[array([[frame],[frame],...,[frame]],dtype=float32), ...] 

が、私は異なるサイズのフレームに問題を持っているように見える、各オーディオファイルが異なる長さを持っていますが、私は、各フレームは同じである必要があり、同じ設定でそれをフレームいるので、これらの印刷デバッグではそうではありません。

出力

print len(raw_sounds) 
print len(raw_sounds[0]) 
print len(raw_sounds[0][0]) 
print len(raw_sounds[0][1]) 
print '\n' 
print len(raw_sounds[1]) 
print len(raw_sounds[1][0]) 
print len(raw_sounds[1][1]) 

：

270 
2048 
121 
121 


96 
96 

私が間違ってそれを設定していますか？私はここで何か間違っているのですか？

生サンプル：

Returns:  
    y_frames : np.ndarray [shape=(frame_length, N_FRAMES)] 
    An array of frames sampled from y: y_frames[i, j] == y[j * hop_length + i] 

だから何を得る2次元配列である：librosa's documentationから

[array([[ -1.58969939e-04, 2.85098387e-04, 2.57675620e-05, 
      5.58408792e-04, 2.09050399e-04, 3.10504751e-04, 
      7.08066545e-06, 6.51864902e-05, 4.64069366e-04, 
     -1.03915379e-04, -2.09252365e-04, 9.58807232e-06, 
     -3.70743481e-04, -2.73781188e-04, 1.47478888e-03, 
     -1.24523379e-02, -1.38171474e-02, 1.42919633e-03, 
      2.60417676e-03, -9.49124712e-03, 1.84055939e-02, 
      5.30609104e-04, -2.02661729e-03, -1.09214883e-03, 
     -2.67810683e-04, -9.33001807e-04, 1.57146193e-02, 
      3.06987576e-02, -2.89204344e-02, 8.31141882e-03, 
     -5.22559392e-04, 9.57424170e-04, -1.39959985e-02, 
     -2.45519826e-04, 7.94889964e-03, -2.45057382e-02, 
      2.76992898e-02, 2.75033060e-03, 1.91110268e-03, 
      2.65958859e-03, 4.22360376e-04, 2.87338579e-03, 
      3.60440137e-03, -6.81304885e-03, 1.19333845e-02, 
      5.27647883e-03, -8.81725773e-02, -1.10511519e-02, 
      1.67427063e-02, 4.18979749e-02, -1.76561251e-02, 
      1.40228057e-02, -6.56250417e-02, 8.04386102e-04, 
      6.77016005e-03, 8.95334259e-02, -3.07568144e-02, 
     -5.68932574e-03, 2.80798669e-03, -1.94037147e-03, 
     -6.80876488e-04, -7.51503045e-04, 1.61860569e-03, 
     -8.96663638e-04, 1.05839630e-03, 4.16457013e-04, 
     -1.14849303e-03, 2.51941121e-04, 1.09347668e-04, 
     -9.77083837e-05, -9.70639754e-04, 1.23860082e-03, 
     -5.82281128e-03, -7.96582922e-03, 1.05014764e-01, 
      8.55111331e-03, 1.02730282e-02, -1.64158875e-03, 
     -9.96976532e-03, -1.54927105e-03, -1.33159547e-03, 
      2.07886100e-03, -9.63974337e-04, 1.92957837e-03, 
     -9.57471970e-03, 8.37739408e-02, -2.46925298e-02, 
      1.15760174e-02, 1.53850103e-02, 1.39159057e-02, 
      7.28045590e-04, 1.28218243e-02, 2.47708824e-03, 
      3.64710722e-05, 2.31177593e-03, -3.88215925e-03, 
      2.85943900e-03, 3.40921571e-03, 8.19356064e-04, 
      1.31994265e-03, -4.02768754e-04, -3.73146904e-04, 
     -2.45199517e-05, -1.40402978e-03, -4.53661755e-03, 
     -8.06837995e-03, -3.07087135e-03, 5.65649476e-04, 
      8.99529332e-05, 9.43572959e-04, 1.52094246e-04, 
     -9.59860045e-04, 2.72397720e-03, 1.27405506e-02, 
     -9.37244575e-03, -1.79420076e-02, 1.07235732e-02, 
      2.84450967e-03, 4.49513178e-03, 2.41923026e-05, 
     -3.13379533e-05], 

Answer 1

これは何util.frame()リターンです。したがって、最初にロードしたサウンドファイルはraw_sounds[0]であり、2次元で扱うことができます。 1つのフレームの使用nfは、フレームの数である。この表記result[0][:, nf]を取得するには

print raw_sounds[0].shape 

：あなたは代わりにそのサイズを取得するために形状を使用する必要があります。

raw_sounds[0][0]を求めるときに表示される数字は、フレーム数です。サウンドサンプルのサイズによって異なります。だから正しく動作するようです。