python 语音学习-将wav中一句话的每个字截取出来并获得mfcc特征

这段语音是“你好吗”,下面将提取出每一个字的特征

提取后：

from pydub import AudioSegment
from pydub.silence import split_on_silence
import numpy as np
import matplotlib.pyplot as plt
import librosa.display

sound_file = AudioSegment.from_wav("test.wav")

# 数字音频信号以系统能处理的最大音频信号的编码为最大值，即0 dBFS,
# 实际数字音频信号的幅度的编码相对于这个最大值的音频编码所代表的幅度之比，
# 即为满度相对电平。因为规定最大值为0 的位置，所以，实际数字音频信号的满度相对电平都是负值。
loudness = sound_file.dBFS

# 音频拆分条件
audio_chunks = split_on_silence(sound_file,
    # 超过这个毫秒截取
    min_silence_len=20,

    # 小于这个 dBFS 则认为它是无声的 截取
    silence_thresh=loudness
)

data2=[]
for i, chunk in enumerate(audio_chunks):
    # 导出拆分好的wav
    chunk.export("chunk{0}.wav".format(i), format="wav")
    samples = sound_file.get_array_of_samples()
    arr = np.array(samples).astype(np.float32)
    # arr = np.array(samples).astype(np.float32) / 32768
    data2.append(arr)

mf = librosa.feature.mfcc(y=data2[0])
print(mf[0])
print(mf.shape)
print(len(mf))


y, s = librosa.load("chunk?.wav", sr=None)
# 梅尔频谱
# n_fft表示短时傅里叶变化用到的连续的样本点个数
# hop_length:连续两个傅里叶变化的重叠样本点个数
melspec = librosa.feature.melspectrogram(y, s, n_fft=1024, hop_length=512, n_mels=128)
# 功率谱转换。
logmelspec = librosa.power_to_db(melspec)
# 新建一个画布
plt.figure()
# 子图
plt.subplot(2, 1, 1)
# 波形显示
librosa.display.waveplot(y, s)
plt.title('Beat wavform')
plt.subplot(2, 1, 2)
# 频谱显示函数
librosa.display.specshow(logmelspec, sr=s, x_axis='time', y_axis='mel')
plt.title('Mel spectrogram')
#保证图不重叠
plt.tight_layout() 
plt.show()

应该有更好的方案