长音频按固定块计算MFCC并分存的技术优化问询

我之前也碰到过长音频特征存储体积爆炸的问题，你的思路完全正确——分块处理+替换存储格式，既能大幅缩减文件体积，后续操作也会灵活很多。下面是具体的实现思路和可直接复用的代码：

核心优化方向 #

• 分块切割：把3-4小时的长音频拆成5分钟（300秒）的独立块，单独计算每块的MFCC，避免生成超大文件
• 替换存储格式：放弃np.savetxt的明文文本存储，改用numpy原生的.npy二进制格式，体积能压缩到文本的1/10甚至更小，加载速度也快得多
• 规范命名：给每个块的特征文件加上原文件名+块序号，方便后续批量调用和识别

具体代码实现（基于Librosa） #

假设你用Librosa处理音频，下面是完整的分块生成MFCC并保存的代码：

import librosa
import numpy as np
import os

def process_long_audio_mfcc(audio_path, chunk_duration=300, sr=22050, n_mfcc=13):
    # 读取完整音频数据和采样率
    y, sr = librosa.load(audio_path, sr=sr)
    total_samples = len(y)
    chunk_samples = int(chunk_duration * sr)
    
    # 提取原文件名（不含后缀）和存储目录
    base_name = os.path.splitext(os.path.basename(audio_path))[0]
    save_dir = os.path.dirname(audio_path)
    
    # 循环处理每个音频块
    for chunk_idx in range(0, total_samples, chunk_samples):
        # 截取当前块的音频数据
        chunk_y = y[chunk_idx:chunk_idx+chunk_samples]
        
        # 处理最后一个不足5分钟的块
        if len(chunk_y) < chunk_samples:
            print(f"处理最后一个不完整块：{base_name}_chunk_{chunk_idx//chunk_samples}")
        
        # 计算当前块的MFCC特征
        mfcc = librosa.feature.mfcc(y=chunk_y, sr=sr, n_mfcc=n_mfcc)
        
        # 保存为.npy二进制格式
        save_path = os.path.join(save_dir, f"{base_name}_mfcc_chunk_{chunk_idx//chunk_samples}.npy")
        np.save(save_path, mfcc)
        print(f"已保存块 {chunk_idx//chunk_samples} 到 {save_path}")

# 批量处理文件夹内所有音频文件
def batch_process_folder(folder_path):
    for filename in os.listdir(folder_path):
        # 支持常见音频格式，可按需添加
        if filename.endswith(('.wav', '.mp3', '.flac', '.m4a')):
            audio_path = os.path.join(folder_path, filename)
            print(f"开始处理：{audio_path}")
            process_long_audio_mfcc(audio_path)

# 调用示例
if __name__ == "__main__":
    target_folder = "/path/to/your/audio/folder"
    batch_process_folder(target_folder)

额外优化建议 #

• 如果后续要添加更多特征（比如梅尔频谱、chroma特征等），可以把多个特征打包成字典，用np.savez保存，一个文件就能存储多种特征，管理更方便
• 若需要更极致的压缩和灵活索引，可考虑用HDF5格式（通过h5py库），适合超大规模的特征数据集
• 加载特征时，直接用np.load()就能快速读取.npy文件，比读取txt文件效率高很多：

  mfcc_chunk = np.load("your_audio_mfcc_chunk_0.npy")
  

这样处理后，每个块的体积会大幅缩减，后续做特征分析或模型训练时，还能按需加载特定块，不用一次性加载全量数据，操作效率会提升不少。

内容的提问来源于stack exchange，提问作者kRazzy R