如何在 OpenSMILE 中创建自定义配置文件

我正在尝试使用 OpenSMILE 从音频样本中提取一些功能，但我意识到设置配置文件是多么困难。

该文档不是很有帮助。我能做的最好的事情就是运行一些提供的示例配置文件，查看结果，然后进入配置文件并尝试确定指定功能的位置。这是我所做的：

我使用了 INTERSPEECH 2010 Paralinguistic Challenge (IS10_paraling.conf) 中使用的默认功能集。

我在一个示例音频文件上运行了它。

我看了看结果。然后我深入阅读配置文件，试图找出指定该功能的位置。

这是一个小降价表，显示了我的探索结果：

| Feature generated | instruction in the conf file                            |
|-------------------|---------------------------------------------------------|
| pcm_loudness      | I see: 'loudness=1'                                     |
| mfcc              | I see a section: [mfcc:cMfcc]                           |
| lspFreq           | no matches for the text 'lspFreq' anywhere              |
| F0finEnv          | I seeF0finalEnv = 1 under [pitchSmooth:cPitchSmoother]  |

我看到的是 4 个不同的功能，全部由配置文件中的不同指令生成。好吧，对于其中之一，我在配置文件中没有找到任何令人不安的指令。由于没有模式或直观的语法或明显的系统，我不知道如何最终弄清楚如何指定我想要生成的自己的功能。

没有教程，没有 YouTube 视频，没有 StackOverflow 问题，也没有博客文章谈论如何做到这一点。这确实令人惊讶，因为这显然是使用 OpenSMILE 的重要部分。

如果有人发现这个，请告诉我如何创建 OpenSMILE 的自定义配置文件？谢谢！

感谢您对 openSMILE 的兴趣以及您渴望构建自己的配置文件。

科学界的大多数用户实际上使用 openSMILE 作为基线功能集的预定义配置文件，在 2.3 版本中使用起来更加灵活（更多命令行选项可以输出到不同的文件格式等）。

我承认所提供的文档并不那么好。然而，openSMILE 是一个非常复杂的软件，具有很多功能，目前只有最重要的部分有详细的文档记录。

最好的起点是阅读 openSMILE 书籍和 SIG'MM 教程，所有参考文献均位于http://opensmile.audeering.com/ http://opensmile.audeering.com/。它包含有关如何编写配置文件的部分。下一个重要元素是二进制文件的在线帮助：

• 微笑提取物-L列出可用的组件
• SMILExtract -H cComponentName列出给定组件支持的所有选项（以及它可以提取的功能）以及每个选项的简短描述
• SMILExtract -configDflt cComponentName为您提供组件的模板配置部分，其中列出了所有选项并设置了默认值

由于 openSMILE 的架构以所有音频功能的增量处理为中心，因此（至少目前还没有）没有简单的语法来定义您想要的功能。相反，您可以通过添加组件来定义处理链：

• 数据源将读取数据（例如，从音频文件、csv 文件或麦克风），
• 数据处理器将在各个步骤中进行信号处理和特征提取（加窗、窗函数、FFT、幅度、梅尔谱、倒谱系数 (MFCC)，例如用于提取 MFCC）；每个步骤都有一个数据处理器。
• 数据接收器将数据写入输出文件或将结果发送到服务器等。

您可以通过“reader.dmLevel”和“writer.dmLevel”选项连接组件。它们定义了组件用来交换数据的数据存储级别的名称。只有一个组件可以写入一个级别，即 writer.dmLevel=levelName 定义该级别并且只能出现一次。通过设置 reader.dmLevel=levelName，多个组件可以从此级别读取。

然后，在每个组件中设置选项以启用功能计算并为此设置参数。回答有关 lspFreq 的问题：这可能在 cLsp 组件中默认启用，因此您看不到它的显式选项。对于 openSMILE 的未来版本，将并且应该更严格地遵循明确设置所有选项的做法。

输出中的功能名称将由组件自动定义。通常每个组件都会添加名称的一部分，因此您可以从名称推断出完整的处理链。选项 nameAppend 和 copyInputName（可用于大多数数据处理器）控制此行为，尽管某些组件可能会在内部覆盖它们或稍微更改行为。

查看每个数据内存级别的名称（和其他信息），包括例如如果要在配置中生成某个组件，您可以在 componentInstances:cComponentManager 部分中设置选项“printLevelStats=5”。

由于 openSMILE 中的 everyhting 都是为实时增量处理而构建的，因此每个数据内存级别都有一个缓冲区，默认情况下是一个环形缓冲区，以便在应用程序运行较长时间时保持内存占用恒定。 有时您可能想要总结给定长度的窗口上的特征（例如使用 cFunctionals 组件）。在这种情况下，您必须确保该组件的输入级别的缓冲区大小足以容纳整个窗口。您可以通过以下选项执行此操作：

• writer.levelconf.isRb = 1/0 : 将缓冲区类型设置为ringbuffer (1) 或固定大小缓冲区

• writer.levelconf.growDyn = 1/0 ：将缓冲区设置为在写入更多数据时动态增长 (1)

• writer.levelconf.nT = 设置缓冲区的大小（以帧为单位）。或者，您可以使用 bufferSizeSec=x 设置大小（以秒为单位）并自动转换为帧。

在大多数情况下，尺寸将自动正确设置。后续级别也继承先前级别的配置。例外情况是，当您将 cFunctionals 组件设置为读取完整输入（例如，仅在文件末尾生成一个特征）时，您必须在函数组件读取的级别上使用 GrowthDyn=1，或者如果您使用变量成帧模式（见下文）。

cFunctionals 组件提供帧模式、帧大小、 and 帧步长选项。其中frameMode可以是完整*（在输入/文件末尾生成一个向量），**列表（指定框架列表），var（接收消息，例如从 cTurnDetector 组件接收动态定义帧的消息），或者fix（固定长度窗口）。仅在以下情况下fix选项frameSize设置该窗口的大小，并且帧步长窗口向前移动的速率。的情况下fix输入级别的缓冲区大小会自动正​​确设置，在其他情况下您必须手动设置。

我希望这可以帮助您入门！对于每一个新的 openSMILE 版本，我们 audEERING 都在尝试更好地记录事物并通过各种组件统一事物。

我们也欢迎来自社区的贡献（例如，任何愿意编写图形配置文件编辑器的人，您可以在其中拖放组件并以图形方式连接它们？;）） - 尽管我们知道更多的文档将使这变得更容易。在那之前，您始终必须阅读源代码；）

干杯， 弗洛里安