我已经计算了两个音频文件的 MFCC，并将 DTW 应用于这两个文件的两组系数。现在，这两个文件中的每一对都由一个值描述（由 DTW 计算）。我们称这个值为 Diff。

如果音频文件差异更大，则 Diff 更大，这很好。（所以 Diff 与音频信号之间的差异成正比 - 太棒了！）。

我的问题是 Diff 似乎也与文件的长度成正比（？）。因此，对于两个相似的长音频信号，Diff 可能大于对于两个不同的短信号。

首先我认为，当 DTW 计算两个数组的最短路径时，最终值应该与两个数组的长度成正比（即每个信号的帧数）。所以我尝试将它除以产品和两个长度的平均值，但结果令人沮丧（对于一些差异不大的文件来说太大了，对于其他文件来说太小了）。

然后我认为，如果它与文件的长度成正比，那么将其除以平均帧数（在其中我将两个信号分开以计算 MFCC）就可以解决问题……但事实并非如此。 ..

最后，我认为，由于 MFCC 是从 FFT 的结果计算出来的，最终的 DTW 结果可能与 FFT 幅度的总和成正比，所以我尝试将它除以这个总和（频谱元素的总和，由FFT 算法）。再一次，结果不是我希望的那样......

现在我没有想法...... DTW结果取决于什么，它与什么成正比？

编辑：在 pichenettes 建议尝试文件长度的几何平均值之后，这里有一些值：

1. 同样的声音。avgLengths = 106000. Diff = 409. Diff / avgLengths = 38

2. 同样的声音。avgLengths = 191000. Diff = 609. Diff / avgLengths = 31

3. 不同的声音。avgLengths = 80000. Diff = 437. Diff / avgLengths = 55

4. 不同的声音。avgLengths = 193000. Diff = 692. Diff / avgLengths = 35

38 > 35 :(

（来自 2. 和 4. 的声音几乎相似，来自 1. 和 3. 的声音也是如此。在 1. 一个文件的尾随静音稍长）