前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >librosa音频处理教程

librosa音频处理教程

作者头像
致Great
发布2022-05-13 19:06:50
3.8K0
发布2022-05-13 19:06:50
举报
文章被收录于专栏:程序生活程序生活

Librosa简介

Librosa是一个 Python 模块,用于分析一般的音频信号,是一个非常强大的python语音信号处理的第三方库,根据网络资料以及官方教程,本文主要总结了一些重要且常用的功能。

代码语言:javascript
复制
# 安装
!pip install librosa
代码语言:javascript
复制
Looking in indexes: https://pypi.tuna.tsinghua.edu.cn/simple
Requirement already satisfied: librosa in f:\programdata\anaconda3\envs\tf\lib\site-packages (0.8.1)
Requirement already satisfied: scikit-learn!=0.19.0,>=0.14.0 in f:\programdata\anaconda3\envs\tf\lib\site-packages (from librosa) (0.24.2)
Requirement already satisfied: joblib>=0.14 in f:\programdata\anaconda3\envs\tf\lib\site-packages (from librosa) (1.1.0)
Requirement already satisfied: packaging>=20.0 in f:\programdata\anaconda3\envs\tf\lib\site-packages (from librosa) (21.3)
Requirement already satisfied: numpy>=1.15.0 in f:\programdata\anaconda3\envs\tf\lib\site-packages (from librosa) (1.19.5)
Requirement already satisfied: pooch>=1.0 in f:\programdata\anaconda3\envs\tf\lib\site-packages (from librosa) (1.5.2)
Requirement already satisfied: decorator>=3.0.0 in f:\programdata\anaconda3\envs\tf\lib\site-packages (from librosa) (4.4.2)
Requirement already satisfied: audioread>=2.0.0 in f:\programdata\anaconda3\envs\tf\lib\site-packages (from librosa) (2.1.9)
Requirement already satisfied: resampy>=0.2.2 in f:\programdata\anaconda3\envs\tf\lib\site-packages (from librosa) (0.2.2)
Requirement already satisfied: scipy>=1.0.0 in f:\programdata\anaconda3\envs\tf\lib\site-packages (from librosa) (1.5.4)
Requirement already satisfied: soundfile>=0.10.2 in f:\programdata\anaconda3\envs\tf\lib\site-packages (from librosa) (0.10.3.post1)
Requirement already satisfied: numba>=0.43.0 in f:\programdata\anaconda3\envs\tf\lib\site-packages (from librosa) (0.53.1)
Requirement already satisfied: setuptools in f:\programdata\anaconda3\envs\tf\lib\site-packages (from numba>=0.43.0->librosa) (58.0.4)
Requirement already satisfied: llvmlite<0.37,>=0.36.0rc1 in f:\programdata\anaconda3\envs\tf\lib\site-packages (from numba>=0.43.0->librosa) (0.36.0)
Requirement already satisfied: pyparsing!=3.0.5,>=2.0.2 in f:\programdata\anaconda3\envs\tf\lib\site-packages (from packaging>=20.0->librosa) (3.0.6)
Requirement already satisfied: appdirs in f:\programdata\anaconda3\envs\tf\lib\site-packages (from pooch>=1.0->librosa) (1.4.4)
Requirement already satisfied: requests in f:\programdata\anaconda3\envs\tf\lib\site-packages (from pooch>=1.0->librosa) (2.26.0)
Requirement already satisfied: six>=1.3 in f:\programdata\anaconda3\envs\tf\lib\site-packages (from resampy>=0.2.2->librosa) (1.15.0)
Requirement already satisfied: threadpoolctl>=2.0.0 in f:\programdata\anaconda3\envs\tf\lib\site-packages (from scikit-learn!=0.19.0,>=0.14.0->librosa) (3.0.0)
Requirement already satisfied: cffi>=1.0 in f:\programdata\anaconda3\envs\tf\lib\site-packages (from soundfile>=0.10.2->librosa) (1.15.0)
Requirement already satisfied: pycparser in f:\programdata\anaconda3\envs\tf\lib\site-packages (from cffi>=1.0->soundfile>=0.10.2->librosa) (2.21)
Requirement already satisfied: certifi>=2017.4.17 in f:\programdata\anaconda3\envs\tf\lib\site-packages (from requests->pooch>=1.0->librosa) (2021.5.30)
Requirement already satisfied: charset-normalizer~=2.0.0 in f:\programdata\anaconda3\envs\tf\lib\site-packages (from requests->pooch>=1.0->librosa) (2.0.7)
Requirement already satisfied: idna<4,>=2.5 in f:\programdata\anaconda3\envs\tf\lib\site-packages (from requests->pooch>=1.0->librosa) (3.3)
Requirement already satisfied: urllib3<1.27,>=1.21.1 in f:\programdata\anaconda3\envs\tf\lib\site-packages (from requests->pooch>=1.0->librosa) (1.26.7)
代码语言:javascript
复制
import numpy as np 
import pandas as pd 
import os

import IPython.display as ipd

加载音频文件

代码语言:javascript
复制
import librosa
audio_data = 'data/Data_MGTV/angry/audio_1027.wav'
x , sr = librosa.load(audio_data)
print(x.shape, sr)
代码语言:javascript
复制
(45159,) 22050
代码语言:javascript
复制
x
代码语言:javascript
复制
array([-0.11979394, -0.10811259, -0.04991762, ...,  0.00769441,
        0.00752225,  0.        ], dtype=float32)
代码语言:javascript
复制
print('x:', x, '\n')
print('x shape:', np.shape(x), '\n')
print('Sample Rate (KHz):', sr, '\n')
print('Check Len of Audio:', np.shape(x)[0]/sr)
代码语言:javascript
复制
x: [-0.11979394 -0.10811259 -0.04991762 ...  0.00769441  0.00752225
  0.        ] 

x shape: (45159,) 

Sample Rate (KHz): 22050 

Check Len of Audio: 2.048027210884354

读取时长

代码语言:javascript
复制
d = librosa.get_duration(y=x, sr=22050, S=None, n_fft=2048, hop_length=512, center=True, filename=None)
d
代码语言:javascript
复制
2.048027210884354

采样率

代码语言:javascript
复制
sr = librosa.get_samplerate(audio_data)
sr
代码语言:javascript
复制
16000

去除两端沉默

代码语言:javascript
复制
audio_file, _ = librosa.effects.trim(x)
print('Audio File:', audio_file, '\n')
print('Audio File shape:', np.shape(audio_file))
代码语言:javascript
复制
Audio File: [-0.11979394 -0.10811259 -0.04991762 ...  0.00769441  0.00752225
  0.        ] 

Audio File shape: (45159,)

播放音频

IPython.display.Audio 可以让我们直接在 jupyter notebook 中播放音频,比如下面包房一段音频

代码语言:javascript
复制
ipd.Audio(audio_data)

波形图

在这里,我们绘制了一个简单的音频波形图。 波图让我们知道给定时间的音频响度。

代码语言:javascript
复制
%matplotlib inline
代码语言:javascript
复制
import sklearn
import matplotlib.pyplot as plt
import librosa.display

plt.figure(figsize=(20, 5))
librosa.display.waveplot(y, sr=sr)
plt.show()

Spectogram

频谱图(Spectogram)是声音频率随时间变化的频谱的可视化表示,是给定音频信号的频率随时间变化的表示。'.stft' 将数据转换为短期傅里叶变换。 STFT转换信号,以便我们可以知道给定时间给定频率的幅度。 使用 STFT,我们可以确定音频信号在给定时间播放的各种频率的幅度。

Spectrogram特征是目前在语音识别和环境声音识别中很常用的一个特征,由于CNN在处理图像上展现了强大的能力,使得音频信号的频谱图特征的使用愈加广泛,甚至比MFCC使用的更多。

代码语言:javascript
复制
X = librosa.stft(x)
Xdb = librosa.amplitude_to_db(abs(X))
plt.figure(figsize=(20, 5))
librosa.display.specshow(Xdb, sr=sr, x_axis='time', y_axis='hz')
plt.colorbar()
plt.show()
代码语言:javascript
复制
librosa.display.specshow(Xdb, sr=sr, x_axis='time', y_axis='log')
plt.colorbar()
代码语言:javascript
复制
<matplotlib.colorbar.Colorbar at 0x24f53d3e6d8>

梅尔频率倒谱系数(MFCC)

信号的梅尔频率倒谱系数 (MFCC) 是一小组特征(通常约为 10-20),它们简明地描述了频谱包络的整体形状。在 MIR 中,它经常被用来描述音色。

代码语言:javascript
复制
#mcc
mfccs = librosa.feature.mfcc(y=x, sr=sr)
代码语言:javascript
复制
mfccs
代码语言:javascript
复制
array([[-1.47507828e+02, -1.39587173e+02, -1.63085953e+02, ...,
        -3.51147095e+02, -3.62041565e+02, -3.64722260e+02],
       [ 1.39314545e+02,  1.28688156e+02,  1.26540642e+02, ...,
         1.31368317e+02,  1.23287079e+02,  1.06071014e+02],
       [-5.88899651e+01, -7.76861572e+01, -8.52756119e+01, ...,
        -3.08440018e+01, -3.50476532e+01, -3.22384949e+01],
       ...,
       [ 1.24901953e+01,  2.48859482e+01,  3.59340363e+01, ...,
        -3.30873656e+00, -5.68462515e+00, -5.88594961e+00],
       [-6.10755301e+00, -8.72181129e+00, -3.69202137e+00, ...,
        -2.46745777e+00, -7.76338100e+00, -8.60360718e+00],
       [-1.22752495e+01, -8.53678513e+00, -2.76085877e+00, ...,
         6.47896719e+00,  9.00872326e+00, -3.04730564e-01]], dtype=float32)
代码语言:javascript
复制
mfccs.shape
代码语言:javascript
复制
(20, 89)

在这个例子中,mfcc 在 89 帧中计算了 20 个 MFCC。

第一个 MFCC,第 0 个系数,不传达与频谱整体形状相关的信息。 它只传达一个恒定的偏移量,即向整个频谱添加一个恒定值。 因此,很多情况我们可以在进行分类时会丢弃第一个MFCC。

代码语言:javascript
复制
librosa.display.specshow(mfccs, sr=sr, x_axis='time')
代码语言:javascript
复制
<matplotlib.collections.QuadMesh at 0x24f53d58a20>

过零率

过零率(zero-crossing rate,ZCR)是指一个信号的符号变化的比率,例如信号从正数变成负数,或反过来。这个特征已在语音识别和音乐信息检索领域得到广泛使用,是分类敲击声的关键特征。为真时为1,否则为0。在一些应用场景下,只统计“正向”或“负向”的变化,而不是所有的方向。

代码语言:javascript
复制
n0 = 7000
n1 = 7025
plt.figure(figsize=(14, 5))
plt.plot(x[n0:n1])
plt.show()
代码语言:javascript
复制
zero_crossings = librosa.zero_crossings(x[n0:n1], pad=False)
代码语言:javascript
复制
zero_crossings.shape
代码语言:javascript
复制
(25,)
代码语言:javascript
复制
zero_crossings.sum()
代码语言:javascript
复制
2

可以使用整个音频来遍历这个并推断出整个数据的过零。

代码语言:javascript
复制
zcrs = librosa.feature.zero_crossing_rate(x)
print(zcrs.shape)
代码语言:javascript
复制
(1, 89)
代码语言:javascript
复制
plt.figure(figsize=(14, 5))
plt.plot(zcrs[0])
代码语言:javascript
复制
[<matplotlib.lines.Line2D at 0x24f4cd88eb8>]

频谱质心: Spectral Centroid

频谱质心(维基百科)表示频谱能量集中在哪个频率上。这就像一个加权平均值:

其中 S(k) 是频段 k 处的频谱幅度,f(k) 是频段 k 处的频率。

代码语言:javascript
复制
spectral_centroids = librosa.feature.spectral_centroid(x, sr=sr)[0]
spectral_centroids.shape
代码语言:javascript
复制
(89,)
代码语言:javascript
复制
frames = range(len(spectral_centroids))
t = librosa.frames_to_time(frames)
代码语言:javascript
复制
import sklearn
def normalize(x, axis=0):
    return sklearn.preprocessing.minmax_scale(x, axis=axis)
代码语言:javascript
复制
librosa.display.waveplot(x, sr=sr, alpha=0.4)
plt.plot(t, normalize(spectral_centroids), color='r')
代码语言:javascript
复制
[<matplotlib.lines.Line2D at 0x24f505d4320>]

频谱带宽:Spectral Bandwidth

librosa.feature.spectral_bandwidth 可以用来计算p-order频谱带宽:

其中 S(k) 是频段 k 处的频谱幅度,f(k) 是频段 k 处的频率,fc 是频谱质心。当 p=2 时,这就像一个加权标准差。

代码语言:javascript
复制
spectral_bandwidth_2 = librosa.feature.spectral_bandwidth(x+0.01, sr=sr)[0]
spectral_bandwidth_3 = librosa.feature.spectral_bandwidth(x+0.01, sr=sr, p=3)[0]
spectral_bandwidth_4 = librosa.feature.spectral_bandwidth(x+0.01, sr=sr, p=4)[0]
librosa.display.waveplot(x, sr=sr, alpha=0.4)
plt.plot(t, normalize(spectral_bandwidth_2), color='r')
plt.plot(t, normalize(spectral_bandwidth_3), color='g')
plt.plot(t, normalize(spectral_bandwidth_4), color='y')
plt.legend(('p = 2', 'p = 3', 'p = 4'))
代码语言:javascript
复制
<matplotlib.legend.Legend at 0x24f50c08470>

频谱滚降

频谱衰减是总频谱能量的特定百分比所在的频率。

代码语言:javascript
复制
spectral_rolloff = librosa.feature.spectral_rolloff(x+0.01, sr=sr)[0]
librosa.display.waveplot(x, sr=sr, alpha=0.4)
plt.plot(t, normalize(spectral_rolloff), color='r')
代码语言:javascript
复制
[<matplotlib.lines.Line2D at 0x24f4cc06e10>]

色度特征:Chroma Feature

色度向量 (Wikipedia) 是一个典型的 12 元素特征向量,指示每个音高类别{C, C#, D, D#, E, ..., B} 的能量是多少存在于信号中。

代码语言:javascript
复制
chromagram = librosa.feature.chroma_stft(x, sr=sr, hop_length=512)
plt.figure(figsize=(15, 5))
librosa.display.specshow(chromagram, x_axis='time', y_axis='chroma', hop_length=512, cmap='coolwarm')
代码语言:javascript
复制
<matplotlib.collections.QuadMesh at 0x24f4cc9db70>

间距和幅度

音高是声音的感知属性,在与频率相关的尺度上排序,或者更常见的是,音高是可以判断声音在与音乐旋律相关的意义上“更高”和“更低”的质量。

代码语言:javascript
复制
pitches, magnitudes = librosa.piptrack(y=x, sr=sr)
print(pitches)
代码语言:javascript
复制
[[0. 0. 0. ... 0. 0. 0.]
 [0. 0. 0. ... 0. 0. 0.]
 [0. 0. 0. ... 0. 0. 0.]
 ...
 [0. 0. 0. ... 0. 0. 0.]
 [0. 0. 0. ... 0. 0. 0.]
 [0. 0. 0. ... 0. 0. 0.]]

参考资料

本文参与 腾讯云自媒体分享计划,分享自作者个人站点/博客。
原始发表:2022-05-13,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体分享计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • Librosa简介
    • 加载音频文件
      • 读取时长
        • 采样率
          • 去除两端沉默
            • 播放音频
              • 波形图
                • Spectogram
                  • 梅尔频率倒谱系数(MFCC)
                    • 过零率
                      • 频谱质心: Spectral Centroid
                        • 频谱带宽:Spectral Bandwidth
                        • 频谱滚降
                          • 色度特征:Chroma Feature
                            • 间距和幅度
                            • 参考资料
                            相关产品与服务
                            语音识别
                            腾讯云语音识别(Automatic Speech Recognition,ASR)是将语音转化成文字的PaaS产品,为企业提供精准而极具性价比的识别服务。被微信、王者荣耀、腾讯视频等大量业务使用,适用于录音质检、会议实时转写、语音输入法等多个场景。
                            领券
                            问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档