深度學習和機器學習在圖像和視覺方面有很多的研究，而且取得了很好的效果，但是在音頻處理方面還是比較弱，還有很大的提升空間。圖像上有openCV這個強大的庫，而在音頻方面有哪些比較合適的庫呢？這里說的是python支持的庫，因為本人接觸的主要還是python。所以今天就介紹一下python處理音頻的庫。

進入正題：Python有一些很棒的音頻處理庫，比如Librosa和PyAudio，今天著重學習一下librosa庫，這個庫的安裝非常簡單，和其它庫安裝一樣，直接pip install librosa就行了。以下代碼在jupyter notebook中完成。

In[1]:

import librosa as lr

audio_path = './data/js.wav'

x, sr = lr.load(audio_path) #sr-sample rate采樣率

print(type(x),type(sr))

print(x.shape,sr)

Out[2]:

<class 'numpy.ndarray'> <class 'int'>

(127200,) 22050

#這會將音頻時間序列作為numpy數(shù)組返回，默認采樣率sr為22KHZ mono我們可以通過以下方式更改：

lr.load(audio_path, sr = 44100)

#以44.1KHZ重新采樣，或者禁重新采樣。采樣率是每秒傳輸?shù)囊纛l樣本數(shù)。

lr.load(audio_path, sr=None)

Out[3]:

(array([-3.0517578e-04, -2.7465820e-04, -3.6621094e-04, ...,

-1.2207031e-04, -9.1552734e-05, -9.1552734e-05], dtype=float32), 44100)

In [4]:

#使用Ipython.display.Audio播放音頻

import IPython.display as ipd

ipd.Audio(audio_path)

可視化音頻：

可視化音頻的目的主要讓你更直觀的理解音頻特征

In [5]:

#波形：我們可以繪制音頻數(shù)組librosa.display.waveplot:

%matplotlib inline

import matplotlib.pyplot as plt

import librosa.display

plt.figure(figsize = (14,5))

librosa.display.waveplot(x, sr = sr)

<matplotlib.collections.PolyCollection at 0x1fac21

In[8]

#譜圖：譜圖是通過視覺表示頻譜的頻率，聲音或其它信號，因為它隨時間變化。頻譜圖有時被稱為聲紋或語音圖。當數(shù)據(jù)在3D中表示時，它們可以稱為waterfalls。

#在二維陣列中，第一軸是頻率，第二軸是時間。我們可以使用顯示頻譜圖：librosa.display.specshow:

X = librosa.stft(x) #對信號進行短時傅里葉變換

Xdb = librosa.amplitude_to_db(abs(X))

plt.figure(figsize=(14,5))

librosa.display.specshow(Xdb, sr=sr, x_axis='time', y_axis='hz')

plt.colorbar()

<matplotlib.colorbar.Colorbar at 0x1fac2234c50>

In[9]

#從軸表示頻率（從0到10kHZ），橫軸表示剪輯的時間，由于我們看到的所有動作都發(fā)生在頻譜的底部，我們可以將頻譜軸轉換為對數(shù)軸。

plt.figure(figsize=(14,5))

librosa.display.specshow(Xdb, sr=sr, x_axis='time', y_axis='log')

plt.colorbar()

<matplotlib.colorbar.Colorbar at 0x1fac5077080>

In[10]:

#寫音頻：librosa.output.write_wav 將Numpy數(shù)組保存到wav文件, 下面舉例說明它的用法。

librosa.output.write_wav('example.wav', x, sr)

#創(chuàng)建音頻信號：現(xiàn)在讓我們創(chuàng)建一個220Hz的音頻信號，音頻信號是一個numpy數(shù)組，所以我們將創(chuàng)建一個并將其傳遞給音頻函數(shù)

import numpy as np

#sample rate

sr = 22050

#seconds

T = 5.0

#time variable,linspace()產(chǎn)生一個固定間隔的一個序列的一維數(shù)組

t = np.linspace(0, T, int(T*sr), endpoint=False)

#pure sine wave at 220Hz

x = 0.5*np.sin(2*np.pi*220*t)

#播放這個音頻

ipd.Audio(x, rate=sr)

In [11 ]:

#保存這個音頻信號

librosa.output.write_wav('tone_220.wav', x, sr)

音頻特征提?。?/strong>

每個音頻信號都包含許多特征。但是，我們必須提取與我們試圖解決的問題相關的特征，提取要使用它們進行分析的特征的過程稱為特征提取 接下來我們詳細了解一下我們感興趣的特征：

過零率：

該特征在語音識別和音樂信息檢索中被經(jīng)常使用。

過零率（Zero Crossing Rate，ZCR）是指在每幀中，語音信號通過零點（從正變?yōu)樨摶驈呢撟優(yōu)檎┑拇螖?shù)。 這個特征已在語音識別和音樂信息檢索領域得到廣泛使用，比如敲擊聲音的分類，過零率是分類的關鍵特征。

特性：

一般而言，清音（unvoiced sound）和環(huán)境噪音的ZCR都大于濁音（voiced sound）；由于清音和環(huán)境噪音的ZCR大小相近，因而不能夠通過ZCR來區(qū)分它們；在實際當中，過零率經(jīng)常與短時能量特性相結合來進行端點檢測，尤其是ZCR用來檢測清音的起止點；有時也可以用ZCR來進行粗略的基頻估算，但這是非常不可靠的，除非有后續(xù)的修正（refine）處理過程。

那我們看看如何計算音頻片段的過零率：

In [12]:

#過零率的計算

#導入音頻文件

x, sr = librosa.load('./data/js.wav')

plt.figure(figsize=(14,5))

librosa.display.waveplot(x, sr=sr)

#放大局部查看

n0 = 9000

n1 = 9100

plt.figure(figsize=(14,5))

plt.plot(x[n0:n1])

plt.grid()

#這里舉一個不需要librosa庫來實現(xiàn)過零率的計算方法

import math

import numpy as np

def ZeroCR(waveData,frameSize,overLap):

wlen = len(waveData)

step = frameSize - overLap

frameNum = math.ceil(wlen/step)

zcr = np.zeros((frameNum,1))

for i in range(frameNum):

curFrame = waveData[np.arange(i*step,min(i*step+frameSize,wlen))]

curFrame = curFrame - np.mean(curFrame) # 過零點判斷

zcr[i] = sum(curFrame[0:-1]*curFrame[1::]<=0)

return zcr

#通過上面定義的函數(shù)來計算過零率

import math

import wave

import numpy as np

import pylab as pl

# ============ 測試一下算法 =============

# 讀取音頻

fw = wave.open('./data/js.wav','rb')

params = fw.getparams()

print(params)

nchannels, sampwidth, framerate, nframes = params[:4]

str_data = fw.readframes(nframes)

wave_data = np.frombuffer(str_data, dtype=np.short)

wave_data.shape = -1, 1

#wave_data = wave_data.T

fw.close()

# 計算過零率

frameSize = 256

overLap = 0

zcr = ZeroCR(wave_data,frameSize,overLap)

# 可視化結果

time = np.arange(0, len(wave_data)) * (1.0 / framerate)

time2 = np.arange(0, len(zcr)) * (len(wave_data)/len(zcr) / framerate)

pl.figure(figsize=(14,10))

pl.subplot(211)

pl.plot(time, wave_data)

pl.ylabel('Amplitude')

pl.subplot(212)

pl.plot(time2, zcr)

pl.ylabel('ZCR')

pl.xlabel('time (seconds)')

pl.show()

_wave_params(nchannels=1, sampwidth=2, framerate=4

In[13]:

#驗證一下有幾個過零點, 本例中的片段含有3個

zero_crossings = librosa.zero_crossings(x[n0:n1], pad=False)

print(sum(zero_crossings))

3

光譜質心：

譜質心(Spectral Centroid)是描述音色屬性的重要物理參數(shù)之一，是頻率成分的重心，是在一定頻率范圍內通過能量加權平均的頻率，其單位是Hz。它是聲音信號的頻率分布和能量分布的重要信息。在主觀感知領域，譜質心描述了聲音的明亮度，具有陰暗、低沉品質的聲音傾向有較多低頻內容，譜質心相對較低，具有明亮、歡快品質的多數(shù)集中在高頻，譜質心相對較高。該參數(shù)常用于對樂器聲色的分析研究。

如果有兩首曲子，一首來自布魯斯類型，另一首屬于金屬。與長度相同的布魯斯流派歌曲相比，金屬歌曲在最后有更多的頻率。因此，布魯斯歌曲的光譜質心將位于其光譜中間附近，而金屬歌曲的光譜質心將朝向它的末端。 librosa.feature.spectral_centroid計算信號中每幀的光譜質心：

In [14]:

#計算光譜質心

spectral_centroids = librosa.feature.spectral_centroid(x, sr=sr)[0]

spectral_centroids.shape

(249,)

In [15]:

#可視化每一幀的質心

import sklearn

frames = range(len(spectral_centroids))

t = librosa.frames_to_time(frames)

#歸一化光譜質心

def normalize(x, axis=0):

return sklearn.preprocessing.minmax_scale(x, axis=axis)

#沿著音頻波形繪制光譜質心

plt.figure(figsize=(14,5))

librosa.display.waveplot(x, sr=sr, alpha=0.4)

plt.plot(t, normalize(spectral_centroids), color='r')

[<matplotlib.lines.Line2D at 0x1fac68cfef0>]

光譜衰減：

它是信號形狀的度量。librosa.feature.spectral_rolloff計算信號中每幀的滾降系數(shù)：

In [16]:

#計算光譜衰減：

spectral_rolloff = librosa.feature.spectral_rolloff(x+0.01, sr=sr)[0]

plt.figure(figsize=(14,5))

librosa.display.waveplot(x, sr=sr, alpha=0.4)

plt.plot(t, normalize(spectral_rolloff), color='r')

[<matplotlib.lines.Line2D at 0x1fac6855748>]

梅爾頻率倒譜系數(shù)：

聲音信號是連續(xù)變化的，為了將連續(xù)變化信號簡化，我們假設在一個短時間尺度內，音頻信號不發(fā)生改變。因此將信號以多個采樣點集合成一個單位，稱為'''訊框'''。一個訊框多為20-40毫秒，如果訊框長度更短，那每個訊框內的采樣點將不足以做出可靠的頻譜計算，但若長度太長，則每個訊框信號會變化太大。

預強化的目的就是為了消除發(fā)聲過程中，聲帶和嘴唇造成的效應，來補償語音信號受到發(fā)音系統(tǒng)所壓抑的高頻部分。并且能突顯高頻的共振峰。

由于信號在時域上的變化通常很難看出信號的特性，所以通常透過傅里葉變換將它變換成頻域上的能量分布來觀察，不同的能量分布，就能代表不同語音的特性。

由于能量頻譜中還存在大量的無用訊息，尤其人耳無法分辨高頻的頻率變化，因此讓頻譜通過梅爾濾波器。梅爾濾波器，也就是一組20個非線性分布的三角帶通濾波器（Triangular Bandpass Filters），能求得每一個濾波器輸出的對數(shù)能量。必須注意的是：這 20 個三角帶通濾波器在'''梅爾刻度'''的頻率上是平均分布的。 梅爾頻率代表一般人耳對于頻率的感受度，由此也可以看出人耳對于頻率 f 的感受是呈對數(shù)變化的。

MFCC特征在加性噪聲的情況下并不穩(wěn)定，因此在語音識別系統(tǒng)中通常要對其進行歸一化處理(normalise)以降低噪聲的影響。一些研究人員對MFCC算法進行修改以提升其魯棒性，如在進行DCT之前將log-mel-amplitudes提升到一個合適的能量(2到3之間)，以此來降低低能量成分的影響。

信號的Mel頻率倒譜系數(shù)（MFCC)是一小組特征（通常約10-20），其簡明地描述了頻譜包絡的整體形狀，它模擬了人聲的特征。

In [17]:

#MFCC計算

x, sr = librosa.load('./data/js.wav')

#通過音頻信號計算MFCC

mfccs = librosa.feature.mfcc(x, sr=sr)

print(mfccs.shape)

(20, 249)

In [18]:

#顯示MFCC圖譜

plt.figure(figsize=(14,5))

librosa.display.specshow(mfccs, sr=sr, x_axis='time')

<matplotlib.axes._subplots.AxesSubplot at 0x1fac51

In[19]:

#以上計算了249幀的20個MFCC。我們還可以執(zhí)行特征縮放，使得每個系數(shù)維度具有零均值和單位方差：

#import sklearn

mfccs = sklearn.preprocessing.scale(mfccs, axis=1)

print(mfccs.mean(axis=1))

print(mfccs.var(axis=1))

plt.figure(figsize=(14,5))

librosa.display.specshow(mfccs, sr=sr, x_axis='time')

[-4.3087693e-09 1.9150086e-09 -4.7875215e-09 -1.1968804e-10

-4.2489257e-09 5.7929011e-08 -9.5750430e-09 4.5481454e-09

2.3937607e-09 1.6905936e-09 4.7875215e-09 -6.8222183e-09

4.2190034e-09 7.1812827e-09 4.0693933e-09 -8.1387865e-09

-9.9640296e-09 5.9844023e-09 1.7833518e-08 5.0268976e-09]

[1.0000001 1.0000001 1.0000001 1.0000001 0.9999998 1.0000001

1.0000001 1.0000001 1.0000001 1.0000001 1.0000001 1.0000001

1.0000001 1.0000001 1. 0.99999994 1.0000002 1.0000001

0.99999976 0.9999999 ]

<matplotlib.axes._subplots.AxesSubplot at 0x1fac69

色度頻率

色度頻率是音樂音頻有趣且強大的表示，其中整個頻譜被投影到12個區(qū)間，代表音樂八度音的12個不同的半音（或色度）， librosa.feature.chroma_stft用于計算色度頻率：

In [20]:

#色度頻率

x, sr = librosa.load('./data/cut.wav')

hop_length = 512

chromagram = librosa.feature.chroma_stft(x, sr=sr, hop_length=hop_length)

plt.figure(figsize=(15,5))

librosa.display.specshow(chromagram, x_axis='time', y_axis='chroma', hop_length=hop_length, cmap='coolwarm')

<matplotlib.axes._subplots.AxesSubplot at 0x1facc5

In[21]:

#導入pydub庫用于音頻文件的截取，上面用到的片段就是從piano中截取的5秒的片段。

from pydub import AudioSegment

main_wav_path = './data/piano.wav' # 取出.wav后綴的文件名

sound = AudioSegment.from_wav(main_wav_path)

start_time = 0

end_time = 5000

word = sound[start_time:end_time]

word.export('./data/cut1.wav', format='wav')

<_io.BufferedRandom name='./data/cut1.wav'>

關于音頻特征處理的一般性方法介紹完了，基于這些知識，接下來可以考慮進一步研究聲紋匹配或者音樂分類項目。