Python处理音频时如何提取特征？librosa频谱分析入门

Python处理音频并提取特征的方法包括使用librosa库，1. 安装librosa：pip install librosa；2. 加载音频文件并保留原始采样率或重采样至默认22050 Hz；3. 提取梅尔频谱，通过设置n_fft、hop_length和n_mels控制频率与时间分辨率；4. 提取MFCC系数，通常选择13到40个；5. 可视化梅尔频谱和MFCC；6. 提取其他特征如STE、ZCR、Chroma等。参数设置需权衡分辨率与计算量，具体任务需调整最佳组合。

Python处理音频，提取特征的方法有很多，librosa库是绕不开的选择。它能让你轻松提取梅尔频谱、MFCC等音频特征，为后续的音频分析、机器学习打下基础。

首先，安装librosa：pip install librosa。

然后，就可以开始探索音频特征提取的世界了。

解决方案

import librosa
import librosa.display
import matplotlib.pyplot as plt
import numpy as np

# 1. 加载音频文件
file_path = "audio.wav" # 替换成你的音频文件路径
y, sr = librosa.load(file_path)

# 2. 提取梅尔频谱
hop_length = 512  # 帧移，影响频谱图的时间分辨率
n_fft = 2048  # FFT窗口大小，影响频谱图的频率分辨率
n_mels = 128 # 梅尔频带的数量

mel_spectrogram = librosa.feature.melspectrogram(y=y, sr=sr, hop_length=hop_length, n_fft=n_fft, n_mels=n_mels)
mel_spectrogram_db = librosa.power_to_db(mel_spectrogram, ref=np.max) # 转换为分贝单位

# 3. 提取MFCC
mfcc = librosa.feature.mfcc(S=mel_spectrogram_db, sr=sr, n_mfcc=20) # 提取20个MFCC系数

# 4. 可视化梅尔频谱
plt.figure(figsize=(10, 4))
librosa.display.specshow(mel_spectrogram_db, x_axis='time', y_axis='mel', sr=sr, hop_length=hop_length)
plt.colorbar(format='%+2.0f dB')
plt.title('Mel Spectrogram')
plt.tight_layout()
plt.show()

# 5. 可视化MFCC
plt.figure(figsize=(10, 4))
librosa.display.specshow(mfcc, x_axis='time', sr=sr, hop_length=hop_length)
plt.colorbar()
plt.title('MFCC')
plt.tight_layout()
plt.show()

# 6. 其他特征
# 短时能量 (Short-Time Energy, STE)
ste = librosa.feature.rms(y=y)[0]

# 过零率 (Zero-Crossing Rate, ZCR)
zcr = librosa.feature.zero_crossing_rate(y)[0]

# 色度特征 (Chroma Feature)
chroma = librosa.feature.chroma_stft(y=y, sr=sr, hop_length=hop_length)

librosa.load()函数加载音频时，sr=None有什么区别？

如果sr=None，librosa会使用音频文件本身的采样率。如果不指定sr，librosa会默认将所有音频重采样到22050 Hz。 使用sr=None可以保留原始音频的采样率，避免重采样可能带来的信息损失。但要注意，后续的特征提取和分析可能需要统一的采样率，这时就需要手动进行重采样。

如何理解梅尔频谱和MFCC的参数设置？

梅尔频谱的参数主要影响频率分辨率和时间分辨率。n_fft（FFT窗口大小）决定了频率分辨率，值越大，频率分辨率越高，但时间分辨率会降低。hop_length（帧移）决定了时间分辨率，值越小，时间分辨率越高，但计算量会增加。n_mels（梅尔频带的数量）决定了梅尔频谱的频带划分，通常选择128或256。

MFCC是在梅尔频谱的基础上进行的进一步处理，n_mfcc（MFCC系数的数量）通常选择13到40之间。较少的系数可以减少计算量，但可能会丢失一些信息。

调整这些参数需要根据具体的音频数据和任务进行尝试，找到最佳的参数组合。

除了梅尔频谱和MFCC，librosa还能提取哪些音频特征？

librosa提供了丰富的音频特征提取功能，除了梅尔频谱和MFCC，还可以提取：

• 色度特征 (Chroma Feature)：反映音频的音高信息，对音乐分析很有用。
• 短时能量 (Short-Time Energy, STE)：反映音频的能量大小，可以用于语音激活检测。
• 过零率 (Zero-Crossing Rate, ZCR)：反映信号穿过零点的频率，可以用于区分清音和浊音。
• 音调 (Pitch)：估计音频的基频，用于语音和音乐分析。
• 节拍 (Tempo)：估计音频的节拍速度，用于音乐分析。

等等。 具体可以参考librosa的官方文档。