当前位置: 首页 > news >正文

语音频谱特征提取(python)

image
注:FFT(快速傅里叶变换);DFT(离散傅里叶变换);DCT(离散余弦变换);VMD(变分模态分解)

音频文件读取:

import torchaudio
def open_audio(audio_file):  # Load an audio file.sig, sr = torchaudio.load(audio_file)  # 加载音频文件return sig, sr  # 音频时间序列, 音频采样率

通道数调整:

import torch
def re_channel(aud, new_channel):  # 统一音频通道数sig, sr = aud  # aud=(音频时间序列, 音频采样率)if sig.shape[0] == new_channel:  # 保持通道数return aud   # Nothing to doif new_channel == 1:  # 转换成单通道resign = sig[:1, :]  # Convert from stereo to mono by selecting only the first channelelse:  # 转换成多通道resign = torch.cat([sig, sig])  # Convert from mono to stereo by duplicating the first channelreturn resign, sr

采样率调整:

import torch
import torchaudio
def resample(aud, new_sr):  # 标准化采样率sig, sr = audif sr == new_sr:  # 若采样率与初始相同,则不需重新采样return aud  # Nothing to donum_channels = sig.shape[0]  # 获取原通道个数resign = torchaudio.transforms.Resample(sr, new_sr)(sig[:1, :])  # Resample first channelif num_channels > 1:# Resample the second channel and merge both channelsre_two = torchaudio.transforms.Resample(sr, new_sr)(sig[1:, :])resign = torch.cat([resign, re_two])return resign, new_sr

音频长度调整:

import torchaudio
import random
def pad_trunc(aud, max_ms):  # 调整为相同长度sig, sr = audnum_rows, sig_len = sig.shapemax_len = sr // 1000 * max_msif sig_len > max_len:  # 裁剪多余部分sig = sig[:, :max_len]  # Truncate the signal to the given lengthelif sig_len < max_len:  # 全零补充# Length of padding to add at the beginning and end of the signalpad_begin_len = random.randint(0, max_len - sig_len)pad_end_len = max_len - sig_len - pad_begin_lenpad_begin = torch.zeros((num_rows, pad_begin_len))  # Pad with 0spad_end = torch.zeros((num_rows, pad_end_len))sig = torch.cat((pad_begin, sig, pad_end), 1)  # inputs,dim=1return sig, sr

获取谱图特征:

from torchaudio import transforms
def spectro_gram(aud, feature, n_mel=64, n_fft=1024, hop_len=None):  # 谱图sig, sr = audtop_db = 80feature_choice = feature  # 谱图;Mel谱图;MFCC# spec has shape [channel, n_mel, time], where channel is mono, stereo etc# 音频信号的采样率,win_length窗口大小(默认:n_fft,FFT 的大小),STFT 窗口之间的跳跃长度(默认:win_length // 2),梅尔滤波器组的数量# MelSpectrogram返回了一个函数名,故后面加了函数需要输入的值if feature_choice == 'Spectrogram':spec = transforms.Spectrogram(n_fft=n_fft, hop_length=hop_len)(sig)# Convert to decibelsspec = transforms.AmplitudeToDB(top_db=top_db)(spec)elif feature_choice == 'MelSpectrogram':spec = transforms.MelSpectrogram(sr, n_fft=n_fft, hop_length=hop_len, n_mels=n_mel)(sig)# Convert to decibelsspec = transforms.AmplitudeToDB(top_db=top_db)(spec)else:spec = transforms.MFCC(sr, melkwargs={"n_fft": n_fft, "hop_length": hop_len, "n_mels": n_mel})(sig)return spec

获取3D谱图特征(谱图及其一阶差分和二阶差分):

import numpy as np
import torch
def delta_delta(spector, h):right = np.concatenate([spector[:, 0].reshape((h, -1)), spector], axis=1)[:, :-1]delta = (spector - right)[:, 1:]delta_pad = delta[:, 0].reshape((h, -1))delta = np.concatenate([delta_pad, delta], axis=1)return delta
def get_3d_spec(spector, moments=None):  #spector:谱图if moments is not None:(base_mean, base_std, delta_mean, delta_std, delta2_mean, delta2_std) = momentselse:base_mean, delta_mean, delta2_mean = (0, 0, 0)base_std, delta_std, delta2_std = (1, 1, 1)h, w = spector.shapedelta = delta_delta(spector, h)delta2 = delta_delta(delta, h)base = (spector - base_mean) / base_stddelta = (delta - delta_mean) / delta_stddelta2 = (delta2 - delta2_mean) / delta2_stdstacked = [arr.reshape((h, w, 1)) for arr in (base, delta, delta2)]return torch.from_numpy(np.concatenate(stacked, axis=2))

注:一阶差分就是离散函数中连续相邻两项之差【定义X(k),则Y(k)=X(k+1)-X(k)就是此函数的一阶差分,即当前语音帧与前一帧之间的关系, 体现帧与帧(相邻两帧)之间的联系】
二阶差分表示的是一阶差分与一阶差分之间的关系【在一阶差分的基础上,Z(k)=Y(k+1)-Y(k)=X(k+2)-2*X(k+1)+X(k)为此函数的二阶差分,即前一阶差分与后一阶差分之间的关系,体现到帧上就是相邻三帧之间的动态关系】

绘制音频波形:

import matplotlib
matplotlib.use('TkAgg')
import matplotlib.pyplot as plt
import numpy as np
# 显示语音时域波形
time = np.arange(0, len(dur_aud[0][0])) * (1.0 / dur_aud[1])  #dur_aud=(音频时间序列, 音频采样率)
plt.plot(time, dur_aud[0][0])
plt.title("语音信号时域波形", fontproperties='Microsoft YaHei')
plt.xlabel("时长(秒)", fontproperties='SimHei')
plt.ylabel("振幅", fontproperties='SimHei')
plt.savefig("./img_data/语音信号时域波形图", dpi=600)
plt.show()
http://www.jsqmd.com/news/48430/

相关文章:

  • 深入解析:flink实验三:实时数据流处理(踩坑记录)
  • 触觉感知机器人如何规划与执行动作
  • 2025 年 11 月江苏省骨科医院权威推荐榜:专科诊疗、医保定点、工伤定点,专业骨科服务与高效医疗保障之选
  • 2025 年 11 月智能配电系统厂家权威推荐榜:配电柜/配电箱/开关柜源头工厂,高效节能与稳定安全技术深度解析
  • iptables下MySQL安全防护怎么做
  • iptables下MySQL安全设置有哪些
  • 2025 年 11 月防水公司权威推荐榜:商铺装修防水、别墅补漏防水、厂房防潮防水,专业施工与持久防护口碑之选
  • SHOW STATUS LIKE Aborted_connects; 这个连接是啥意思
  • 2025 年 11 月无锡公考/考编培训机构权威推荐榜:事业单位与央企国企招录培训实力解析及口碑优选指南
  • 人工智能之编程进阶 Python高级:第十一章 过渡项目
  • CF2122
  • 《d2l Chapter4 多层感知机基础内容》
  • 洛谷P2678题解
  • 【JVM】详解 Class类文件的结构 - 指南
  • 实验3_CPP
  • longchain4j 学习系列(4)-mcp调用
  • Java 学习路线可按「基础→进阶→实战→架构」四阶段推进
  • Jetson Orin Nano super -2 烧录概念及必要性
  • blog搬迁
  • 102302122许志安作业3
  • iPhone14系列电池容量多少毫安
  • ipc linux
  • 读 《d2l:Chapter3. 线性神经网络 》随笔
  • 错排的
  • ipad学linux
  • iPadOS16有什么新功能
  • ipad linux
  • 深入解析:蓝色星球如何打造能与企业共同进化的灵活系统
  • 第七讲上自监督学习self-supervised learning-BERT
  • 内网渗透过程的多种代理搭建方法