当前位置：首页 > news >正文

音频特征工具Librosa包的使用

news 来源：原创 2025/7/15 2:54:07

深入探索Mamba模型架构与应用 - 商品搜索 - 京东

DeepSeek大模型高性能核心技术与多模态融合开发 - 商品搜索 - 京东

要使用深度学习与语音特征进行抽取，首先需要准备能够对语音特征进行解析的工具。

Librosa是一个用于音频、音乐分析与处理的Python工具包，常见的时频处理、特征提取、绘制声音图形等功能应有尽有，功能十分强大。Librosa提供了多种音频读取和写入的方法，支持多种音频格式的读取和写入，如WAV、FLAC、MP3等。Librosa提供了多种音频特征提取的方法，如MFCC、Chromagram等。此外，Librosa还提供了多种音频可视化的方法，如绘制声谱图、绘制频谱图等。

下面将使用Librosa完成音频信号的特征提取和可视化，并对其涉及的内容进行详细讲解。

15.1.1 基于Librosa的音频信号读取

音频信号是日常生活中最常见且人们接触最多的信号类型，它们以具有频率、带宽、分贝等参数的音频信号形式存在。典型的音频信号可以表示为振幅随时间变化的函数，如图15-1所示。

图15-1 音频信号的分解

而落实到具体的音频文件上来说，音频文件的格式多种多样，可以使用计算机读取和分析它们。比如：

MP3格式。
WMA（Windows媒体音频）格式。
WAV（波形音频文件）格式。

对于已经存储在计算机中的音频文件，需要使用特定的Python库进行处理。在这里，作者选择的是Librosa。这是一个Python第三方库，主要用于分析音频信号，尤其适合音乐分析。Librosa涵盖了构建音乐信息检索（Music Information Retrieval，MIR）系统的具体细节。它提供了详尽的文档记录，以及丰富的示例和教程。

1. 采用Librosa对音频进行读取

为了简化起见，在这里首先使用Librosa对音频信号进行读取，代码如下：

import librosa as lbaudio_path = "../第三章/carsound.wav"audio, sr = lb.load(audio_path)
print(len(audio),type(audio))
print(sr,type(sr))

此时的load函数直接根据音频地址对数据进行读取，这里读取出的两个参数，audio为音频序列，而sr则是音频的采样率，输出结果如下：

88200 <class 'numpy.ndarray'>
22050 <class 'int'>

第一行是音频的长度与生成的数据类型，而第二行是音频的采样率。此时，如果想更换采样率对音频信号进行采集，则可以使用如下代码：

audio, sr = lb.load(audio_path,sr=16000)

同样，可以对结果进行打印，请读者自行尝试。

对于将音频采样率修正后的复制和写入操作，读者可以使用SciPy库来完成，代码如下：

from scipy.io import wavfilewavfile.write("example.wav",sr, audio)

读者可以自行尝试。

2. 音频可视化

对于获取的音频，读者可以使用以下代码对音频进行生成：

import matplotlib.pyplot as pltimport librosa.displaylibrosa.display.waveshow(audio, sr=sr)plt.show()

这里使用waveshow函数对读取到的音频进行转换，并将结果输出。形成的图形如图15-2所示。

图15-2 音频转换结果

3. 一般频谱图（非MFCC）的可视化展示

频谱图是音频信号频谱的直观表示，前面在3.3.2节中使用短时傅里叶变换完成了一般频谱图的展示，在这里可以使用同样的函数对信号进行处理，代码如下：

audio = lb.stft(audio)                    # 短时傅里叶变换audio_db = lb.amplitude_to_db(abs(audio))  # 将幅度频谱转换为dB标度频谱。也就是对序列取对数lb.display.specshow(audio_db, sr=sr, x_axis='time', y_axis='hz')plt.colorbar()plt.show()

这里首先使用短时傅里叶变换完成了图谱转换，而amplitude_to_db的作用将幅度频谱转换为dB标度频谱。也就是对序列取对数，读者可以使用如下代码对其进行验证，这里不再过多阐述。

arr = [10000,20000]audio_db = librosa.amplitude_to_db(arr)print(audio_db)

specshow是用于展示图谱的函数，生成的音频图谱如图15-3所示（颜色越红，表示信息含量越多）。

图15-3 特定音频的频谱图（颜色越红，表示信息含量越多）

图15-3是生成的音频频谱图，横坐标是时间的延续，而纵坐标是显示频率（0~10000Hz），注意到图谱的底部信息含量比顶部多，可以对纵坐标进行变换，即对所有的数值取对数。代码如下：

lb.display.specshow(audio_db, sr=sr, x_axis='time', y_axis='log')

新的图谱如图15-4所示。

图15-4 取对数处理后的频谱图

可以明显看出，与原始频谱图相比，取对数后的频谱图对信息丰富的部分提供了更为显著的显示。

15.1.2 基于Librosa的音频多特征提取

对于音频特征较为常用的分别是MFCC（梅尔频率倒谱系数）、chroma_stft（色度频率）以及梅尔频谱图，而Librosa库也为我们提供了专门的特征提取方法。下面我们依次对这些特征及其提取方法进行详细讲解。

1. MFCC音频特征

我们首先使用Librosa完成MFCC特征的抽取，代码如下：

import librosa as lbimport matplotlib.pyplot as pltaudio , sr = lb.load("example.wav",sr=16000)melspec = lb.feature.mfcc(y=audio, sr=sr, n_mels=40)lb.display.specshow(melspec, sr=sr, x_axis='time', y_axis='log')plt.colorbar()plt.show()

生成的波形图请读者自行查看。

在生成MFCC频谱的基础上，还可以执行特征缩放，使得每个系数维度具有零均值和单位方差：

from sklearn import preprocessingmelspec = preprocessing.scale(melspec, axis=1)

请读者自行尝试使用。

2. chroma_stft音频特征

除常用的MFCC外，Librosa还提供了其他一些特征提取函数。其中，librosa.feature.chroma_stft 是Librosa库中的一个函数，用于计算音频信号的基于音高的谱图特征。该函数首先使用短时傅里叶变换（Short-Time Fourier Transform，STFT）将音频信号转换为频谱图，然后计算出每个分带中的基于音高的强度。

具体来说，librosa.feature.chroma_stft函数的输入参数包括音频时间序列和采样率，输出结果是一个二维数组，其中每一行代表一个分带，每一列代表一个时间帧，数组中的值表示该时间帧在该分带中的基于音高的强度。其实现代码如下：

import librosa as lbimport matplotlib.pyplot as pltimport numpy as npaudio , sr = lb.load("example.wav",sr=16000)stft=np.abs(lb.stft(audio))chroma = lb.feature.chroma_stft(S=stft, sr=sr)lb.display.specshow(chroma, sr=sr, x_axis='time', y_axis='log')plt.colorbar()plt.show()

请读者自行打印图谱图形。

顺便讲一下，chroma_stft和MFCC都是音频处理中常用的特征提取方法。其中，MFCC是一种基于梅尔倒谱系数的特征，用于描述音频信号的频谱特性；而chroma_stft则是基于音高的谱图特征，用于描述音频信号的时域特性。

3. 梅尔频谱图

librosa.feature.melspectrogram是Librosa库中的一个函数，用于计算音频信号的梅尔频谱图。该函数的输入参数包括音频时间序列y和采样率sr，输出结果是一个二维数组，其中每一行代表一个时间帧，每一列代表一个频率，数组中的值表示该时间帧在该频率中的梅尔频谱强度。实现代码如下：

mel = lb.feature.melspectrogram(y=audio, sr=sr, n_mels=40, fmin=0, fmax=sr//2)mel = lb.power_to_db(mel)lb.display.specshow(mel, sr=sr, x_axis='time', y_axis='log')plt.colorbar()plt.show()

梅尔频谱图形请读者自行查看。

梅尔频谱图则是先将音频信号进行分帧，并对每一帧音频信号进行短时傅里叶变换，得到每个时间帧对应的频谱图。接着，对每个频谱图应用梅尔滤波器组进行变换，得到每个频率对应的梅尔功率谱密度。最后，将所有频率对应的梅尔功率谱密度合并成一个二维数组，即为梅尔频谱图。

MFCC和梅尔频谱图都是音频信号处理中常用的特征提取方法。其中，MFCC是一种基于梅尔倒谱系数的特征，用于描述音频信号的频谱特性；而梅尔频谱图则是基于梅尔滤波器组的变换，将音频信号从时域转换到频域，然后计算出每个频率对应的梅尔功率谱密度。