pydub 歌曲,提取副歌,音乐歌曲切片,渐进渐出,音量,歌曲歌谱

简介: pydub 歌曲,提取副歌,音乐歌曲切片,渐进渐出,音量,歌曲歌谱
#一提起副歌,传参数,为歌曲路径,副歌输出路径,多长时间的副歌
#副歌支持flac wav 不支持mp3  mp4 wma
# from pychorus import find_and_output_chorus
# chorus_start_sec = find_and_output_chorus("F://那女孩对我说.mp3", "F://a.wav", 40)
# print(chorus_start_sec)


#二 截取歌曲任意片段
# 需要 ffmpeg/bin/三个exe文件
#以毫秒为单位
# 把歌曲直接看成数组,来切片就行
# from pydub import AudioSegment
# song = AudioSegment.from_mp3("F://那女孩对我说.mp3")
# song[33*1000:44*1000].export('F://end_of_time_slice.mp3')


# #三 控制音量  音量变大,音量变小
# # 音量变大最好别用  声音容易失真
# from pydub import AudioSegment
# # 1秒=1000毫秒
# SECOND = 1000
# # 导入音乐
# song = AudioSegment.from_mp3("F://那女孩对我说.mp3")
# # 取33秒到70秒间的片段
# song = song[0*SECOND:10*SECOND]
# # 入场部分提高6分贝, 退场部分减少5分贝
# ten_seconds = 5 * SECOND
# last_five_seconds = -5 * SECOND
# beginning = song[:ten_seconds] + 20
# ending = song[last_five_seconds:] - 30
# # 形成新片段
# new_song = beginning + song[ten_seconds:last_five_seconds] + ending
# # 导出音乐
# new_song.export('F://end_of_time_slice.mp3')

# 四重复片段 数组拼接
# from pydub import AudioSegment
# song = AudioSegment.from_mp3("F://那女孩对我说.mp3")
# newsong = (song[0*1000:5*1000])*2
# newsong.export('F://end_of_time_slice.mp3')

# 五音乐渐进渐出 参数就是几秒钟渐进  几秒钟渐出
# from pydub import AudioSegment
# # 导入音乐
# song = AudioSegment.from_mp3("F://那女孩对我说.mp3")
# # 提取片段
# song = song[0*1000:10*1000]
# # 渐进渐出
# awesome = song.fade_in(5000).fade_out(5000)
# # 导出音乐
# awesome.export('F://end_of_time_fade.mp3')

# 六音乐反转
# from pydub import AudioSegment
# # 导入音乐
# song = AudioSegment.from_mp3("F://那女孩对我说.mp3")[0*1000:100*1000]
# # 翻转音乐
# backwards = song.reverse()
# # 导出音乐
# backwards.export("F://end_of_time_reverse.mp3")

# 七画图谱
# 版本一
# import matplotlib.pyplot as plt
# import librosa.display
# # 音乐文件载入
# audio_path = 'F://那女孩对我说.mp3'
# music, sr = librosa.load(audio_path)
# # 宽高比为14:5的图
# plt.figure(figsize=(14, 5))
# librosa.display.waveplot(music, sr=sr)
# # 显示图
# plt.show()

# 版本二
#import matplotlib.pyplot as plt
#import librosa.display
#import numpy as np
#from pydub import AudioSegment
#
## 1秒=1000毫秒
#SECOND = 1000
## 音乐文件
#AUDIO_PATH = 'F://那女孩对我说.mp3'
#
#def split_music(begin, end, filepath):
#    # 导入音乐
#    song = AudioSegment.from_mp3(filepath)
#    # 取begin秒到end秒间的片段
#    song = song[begin * SECOND: end * SECOND]
#    # 存储为临时文件做备份
#    temp_path = "F://临时.mp3"
#    song.export(temp_path)
#    return temp_path
#
#music, sr = librosa.load(split_music(0, 1, AUDIO_PATH))
#
## 宽高比为14:5的图
#plt.figure(figsize=(14, 5))
#librosa.display.waveplot(music, sr=sr)
#plt.show()
#
## 放大
#n0 = 9900
#n1 = 10000
#music = np.array([mic for mic in music if mic > 0])
#plt.figure(figsize=(14, 5))
#plt.plot(music[n0:n1])
#plt.grid()
## 显示图
#plt.show()
相关文章
|
前端开发 开发者 容器
|
数据可视化 关系型数据库 MySQL
【可视化大屏】全流程讲解用python的pyecharts库实现拖拽可视化大屏的背后原理,简单粗暴!
本文详解基于Python的电影TOP250数据可视化大屏开发全流程,涵盖爬虫、数据存储、分析及可视化。使用requests+BeautifulSoup爬取数据,pandas存入MySQL,pyecharts实现柱状图、饼图、词云图、散点图等多种图表,并通过Page组件拖拽布局组合成大屏,支持多种主题切换,附完整源码与视频讲解。
1149 4
【可视化大屏】全流程讲解用python的pyecharts库实现拖拽可视化大屏的背后原理,简单粗暴!
|
机器学习/深度学习 存储 编解码
如何提取歌曲副歌(高潮)
### 摘要 副歌就是我们日常说的高潮。 副歌分析属于MIR领域的一个小分支,MIR(Music information retrieval)是从音乐中检索信息的跨学科科学,该领域需要数学、乐理、信号处理、机器学习、概率、算法等学科的背景知识。 ### 业界类似方案 - 1:根据能量值、音高区间差异定位 - 2:根据动态歌词定位 - 3:谱聚类&能量值 第一种方式太简单暴
如何提取歌曲副歌(高潮)
|
JavaScript 安全 前端开发
如何开发人事及OA管理系统的薪酬管理板块?(附架构图+流程图+代码参考)
本文介绍了如何构建一个高效、合规的企业薪酬管理系统,涵盖薪酬模块的重要性、核心功能、系统架构设计、数据模型、开发实现及安全合规要点。内容包括薪酬配置、数据导入、自动化计算、审批发放、工资条生成与安全分发、报表看板、权限审计等关键环节,并提供详细的业务流程、架构图、核心代码示例及落地开发技巧。适用于HR、财务及技术人员快速搭建薪酬管理系统,提升发薪效率,降低人工错误与合规风险。
|
数据采集 人工智能 搜索推荐
SocraticLM:通过 AI 提问引导学生主动思考,中科大与科大讯飞联合推出苏格拉底式教育大模型
SocraticLM 是由中科大和科大讯飞联合开发的苏格拉底式教学大模型,通过提问引导学生主动思考,提供个性化教学,显著提升教学效果。
1691 9
SocraticLM:通过 AI 提问引导学生主动思考,中科大与科大讯飞联合推出苏格拉底式教育大模型
|
人工智能 自然语言处理 前端开发
三大行业案例:AI大模型+Agent实践全景
本文将从AI Agent和大模型的发展背景切入,结合51Talk、哈啰出行以及B站三个各具特色的行业案例,带你一窥事件驱动架构、RAG技术、人机协作流程,以及一整套行之有效的实操方法。具体包含内容有:51Talk如何让智能客服“主动进攻”,带来约课率、出席率双提升;哈啰出行如何由Copilot模式升级为Agent模式,并应用到客服、营销策略生成等多个业务场景;B站又是如何借力大模型与RAG方法,引爆了平台的高效内容检索和强互动用户体验。
4683 5
|
存储 机器学习/深度学习 数据采集
深入解析大数据核心概念:数据平台、数据中台、数据湖与数据仓库的异同与应用
深入解析大数据核心概念:数据平台、数据中台、数据湖与数据仓库的异同与应用
分享一些在 1688 上找一件代发商品的技巧
在1688上找一件代发商品需明确自身需求与定位,筛选可靠供应商,研究商品信息,利用精准搜索和平台推荐,关注活动,并与供应商充分沟通,确保合作顺畅。
|
机器学习/深度学习 并行计算 算法
粒子群优化算法详细讲解(附完整代码实现一元二次方程求解)
粒子群优化算法详细讲解(附完整代码实现一元二次方程求解)
|
机器学习/深度学习 TensorFlow 算法框架/工具
使用Python实现深度学习模型:跨平台模型移植与部署
【7月更文挑战第10天】 使用Python实现深度学习模型:跨平台模型移植与部署
1134 1