librosa音频处理教程

简介: librosa音频处理教程

Librosa简介


Librosa是一个 Python 模块,用于分析一般的音频信号,是一个非常强大的python语音信号处理的第三方库,根据网络资料以及官方教程,本文主要总结了一些重要且常用的功能。


# 安装
!pip install librosa


Looking in indexes: https://pypi.tuna.tsinghua.edu.cn/simple
Requirement already satisfied: librosa in f:\programdata\anaconda3\envs\tf\lib\site-packages (0.8.1)
Requirement already satisfied: scikit-learn!=0.19.0,>=0.14.0 in f:\programdata\anaconda3\envs\tf\lib\site-packages (from librosa) (0.24.2)
Requirement already satisfied: joblib>=0.14 in f:\programdata\anaconda3\envs\tf\lib\site-packages (from librosa) (1.1.0)
Requirement already satisfied: packaging>=20.0 in f:\programdata\anaconda3\envs\tf\lib\site-packages (from librosa) (21.3)
Requirement already satisfied: numpy>=1.15.0 in f:\programdata\anaconda3\envs\tf\lib\site-packages (from librosa) (1.19.5)
Requirement already satisfied: pooch>=1.0 in f:\programdata\anaconda3\envs\tf\lib\site-packages (from librosa) (1.5.2)
Requirement already satisfied: decorator>=3.0.0 in f:\programdata\anaconda3\envs\tf\lib\site-packages (from librosa) (4.4.2)
Requirement already satisfied: audioread>=2.0.0 in f:\programdata\anaconda3\envs\tf\lib\site-packages (from librosa) (2.1.9)
Requirement already satisfied: resampy>=0.2.2 in f:\programdata\anaconda3\envs\tf\lib\site-packages (from librosa) (0.2.2)
Requirement already satisfied: scipy>=1.0.0 in f:\programdata\anaconda3\envs\tf\lib\site-packages (from librosa) (1.5.4)
Requirement already satisfied: soundfile>=0.10.2 in f:\programdata\anaconda3\envs\tf\lib\site-packages (from librosa) (0.10.3.post1)
Requirement already satisfied: numba>=0.43.0 in f:\programdata\anaconda3\envs\tf\lib\site-packages (from librosa) (0.53.1)
Requirement already satisfied: setuptools in f:\programdata\anaconda3\envs\tf\lib\site-packages (from numba>=0.43.0->librosa) (58.0.4)
Requirement already satisfied: llvmlite<0.37,>=0.36.0rc1 in f:\programdata\anaconda3\envs\tf\lib\site-packages (from numba>=0.43.0->librosa) (0.36.0)
Requirement already satisfied: pyparsing!=3.0.5,>=2.0.2 in f:\programdata\anaconda3\envs\tf\lib\site-packages (from packaging>=20.0->librosa) (3.0.6)
Requirement already satisfied: appdirs in f:\programdata\anaconda3\envs\tf\lib\site-packages (from pooch>=1.0->librosa) (1.4.4)
Requirement already satisfied: requests in f:\programdata\anaconda3\envs\tf\lib\site-packages (from pooch>=1.0->librosa) (2.26.0)
Requirement already satisfied: six>=1.3 in f:\programdata\anaconda3\envs\tf\lib\site-packages (from resampy>=0.2.2->librosa) (1.15.0)
Requirement already satisfied: threadpoolctl>=2.0.0 in f:\programdata\anaconda3\envs\tf\lib\site-packages (from scikit-learn!=0.19.0,>=0.14.0->librosa) (3.0.0)
Requirement already satisfied: cffi>=1.0 in f:\programdata\anaconda3\envs\tf\lib\site-packages (from soundfile>=0.10.2->librosa) (1.15.0)
Requirement already satisfied: pycparser in f:\programdata\anaconda3\envs\tf\lib\site-packages (from cffi>=1.0->soundfile>=0.10.2->librosa) (2.21)
Requirement already satisfied: certifi>=2017.4.17 in f:\programdata\anaconda3\envs\tf\lib\site-packages (from requests->pooch>=1.0->librosa) (2021.5.30)
Requirement already satisfied: charset-normalizer~=2.0.0 in f:\programdata\anaconda3\envs\tf\lib\site-packages (from requests->pooch>=1.0->librosa) (2.0.7)
Requirement already satisfied: idna<4,>=2.5 in f:\programdata\anaconda3\envs\tf\lib\site-packages (from requests->pooch>=1.0->librosa) (3.3)
Requirement already satisfied: urllib3<1.27,>=1.21.1 in f:\programdata\anaconda3\envs\tf\lib\site-packages (from requests->pooch>=1.0->librosa) (1.26.7)


import numpy as np 
import pandas as pd 
import os
import IPython.display as ipd


加载音频文件


import librosa
audio_data = 'data/Data_MGTV/angry/audio_1027.wav'
x , sr = librosa.load(audio_data)
print(x.shape, sr)


(45159,) 22050


x


array([-0.11979394, -0.10811259, -0.04991762, ...,  0.00769441,
        0.00752225,  0.        ], dtype=float32)


print('x:', x, '\n')
print('x shape:', np.shape(x), '\n')
print('Sample Rate (KHz):', sr, '\n')
print('Check Len of Audio:', np.shape(x)[0]/sr)


x: [-0.11979394 -0.10811259 -0.04991762 ...  0.00769441  0.00752225
  0.        ] 
x shape: (45159,) 
Sample Rate (KHz): 22050 
Check Len of Audio: 2.048027210884354


读取时长


d = librosa.get_duration(y=x, sr=22050, S=None, n_fft=2048, hop_length=512, center=True, filename=None)
d


2.048027210884354


采样率


sr = librosa.get_samplerate(audio_data)
sr


16000


去除两端沉默


audio_file, _ = librosa.effects.trim(x)
print('Audio File:', audio_file, '\n')
print('Audio File shape:', np.shape(audio_file))


Audio File: [-0.11979394 -0.10811259 -0.04991762 ...  0.00769441  0.00752225
  0.        ] 
Audio File shape: (45159,)


播放音频


IPython.display.Audio 可以让我们直接在 jupyter notebook 中播放音频,比如下面包房一段音频


ipd.Audio(audio_data)

波形图


在这里,我们绘制了一个简单的音频波形图。 波图让我们知道给定时间的音频响度。


%matplotlib inline


import sklearn
import matplotlib.pyplot as plt
import librosa.display
plt.figure(figsize=(20, 5))
librosa.display.waveplot(y, sr=sr)
plt.show()


78.png


Spectogram


频谱图(Spectogram)是声音频率随时间变化的频谱的可视化表示,是给定音频信号的频率随时间变化的表示。'.stft' 将数据转换为短期傅里叶变换。 STFT转换信号,以便我们可以知道给定时间给定频率的幅度。 使用 STFT,我们可以确定音频信号在给定时间播放的各种频率的幅度。


Spectrogram特征是目前在语音识别和环境声音识别中很常用的一个特征,由于CNN在处理图像上展现了强大的能力,使得音频信号的频谱图特征的使用愈加广泛,甚至比MFCC使用的更多。


X = librosa.stft(x)
Xdb = librosa.amplitude_to_db(abs(X))
plt.figure(figsize=(20, 5))
librosa.display.specshow(Xdb, sr=sr, x_axis='time', y_axis='hz')
plt.colorbar()
plt.show()


79.png


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


<matplotlib.colorbar.Colorbar at 0x24f53d3e6d8>


80.png


梅尔频率倒谱系数(MFCC)


信号的梅尔频率倒谱系数 (MFCC) 是一小组特征(通常约为 10-20),它们简明地描述了频谱包络的整体形状。在 MIR 中,它经常被用来描述音色。


#mcc
mfccs = librosa.feature.mfcc(y=x, sr=sr)


mfccs


array([[-1.47507828e+02, -1.39587173e+02, -1.63085953e+02, ...,
        -3.51147095e+02, -3.62041565e+02, -3.64722260e+02],
       [ 1.39314545e+02,  1.28688156e+02,  1.26540642e+02, ...,
         1.31368317e+02,  1.23287079e+02,  1.06071014e+02],
       [-5.88899651e+01, -7.76861572e+01, -8.52756119e+01, ...,
        -3.08440018e+01, -3.50476532e+01, -3.22384949e+01],
       ...,
       [ 1.24901953e+01,  2.48859482e+01,  3.59340363e+01, ...,
        -3.30873656e+00, -5.68462515e+00, -5.88594961e+00],
       [-6.10755301e+00, -8.72181129e+00, -3.69202137e+00, ...,
        -2.46745777e+00, -7.76338100e+00, -8.60360718e+00],
       [-1.22752495e+01, -8.53678513e+00, -2.76085877e+00, ...,
         6.47896719e+00,  9.00872326e+00, -3.04730564e-01]], dtype=float32)


mfccs.shape


(20, 89)


在这个例子中,mfcc 在 89 帧中计算了 20 个 MFCC。

第一个 MFCC,第 0 个系数,不传达与频谱整体形状相关的信息。 它只传达一个恒定的偏移量,即向整个频谱添加一个恒定值。 因此,很多情况我们可以在进行分类时会丢弃第一个MFCC。


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


<matplotlib.collections.QuadMesh at 0x24f53d58a20>


81.png

过零率


过零率(zero-crossing rate,ZCR)是指一个信号的符号变化的比率,例如信号从正数变成负数,或反过来。这个特征已在语音识别和音乐信息检索领域得到广泛使用,是分类敲击声的关键特征。为真时为1,否则为0。在一些应用场景下,只统计“正向”或“负向”的变化,而不是所有的方向。


n0 = 7000
n1 = 7025
plt.figure(figsize=(14, 5))
plt.plot(x[n0:n1])
plt.show()


82.png


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


zero_crossings.shape


(25,)


zero_crossings.sum()


2


可以使用整个音频来遍历这个并推断出整个数据的过零。


zcrs = librosa.feature.zero_crossing_rate(x)
print(zcrs.shape)


(1, 89)


plt.figure(figsize=(14, 5))
plt.plot(zcrs[0])


[<matplotlib.lines.Line2D at 0x24f4cd88eb8>]


83.png


频谱质心: Spectral Centroid


频谱质心(维基百科)表示频谱能量集中在哪个频率上。这就像一个加权平均值:

其中 S(k) 是频段 k 处的频谱幅度,f(k) 是频段 k 处的频率。


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


(89,)


frames = range(len(spectral_centroids))
t = librosa.frames_to_time(frames)


import sklearn
def normalize(x, axis=0):
    return sklearn.preprocessing.minmax_scale(x, axis=axis)


librosa.display.waveplot(x, sr=sr, alpha=0.4)
plt.plot(t, normalize(spectral_centroids), color='r')


[<matplotlib.lines.Line2D at 0x24f505d4320>]


84.png


频谱带宽:Spectral Bandwidth


librosa.feature.spectral_bandwidth 可以用来计算p-order频谱带宽:

其中 S(k) 是频段 k 处的频谱幅度,f(k) 是频段 k 处的频率,fc 是频谱质心。当 p=2 时,这就像一个加权标准差。


spectral_bandwidth_2 = librosa.feature.spectral_bandwidth(x+0.01, sr=sr)[0]
spectral_bandwidth_3 = librosa.feature.spectral_bandwidth(x+0.01, sr=sr, p=3)[0]
spectral_bandwidth_4 = librosa.feature.spectral_bandwidth(x+0.01, sr=sr, p=4)[0]
librosa.display.waveplot(x, sr=sr, alpha=0.4)
plt.plot(t, normalize(spectral_bandwidth_2), color='r')
plt.plot(t, normalize(spectral_bandwidth_3), color='g')
plt.plot(t, normalize(spectral_bandwidth_4), color='y')
plt.legend(('p = 2', 'p = 3', 'p = 4'))


<matplotlib.legend.Legend at 0x24f50c08470>


85.png


频谱滚降



频谱衰减是总频谱能量的特定百分比所在的频率。


spectral_rolloff = librosa.feature.spectral_rolloff(x+0.01, sr=sr)[0]
librosa.display.waveplot(x, sr=sr, alpha=0.4)
plt.plot(t, normalize(spectral_rolloff), color='r')


[<matplotlib.lines.Line2D at 0x24f4cc06e10>]


86.png


色度特征:Chroma Feature


色度向量 (Wikipedia) 是一个典型的 12 元素特征向量,指示每个音高类别{C, C#, D, D#, E, ..., B} 的能量是多少存在于信号中。


chromagram = librosa.feature.chroma_stft(x, sr=sr, hop_length=512)
plt.figure(figsize=(15, 5))
librosa.display.specshow(chromagram, x_axis='time', y_axis='chroma', hop_length=512, cmap='coolwarm')


<matplotlib.collections.QuadMesh at 0x24f4cc9db70>


87.png


间距和幅度


音高是声音的感知属性,在与频率相关的尺度上排序,或者更常见的是,音高是可以判断声音在与音乐旋律相关的意义上“更高”和“更低”的质量。


pitches, magnitudes = librosa.piptrack(y=x, sr=sr)
print(pitches)


[[0. 0. 0. ... 0. 0. 0.]
 [0. 0. 0. ... 0. 0. 0.]
 [0. 0. 0. ... 0. 0. 0.]
 ...
 [0. 0. 0. ... 0. 0. 0.]
 [0. 0. 0. ... 0. 0. 0.]
 [0. 0. 0. ... 0. 0. 0.]]


参考资料



相关文章
|
机器学习/深度学习 编解码 语音技术
音频基础知识 2
音频基础知识
306 0
|
6月前
|
算法 关系型数据库 计算机视觉
NumPy 秘籍中文第二版:五、音频和图像处理
NumPy 秘籍中文第二版:五、音频和图像处理
127 0
|
11月前
|
图形学
Unity音频基础概念
Unity音频基础概念
|
存储 Web App开发 编解码
音频基础知识 1
音频基础知识
167 1
|
自然语言处理 Kubernetes 前端开发
5、ChatGPT开源的whisper音频生成字幕,可本地搭建环境运行,效果质量很棒
有五种模型大小,其中四种仅支持英语,提供速度和准确性的权衡。上面便是可用模型的名称、大致的内存需求和相对速度。如果是英文版的语音,直接想转换为英文。
1454 0
|
机器学习/深度学习 人工智能 PyTorch
神工鬼斧惟肖惟妙,M1 mac系统深度学习框架Pytorch的二次元动漫动画风格迁移滤镜AnimeGANv2+Ffmpeg(图片+视频)快速实践
前段时间,业界鼎鼎有名的动漫风格转化滤镜库AnimeGAN发布了最新的v2版本,一时间街谈巷议,风头无两。提起二次元,目前国内用户基数最大的无疑是抖音客户端,其内置的一款动画转换滤镜“变身漫画”,能够让用户在直播中,把自己的实际外貌转换为二次元“画风”。对于二次元粉丝来说,“打破次元壁,变身纸片人”这种自娱自乐方式可谓屡试不爽
神工鬼斧惟肖惟妙,M1 mac系统深度学习框架Pytorch的二次元动漫动画风格迁移滤镜AnimeGANv2+Ffmpeg(图片+视频)快速实践
|
存储 编解码 算法
音频基础概念-学习笔记
音频基础概念-学习笔记
204 0
音频基础概念-学习笔记