librosa語音訊號處理

  • 2019 年 10 月 3 日
  • 筆記

　　librosa是一個非常強大的python語音訊號處理的第三方庫，本文參考的是librosa的官方文檔，本文主要總結了一些重要，對我來說非常常用的功能。學會librosa後再也不用用python去實現那些複雜的演算法了，只需要一句語句就能輕鬆實現。

先總結一下本文中常用的專業名詞：sr：取樣率、hop_length：幀移、overlapping：連續幀之間的重疊部分、n_fft：窗口大小、spectrum：頻譜、spectrogram：頻譜圖或叫做語譜圖、amplitude：振幅、mono：單聲道、stereo：立體聲

讀取音頻

librosa.load(path, sr=22050, mono=True, offset=0.0, duration=None)

讀取音頻文件。默認取樣率是22050，如果要保留音頻的原始取樣率，使用sr = None。

參數：

  • path ：音頻文件的路徑。
  • sr ：取樣率，如果為“None”使用音頻自身的取樣率
  • mono ：bool，是否將訊號轉換為單聲道
  • offset ：float，在此時間之後開始閱讀（以秒為單位）
  • 持續時間：float，僅載入這麼多的音頻（以秒為單位）

返回：

  • y ：音頻時間序列
  • sr ：音頻的取樣率

重取樣

librosa.resample(y, orig_sr, target_sr, fix=True, scale=False) 

重新取樣從orig_sr到target_sr的時間序列

參數：

  • y ：音頻時間序列。可以是單聲道或立體聲。
  • orig_sr ：y的原始取樣率
  • target_sr ：目標取樣率
  • fix：bool，調整重取樣訊號的長度，使其大小恰好為 $frac{len(y)}{orig_sr}*target_sr =t*target_sr$
  • scale：bool，縮放重新取樣的訊號，以使y和y_hat具有大約相等的總能量。

返回：

  • y_hat ：重取樣之後的音頻數組

讀取時長

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

計算時間序列的的持續時間（以秒為單位）

參數：

  • y ：音頻時間序列
  • sr ：y的音頻取樣率
  • S ：STFT矩陣或任何STFT衍生的矩陣（例如，色譜圖或梅爾頻譜圖）。根據頻譜圖輸入計算的持續時間僅在達到幀解析度之前才是準確的。如果需要高精度，則最好直接使用音頻時間序列。
  • n_fft ：S的 FFT窗口大小
  • hop_length ：S列之間的音頻樣本數
  • center ：布爾值
    • 如果為True，則S [:, t]的中心為y [t * hop_length]
    • 如果為False，則S [:, t]從y[t * hop_length]開始
  • filename ：如果提供，則所有其他參數都將被忽略，並且持續時間是直接從音頻文件中計算得出的。

返回：

  • d ：持續時間（以秒為單位）

讀取取樣率

librosa.get_samplerate(path)

參數：

  • path ：音頻文件的路徑

返回：音頻文件的取樣率

寫音頻

librosa.output.write_wav(path, y, sr, norm=False)

將時間序列輸出為.wav文件

參數：

  • 路徑：保存輸出wav文件的路徑
  • y ：音頻時間序列。
  • sr ：y的取樣率
  • norm：bool，是否啟用幅度歸一化。將數據縮放到[-1，+1]範圍。

過零率

計算音頻時間序列的過零率。

librosa.feature.zero_crossing_rate(y, frame_length = 2048, hop_length = 512, center = True) 

參數：

  • y ：音頻時間序列
  • frame_length ：幀長
  • hop_length ：幀移
  • center：bool，如果為True，則通過填充y的邊緣來使幀居中。

返回：

  • zcr：zcr[0，i]是第i幀中的過零率
y, sr = librosa.load(librosa.util.example_audio_file())  print(librosa.feature.zero_crossing_rate(y))  # array([[ 0.134,  0.139, ...,  0.387,  0.322]])

波形圖

librosa.display.waveplot(y, sr=22050, x_axis='time', offset=0.0, ax=None)

繪製波形的幅度包絡線

參數：

  • y ：音頻時間序列
  • sr ：y的取樣率
  • x_axis ：str {‘time’，’off’，’none’}或None，如果為“時間”，則在x軸上給定時間刻度線。
  • offset：水平偏移（以秒為單位）開始波形圖
import librosa.display  import matplotlib.pyplot as plt    y, sr = librosa.load(librosa.util.example_audio_file(), duration=10)  librosa.display.waveplot(y, sr=sr)  plt.show()

短時傅里葉變換

librosa.stft(y, n_fft=2048, hop_length=None, win_length=None, window='hann', center=True, pad_mode='reflect')

短時傅立葉變換（STFT），返回一個複數矩陣使得D(f,t)

  • 複數的實部：np.abs(D(f,t))頻率的振幅
  • 複數的虛部：np.angle(D(f,t))頻率的相位

參數：

  • y：音頻時間序列
  • n_fft：FFT窗口大小，n_fft=hop_length+overlapping
  • hop_length：幀移，如果未指定，則默認win_length / 4。
  • win_length：每一幀音頻都由window（）加窗。窗長win_length，然後用零填充以匹配N_FFT。默認win_length=n_fft。
  • window：字元串，元組，數字，函數 shape =（n_fft, )
    • 窗口（字元串，元組或數字）；
    • 窗函數，例如scipy.signal.hanning
    • 長度為n_fft的向量或數組
  • center：bool
    • 如果為True，則填充訊號y，以使幀 D [:, t]以y [t * hop_length]為中心。
    • 如果為False，則D [:, t]從y [t * hop_length]開始
  • dtype：D的複數值類型。默認值為64-bit complex複數
  • pad_mode：如果center = True，則在訊號的邊緣使用填充模式。默認情況下，STFT使用reflection padding。

返回：

  • STFT矩陣，shape =（1 + $frac{n_{fft} }{2}$，t）

短時傅里葉逆變換

librosa.istft(stft_matrix, hop_length=None, win_length=None, window='hann', center=True, length=None)

短時傅立葉逆變換（ISTFT），將複數值D(f,t)頻譜矩陣轉換為時間序列y，窗函數、幀移等參數應與stft相同

參數：

  • stft_matrix ：經過STFT之後的矩陣
  • hop_length ：幀移，默認為$frac{win_{length}}{4}$
  • win_length ：窗長，默認為n_fft
  • window：字元串，元組，數字，函數或shape = (n_fft, )
    • 窗口（字元串，元組或數字）
    • 窗函數，例如scipy.signal.hanning
    • 長度為n_fft的向量或數組
  • center：bool
    • 如果為True，則假定D具有居中的幀
    • 如果False，則假定D具有左對齊的幀
  • length：如果提供，則輸出y為零填充或剪裁為精確長度音頻

返回：

  • y ：時域訊號

幅度轉dB

librosa.amplitude_to_db(S, ref=1.0)

將幅度頻譜轉換為dB標度頻譜。也就是對S取對數。與這個函數相反的是librosa.db_to_amplitude(S)

參數：

  • S ：輸入幅度
  • ref ：參考值，振幅abs（S）相對於ref進行縮放，$20*log_{10}(frac{S}{ref})$

返回：

  • dB為單位的S

功率轉dB

librosa.core.power_to_db(S, ref=1.0)

將功率譜（幅度平方）轉換為分貝（dB）單位，與這個函數相反的是librosa.db_to_power(S)

參數：

  • S：輸入功率
  • ref ：參考值，振幅abs(S)相對於ref進行縮放，$10*log_{10}(frac{S}{ref})$

返回：

  • dB為單位的S
import librosa.display  import numpy as np  import matplotlib.pyplot as plt    y, sr = librosa.load(librosa.util.example_audio_file())  S = np.abs(librosa.stft(y))  print(librosa.power_to_db(S ** 2))  # array([[-33.293, -27.32 , ..., -33.293, -33.293],  #        [-33.293, -25.723, ..., -33.293, -33.293],  #        ...,  #        [-33.293, -33.293, ..., -33.293, -33.293],  #        [-33.293, -33.293, ..., -33.293, -33.293]], dtype=float32)    plt.figure()  plt.subplot(2, 1, 1)  librosa.display.specshow(S ** 2, sr=sr, y_axis='log')  # 從波形獲取功率譜圖  plt.colorbar()  plt.title('Power spectrogram')  plt.subplot(2, 1, 2)  # 相對於峰值功率計算dB, 那麼其他的dB都是負的，注意看後邊cmp值  librosa.display.specshow(librosa.power_to_db(S ** 2, ref=np.max),                           sr=sr, y_axis='log', x_axis='time')  plt.colorbar(format='%+2.0f dB')  plt.title('Log-Power spectrogram')  plt.set_cmap("autumn")  plt.tight_layout()  plt.show()

功率譜和dB功率譜

頻譜圖

librosa.display.specshow(data,  x_axis=None, y_axis=None, sr=22050, hop_length=512)

參數：

  • data：要顯示的矩陣
  • sr ：取樣率
  • hop_length ：幀移
  • x_axis 、y_axis ：x和y軸的範圍
  • 頻率類型
    • ‘linear’，’fft’，’hz’：頻率範圍由FFT窗口和取樣率確定
    • ‘log’：頻譜以對數刻度顯示
    • ‘mel’：頻率由mel標度決定
  • 時間類型
    • time：標記以毫秒，秒，分鐘或小時顯示。值以秒為單位繪製。
    • s：標記顯示為秒。
    • ms：標記以毫秒為單位顯示。
  • 所有頻率類型均以Hz為單位繪製
import librosa.display  import numpy as np  import matplotlib.pyplot as plt    y, sr = librosa.load(librosa.util.example_audio_file())  plt.figure()    D = librosa.amplitude_to_db(np.abs(librosa.stft(y)), ref=np.max)  plt.subplot(2, 1, 1)  librosa.display.specshow(D, y_axis='linear')  plt.colorbar(format='%+2.0f dB')  plt.title('線性頻率功率譜')    plt.subplot(2, 1, 2)  librosa.display.specshow(D, y_axis='log')  plt.colorbar(format='%+2.0f dB')  plt.title('對數頻率功率譜')  plt.show()

Mel濾波器組

librosa.filters.mel(sr, n_fft, n_mels=128, fmin=0.0, fmax=None, htk=False, norm=1)

創建一個濾波器組矩陣以將FFT合併成Mel頻率

參數：

  • sr ：輸入訊號的取樣率
  • n_fft ：FFT組件數
  • n_mels ：產生的梅爾帶數
  • fmin ：最低頻率（Hz）
  • fmax：最高頻率（以Hz為單位）。如果為None，則使用fmax = sr / 2.0
  • norm：{None，1，np.inf} [標量]
    • 如果為1，則將三角mel權重除以mel帶的寬度（區域歸一化）。否則，保留所有三角形的峰值為1.0

返回：Mel變換矩陣

melfb = librosa.filters.mel(22050, 2048)  # array([[ 0.   ,  0.016, ...,  0.   ,  0.   ],  #        [ 0.   ,  0.   , ...,  0.   ,  0.   ],  #        ...,  #        [ 0.   ,  0.   , ...,  0.   ,  0.   ],  #        [ 0.   ,  0.   , ...,  0.   ,  0.   ]])  import matplotlib.pyplot as plt  plt.figure()  librosa.display.specshow(melfb, x_axis='linear')  plt.ylabel('Mel filter')  plt.title('Mel filter bank')  plt.colorbar()  plt.tight_layout()  plt.show()

計算Mel scaled 頻譜

librosa.feature.melspectrogram(y=None, sr=22050, S=None, n_fft=2048, hop_length=512, win_length=None, window='hann',  center=True, pad_mode='reflect', power=2.0)

計算Mel scaled 頻譜，

如果提供了頻譜圖輸入S，則通過mel_f.dot（S）將其直接映射到mel_f上。

如果提供了時間序列輸入y，sr，則首先計算其幅值頻譜S，然後通過mel_f.dot（S ** power）將其映射到mel scale上 。默認情況下，power= 2在功率譜上運行。

參數：

  • y ：音頻時間序列
  • sr ：取樣率
  • S ：頻譜
  • n_fft ：FFT窗口的長度
  • hop_length ：幀移
  • win_length ：窗口的長度為win_length，默認win_length = n_fft
  • window ：字元串，元組，數字，函數或shape =（n_fft, )
    • 窗口規範（字元串，元組或數字）；看到scipy.signal.get_window
    • 窗口函數，例如 scipy.signal.hanning
    • 長度為n_fft的向量或數組
  • center：bool
    • 如果為True，則填充訊號y，以使幀 t以y [t * hop_length]為中心。
    • 如果為False，則幀t從y [t * hop_length]開始
  • power：幅度譜的指數。例如1代表能量，2代表功率，等等
  • n_mels：濾波器組的個數 1288
  • fmax：最高頻率

返回：Mel頻譜shape=(n_mels, t)

import librosa.display  import numpy as np  import matplotlib.pyplot as plt    y, sr = librosa.load(librosa.util.example_audio_file())  # 方法一：使用時間序列求Mel頻譜  print(librosa.feature.melspectrogram(y=y, sr=sr))  # array([[  2.891e-07,   2.548e-03, ...,   8.116e-09,   5.633e-09],  #        [  1.986e-07,   1.162e-02, ...,   9.332e-08,   6.716e-09],  #        ...,  #        [  3.668e-09,   2.029e-08, ...,   3.208e-09,   2.864e-09],  #        [  2.561e-10,   2.096e-09, ...,   7.543e-10,   6.101e-10]])    # 方法二：使用stft頻譜求Mel頻譜  D = np.abs(librosa.stft(y)) ** 2  # stft頻譜  S = librosa.feature.melspectrogram(S=D)  # 使用stft頻譜求Mel頻譜    plt.figure(figsize=(10, 4))  librosa.display.specshow(librosa.power_to_db(S, ref=np.max),                           y_axis='mel', fmax=8000, x_axis='time')  plt.colorbar(format='%+2.0f dB')  plt.title('Mel spectrogram')  plt.tight_layout()  plt.show()

提取Log-Mel Spectrogram 特徵

　　Log-Mel Spectrogram特徵是目前在語音識別和環境聲音識別中很常用的一個特徵，由於CNN在處理影像上展現了強大的能力，使得音頻訊號的頻譜圖特徵的使用愈加廣泛，甚至比MFCC使用的更多。在librosa中，Log-Mel Spectrogram特徵的提取只需幾行程式碼：

import librosa    y, sr = librosa.load('./train_nb.wav', sr=16000)  # 提取 mel spectrogram feature  melspec = librosa.feature.melspectrogram(y, sr, n_fft=1024, hop_length=512, n_mels=128)  logmelspec = librosa.amplitude_to_db(melspec)        # 轉換到對數刻度    print(logmelspec.shape)        # (128, 65)

　　可見，Log-Mel Spectrogram特徵是二維數組的形式，128表示Mel頻率的維度（頻域），64為時間幀長度（時域），所以Log-Mel Spectrogram特徵是音頻訊號的時頻表示特徵。其中，n_fft指的是窗的大小，這裡為1024；hop_length表示相鄰窗之間的距離，這裡為512，也就是相鄰窗之間有50%的overlap；n_mels為mel bands的數量，這裡設為128。

提取MFCC係數

　　MFCC特徵是一種在自動語音識別和說話人識別中廣泛使用的特徵。關於MFCC特徵的詳細資訊，有興趣的可以參考部落格http:// blog.csdn.net/zzc15806/article/details/79246716。在librosa中，提取MFCC特徵只需要一個函數：

librosa.feature.mfcc(y=None, sr=22050, S=None, n_mfcc=20, dct_type=2, norm='ortho', **kwargs)

參數：

  • y：音頻數據
  • sr：取樣率
  • S：np.ndarray，對數功能梅爾譜圖
  • n_mfcc：int>0，要返回的MFCC數量
  • dct_type：None, or {1, 2, 3}  離散餘弦變換（DCT）類型。默認情況下，使用DCT類型2。
  • norm： None or ‘ortho’ 規範。如果dct_type為2或3，則設置norm =’ortho’使用正交DCT基礎。 標準化不支援dct_type = 1。

返回：

M： MFCC序列

import librosa    y, sr = librosa.load('./train_nb.wav', sr=16000)  # 提取 MFCC feature  mfccs = librosa.feature.mfcc(y=y, sr=sr, n_mfcc=40)    print(mfccs.shape)        # (40, 65)

 

VirMach 便宜 VPS

QNews

QNews