librosa是一个非常强大的python语音信号处理的第三方库，
先总结一下本文中常用的专业名词：sr：采样率、hop_length：帧移、overlapping：连续帧之间的重叠部分、n_fft：窗口大小、spectrum：频谱、spectrogram：频谱图或叫做语谱图、amplitude：振幅、mono：单声道、stereo：立体声
1.读取音频
librosa.load(path, sr=22050, mono=True, offset=0.0, duration=None)读取音频文件。默认采样率是22050，如果要保留音频的原始采样率，使用sr = None。
参数：
- path ：音频文件的路径。
- sr ：采样率，如果为“None”使用音频自身的采样率
- mono ：bool，是否将信号转换为单声道
- offset ：float，在此时间之后开始阅读（以秒为单位）
duration：float，仅加载这么多的音频（以秒为单位）
返回：
- y ：音频时间序列
- sr ：音频的采样率
2.重采样
librosa.resample(y, orig_sr, target_sr, fix=True, scale=False)重新采样从orig_sr到target_sr的时间序列
参数：
- y ：音频时间序列。可以是单声道或立体声。
- orig_sr ：y的原始采样率
- target_sr ：目标采样率
- fix：bool，调整重采样信号的长度，使其大小恰好为
- scale：bool，缩放重新采样的信号，以使y和y_hat具有大约相等的总能量。
返回：
- y_hat ：重采样之后的音频数组
3.读取时长
librosa.get_duration(y=None, sr=22050, S=None, n_fft=2048, hop_length=512, center=True, filename=None)计算时间序列的的持续时间（以秒为单位）
参数：
- y ：音频时间序列
- sr ：y的音频采样率
- S ：STFT矩阵或任何STFT衍生的矩阵（例如，色谱图或梅尔频谱图）。根据频谱图输入计算的持续时间仅在达到帧分辨率之前才是准确的。如果需要高精度，则最好直接使用音频时间序列。
- n_fft ：S的 FFT窗口大小
- hop_length ：S列之间的音频样本数
- center ：布尔值
- 如果为True，则S [:, t]的中心为y [t * hop_length]
- 如果为False，则S [:, t]从y[t * hop_length]开始
- filename ：如果提供，则所有其他参数都将被忽略，并且持续时间是直接从音频文件中计算得出的。
返回：
- d ：持续时间（以秒为单位）
4.读取采样率
librosa.get_samplerate(path)参数：
- path ：音频文件的路径
返回：音频文件的采样率
5.写音频
librosa.output.write_wav(path, y, sr, norm=False)将时间序列输出为.wav文件
参数：
- path：保存输出wav文件的路径
- y ：音频时间序列。
- sr ：y的采样率
- norm：bool，是否启用幅度归一化。将数据缩放到[-1，+1]范围。
6.过零率
计算音频时间序列的过零率。
librosa.feature.zero_crossing_rate(y, frame_length = 2048, hop_length = 512, center = True) 参数：
- y ：音频时间序列
- frame_length ：帧长
- hop_length ：帧移
- center：bool，如果为True，则通过填充y的边缘来使帧居中。
返回：
- zcr：zcr[0，i]是第i帧中的过零率
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]])7.波形图
librosa.display.waveplot(y, sr=22050, x_axis='time', offset=0.0, ax=None)绘制波形的幅度包络线
参数：
- y ：音频时间序列
- sr ：y的采样率
- x_axis ：str {'time'，'off'，'none'}或None，如果为“时间”，则在x轴上给定时间刻度线。
- offset：水平偏移（以秒为单位）开始波形图
8.短时傅里叶变换
librosa.stft(y, n_fft=2048, hop_length=None, win_length=None, window='hann', center=True, pad_mode='reflect')短时傅立叶变换（STFT），返回一个复数矩阵使得D(f,t)
- 复数的实部：np.abs(D(f,t))频率的振幅
- 复数的虚部：np.angle(D(f,t))频率的相位
参数：
- y：音频时间序列
- n_fft：FFT窗口大小，n_fft=hop_length+overlapping
- hop_length：帧移，如果未指定，则默认win_length / 4。
- win_length：每一帧音频都由window（）加窗。窗长win_length，然后用零填充以匹配N_FFT。默认win_length=n_fft。
- window：字符串，元组，数字，函数 shape =（n_fft, )
- 窗口（字符串，元组或数字）；
- 窗函数，例如scipy.signal.hanning
- 长度为n_fft的向量或数组
- center：bool
- 如果为True，则填充信号y，以使帧 D [:, t]以y [t * hop_length]为中心。
- 如果为False，则D [:, t]从y [t * hop_length]开始
- dtype：D的复数值类型。默认值为64-bit complex复数
- pad_mode：如果center = True，则在信号的边缘使用填充模式。默认情况下，STFT使用reflection padding。
返回：
- STFT矩阵，shape =（1+nfft/2，t）
9. 短时傅里叶逆变换
librosa.istft(stft_matrix, hop_length=None, win_length=None, window='hann', center=True, length=None)短时傅立叶逆变换（ISTFT），将复数值D(f,t)频谱矩阵转换为时间序列y，窗函数、帧移等参数应与stft相同
参数：
- stft_matrix ：经过STFT之后的矩阵
- hop_length ：帧移，默认为winlength/4
- win_length ：窗长，默认为n_fft
- window：字符串，元组，数字，函数或shape = (n_fft, )
- 窗口（字符串，元组或数字）
- 窗函数，例如scipy.signal.hanning
- 长度为n_fft的向量或数组
- center：bool
- 如果为True，则假定D具有居中的帧
- 如果False，则假定D具有左对齐的帧
- length：如果提供，则输出y为零填充或剪裁为精确长度音频
返回：
- y ：时域信号
10. 幅度转dB
librosa.amplitude_to_db(S, ref=1.0)将幅度频谱转换为dB标度频谱。也就是对S取对数。与这个函数相反的是librosa.db_to_amplitude(S)
参数：
- S ：输入幅度
- ref ：参考值，振幅abs（S）相对于ref进行缩放，
返回：
- dB为单位的S
11. 功率转dB
librosa.core.power_to_db(S, ref=1.0)将功率谱（幅度平方）转换为分贝（dB）单位，与这个函数相反的是librosa.db_to_power(S)
参数：
- S：输入功率
- ref ：参考值，振幅abs(S)相对于ref进行缩放，
返回：
- dB为单位的S
12. 频谱图
librosa.display.specshow(data, x_axis=None, y_axis=None, sr=22050, hop_length=512)参数：
- data：要显示的矩阵
- sr ：采样率
- hop_length ：帧移
- x_axis 、y_axis ：x和y轴的范围
- 频率类型
- 'linear'，'fft'，'hz'：频率范围由FFT窗口和采样率确定
- 'log'：频谱以对数刻度显示
- 'mel'：频率由mel标度决定
- 时间类型
- time：标记以毫秒，秒，分钟或小时显示。值以秒为单位绘制。
- s：标记显示为秒。
- ms：标记以毫秒为单位显示。
- 所有频率类型均以Hz为单位绘制
13. Mel滤波器组
librosa.filters.mel(sr, n_fft, n_mels=128, fmin=0.0, fmax=None, htk=False, norm=1)创建一个滤波器组矩阵以将FFT合并成Mel频率
参数：
- sr ：输入信号的采样率
- n_fft ：FFT组件数
- n_mels ：产生的梅尔带数
- fmin ：最低频率（Hz）
- fmax：最高频率（以Hz为单位）。如果为None，则使用fmax = sr / 2.0
- norm：{None，1，np.inf} [标量]
- 如果为1，则将三角mel权重除以mel带的宽度（区域归一化）。否则，保留所有三角形的峰值为1.0
返回：
- Mel变换矩阵
14. 计算Mel scaled 频谱
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)如果提供了频谱图输入S，则通过mel_f.dot（S）将其直接映射到mel_f上。
如果提供了时间序列输入y，sr，则首先计算其幅值频谱S，然后通过mel_f.dot（S ** power）将其映射到mel scale上 。默认情况下，power= 2在功率谱上运行。
参数：
- **y **：音频时间序列
- **sr **：采样率
- **S **：频谱
- **n_fft **：FFT窗口的长度
- **hop_length **：帧移
- **win_length **：窗口的长度为win_length，默认
win_length = n_fft - **window **：字符串，元组，数字，函数或shape =（n_fft, )
- 窗口规范（字符串，元组或数字）；看到scipy.signal.get_window
- 窗口函数，例如 scipy.signal.hanning
- 长度为n_fft的向量或数组
- center：bool
- 如果为True，则填充信号y，以使帧 t以y [t * hop_length]为中心。
- 如果为False，则帧t从y [t * hop_length]开始
- power：幅度谱的指数。例如1代表能量，2代表功率，等等
- n_mels：滤波器组的个数 1288
- fmax：最高频率
返回：
- Mel频谱shape=(n_mels, t)
15. 提取Log-Mel Spectrogram 特征
Log-Mel 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。在librosa中，Log-Mel Spectrogram特征的提取只需几行代码：
import librosa
y, sr = librosa.load(librosa.util.example_audio_file(), 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) # 转换到对数刻度
print(logmelspec.shape) # (128, 65)16. 提取MFCC系数
MFCC特征是一种在自动语音识别和说话人识别中广泛使用的特征。关于MFCC特征的详细信息，有兴趣的可以参考博客http:// blog.csdn.net/zzc15806/article/details/79246716。在librosa中，提取MFCC特征只需要一个函数：
librosa.feature.mfcc(y=None, sr=22050, S=None, n_mfcc=20, dct_type=2, norm='ortho', **kwargs)参数：
- y：音频数据
- sr：采样率
- S：np.ndarray，对数功能梅尔谱图
- n_mfcc：int>0，要返回的MFCC数量
- dct_type：None, or {1, 2, 3} 离散余弦变换（DCT）类型。默认情况下，使用DCT类型2。
- norm： None or ‘ortho’ 规范。如果dct_type为2或3，则设置norm =’ortho’使用正交DCT基础。 标准化不支持dct_type = 1。
返回：
- M： MFCC序列
参考博客：
473
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
