-
对于时长 T=2s 的音频信号 path.wav,设置采样率为 sr=24000。
-
采样之后,生成音频时间序列 y,其中 len(y) = T * sr = 2 × 24000 = 48000,y.shape = (48000, ),sr=24000。
import librosa
# 读取音频
y, sr = librosa.load(path='path.wav', sr=24000)
print(len(y), y.shape, sr)
- 设置:
- 帧移:frame_shift = 0.0125s,帧长:frame_length = 0.05s。
(使用帧长 frame_length=0.05s 的窗口对 T=2s 的音频信号进行处理,帧移 frame_shift=0.0125s,则生成的帧数为:2 / 0.0125 = 160(帧) )
- 使用sr=24000的采样率,对序列处理:
帧移:hop_length = frame_shift * sr = 0.0125 × 24000 = 300,
window()加窗,窗长:win_length = frame_length * sr = 0.05 × 24000 = 1200。
- 对音频时间序列 y 进行分帧处理,加窗-帧移之后,得到的帧数 t = len(y) / hop_length + 1 = 48000 / 300 + 1 = 161。目前还不清楚为什么程序处理会多一帧,后续补充。
# 短时傅里叶变换
stft_matrix = librosa.stft(y=y, n_fft=2048, hop_length=300, win_length=1200)
print(stft_matrix.shape) # shape=(1 + nfft/2 , t), 其中 t=len(y)/hop_length + 1
"""
结果:(1025, 161)
"""