使用librosa库对音频信号进行采样以及分帧处理

1. 对于时长 T=2s 的音频信号 path.wav，设置采样率为 sr=24000。

2. 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)

3. 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。

4. 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)
"""