音频特征提取——pyAudioAnalysis工具包

转载：http://www.cnblogs.com/xingshansi/p/6806637.html

前言

语音识别等应用离不开音频特征的提取，最近在看音频特征提取的内容，用到一个python下的工具包——pyAudioAnalysis: An Open-Source Python Library for Audio Signal Analysis，该工具包的说明文档可以点击这里下载，对应的github链接点击这里。

这个工具包原说明文档支持的是Linux安装，且不能与python3很好地兼容，注意啦

一、常用工具包简介

目前针对音频信号，C/C++ 、Python、MATLAB等常用的工具包有：

二、pyAudioAnalysis工具包简介

pyAudioAnalysis是一个音频处理工具包，主要功能如图：

其中Feature Extraction包括（顺序有先后）：

补充说明一下：

• 1-Zero Crossing Rate：短时平均过零率，即每帧信号内，信号过零点的次数，体现的是频率特性
• 2-Energy：短时能量，即每帧信号的平方和，体现的是信号能量的强弱
• 3-Entropy of Energy：能量熵，跟频谱的谱熵（Spectral Entropy）有点类似，不过它描述的是信号的时域分布情况，体现的是连续性
• 4-Spectral Centroid：频谱中心又称为频谱一阶距，频谱中心的值越小，表明越多的频谱能量集中在低频范围内，如：voice与music相比，通常spectral centroid较低
• 5-Spectral Spread：频谱延展度，又称为频谱二阶中心矩，它描述了信号在频谱中心周围的分布状况
• 6-Spectral Entropy：谱熵，根据熵的特性可以知道，分布越均匀，熵越大，能量熵反应了每一帧信号的均匀程度，如说话人频谱由于共振峰存在显得不均匀，而白噪声的频谱就更加均匀，借此进行VAD便是应用之一
• 7-Spectral Flux：频谱通量，描述的是相邻帧频谱的变化情况
  

  1 2 3 4 5 6 7 8

  function [vsf]  =  FeatureSpectralFlux (X, f_s)        %  difference spectrum ( set  first diff to zero)      afDeltaX     =  diff([X(:, 1 ), X], 1 , 2 );            %  flux      vsf          =  sqrt( sum (afDeltaX.^ 2 )) / size(X, 1 ); end

• 8-Spectral Rolloff：频谱滚降点，给出定义：
  

  

• 9~21-MFCCs：就是大名鼎鼎的梅尔倒谱系数，这个网上资料非常多，也是非常重要的音频特征。
• 22~33-Chroma Vector：这个有12个参数，对应就是12级音阶，还是看原文解释：A 12-element representation of the spectral energy where the bins represent the 12 equal-tempered pitch classes of western-type music (semitone spacing).
• 34-Chroma Deviation：这个就是Chroma Vector的标准方差。

这个在音乐声里可能用的比较多，目前没有接触这类特征：

什么是Chroma特征呢？给出一个示意图

code示例：

1 2 3 4 5 6 7

from  pyAudioAnalysis  import  audioBasicIO from  pyAudioAnalysis  import  audioFeatureExtraction import  matplotlib.pyplot as plt [Fs, x]  =  audioBasicIO.readAudioFile( "sample.wav" ); F  =  audioFeatureExtraction.stFeatureExtraction(x, Fs,  0.050 * Fs,  0.025 * Fs); plt.subplot( 2 , 1 , 1 ); plt.plot(F[ 0 ,:]); plt.xlabel( 'Frame no' ); plt.ylabel( 'ZCR' ); plt.subplot( 2 , 1 , 2 ); plt.plot(F[ 1 ,:]); plt.xlabel( 'Frame no' ); plt.ylabel( 'Energy' ); plt.show()

  如果希望了解更多的音频特征，这里给出一个链接，点击这里，包含的特征有：

对应都有graph、sound可以点击，sound是对应的音频，graph对应的是特征的效果图，比如打开zeroCross:

三、pyAudioAnalysis工具包安装 

pyAudioAnalysis对应链接点击这里。安装这个工具包需要依赖：

　　A-hmmlearn安装

hmmlearn的链接点击这里。安装hmmlearn有几个前提：

下载之后，我把hmmlearn-master放在python-3.5.2-0\Lib\目录，cmd窗口下cd进去，输入：

1	pip install  - U  - - user hmmlearn

　　即可安装成功：

 　　B-Simplejson工具包安装：

Simplejson是Python的JSON编码和解码器，它具有简单、快速、完整、正确和易于扩展的特点，对应的链接点击这里。Simplejson工具包直接conda安装即可：

　　C-eyed3安装：

eyed3：A tool for working with audio files, specifically MP3 files containing ID3 metadata. 它提供了读写 ID3 标签(v1.x 和 v2.3/v2.4)的功能。同时可检测 MP3 文件的头信息，包括比特率、采样频率和播放时间等。eyed3直接conda install没有成功，对应的链接点击这里。选择了这个版本：

 

放在了python库的Lib文件夹下：C:\Users\Nobleding\Anaconda3\pkgs\python-3.5.2-0\Lib，cd到对应目录下，pip install 文件名.whl，即可完成安装

　　D-pydub安装：

pydub是音频处理常用的工具包，例如：

打开一个wav格式文件：

1 2	from  pydub  import  AudioSegment song  =  AudioSegment.from_wav( "never_gonna_give_you_up.wav" )

　　打开一个mp3格式文件：

1	song  =  AudioSegment.from_mp3( "never_gonna_give_you_up.mp3" )

　　或者其他音频、视频格式：

1 2 3 4 5 6

ogg_version  =  AudioSegment.from_ogg( "never_gonna_give_you_up.ogg" ) flv_version  =  AudioSegment.from_flv( "never_gonna_give_you_up.flv" )   mp4_version  =  AudioSegment.from_file( "never_gonna_give_you_up.mp4" ,  "mp4" ) wma_version  =  AudioSegment.from_file( "never_gonna_give_you_up.wma" ,  "wma" ) aac_version  =  AudioSegment.from_file( "never_gonna_give_you_up.aiff" ,  "aac" )

　　更多细节信息可以访问其主页。我在github上下载对应的工具包，里边有对应的安装说明。

如果处理wav文件，没有其他要求，如果音频是其他格式它要求电脑安装 ffmpeg orlibav.如果没有安装，运行会有提示：

ffmpeg下载，选择版本 

解压并添加环境变量，并利用ffplay测试一下打开一个mp4文件：

ffmpeg安装成功。这个时候import pydub,不再有warning信息

　　E-pyAudioAnalysis安装

Github给出的是linux下的安装思路，这里下载之后将pyAudioAnalysis放在了\Anaconda3\Lib\site-packages文件夹下，输入指令：

成功调用，原数据是支持Python2的，很多细节要修改，给出一个简单读取wav的测试：

1 2 3 4 5 6

from  pyAudioAnalysis  import  audioBasicIO import  numpy as np import  matplotlib.pyplot as plt [Fs, x]  =  audioBasicIO.readAudioFile( "count2.wav" ); time  =  np.arange( 0 , len (x)) * 1.0 / Fs plt.plot(time,x)

　　效果图：