librosa
- 加载音频librosa.load(path, sr=22050, mono=True, offset=0.0, duration=None) #可以是WAV、Mp3等：
"""参数：path ：音频文件的路径。sr：采样率，是每秒传输的音频样本数，以Hz或kHz为单位。默认采样率为22050Hz（sr缺省或sr=None），高于该采样率的音频文件会被下采样，低于该采样率的文件会被上采样。以44.1KHz重新采样：librosa.load(audio_path, sr=44100)禁用重新采样（使用音频自身的采样率）：librosa.load(audio_path, sr=None)mono ：bool值，表示是否将信号转换为单声道。mono=True为单声道，mono=False为stereo立体声 offset ：float，在此时间之后开始阅读（以秒为单位）duration：持续时间，float，仅加载这么多的音频（以秒为单位）dtype：返回的音频信号值的格式，似乎只有float和float32res_type：重采样的格式返回：y：音频时间序列，类型为numpy.ndarraysr：音频的采样率，如果参数没有设置返回的是原始采样率""" -
使用IPython.display.Audio 直接在jupyter笔记本中播放音频：
import IPython.display as ipd ipd.Audio(path) -
重采样：librosa.resample(y, sr, 16000, fix=True, scale=False)：
""" 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。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 """ -
计算时间序列的的持续时间（以秒为单位）：librosa.get_duration(y=y, sr=22050, S=None, n_fft=2048, hop_length=512, center=True, filename=None) ：
""" 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） """ -
过零率：描述声音的明亮程度，声音越明亮，过零率越高。因为声音信号是波形，所以过零率越高，表示频率越高。声音的频率高则其在单位时间内拥有更多波形周期，因此 单位时间内过零数会更多，那么过零率就更高。librosa.zero_crossings(y[n0:n1], pad=False)：
""" 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 """ - 自相关(autocorrelation)也叫序列相关，可以描述一个信号与其沿时间轴位移后的版本之间的相似度：librosa.autocorrelate(y, max_size=int(k_high)) # int(k_high) = 801：
""" 参数：y：信号值max_size：要求自相关的长度axis：沿着的维 返回值：y关于max_size的自相关值 """ -
展示波形：librosa.display.waveshow(y, sr=22050, x_axis='time', offset=0.0, ax=None)：
""" 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 音频信号每一位分别对应一个采样点，其位数等于“采样率*音频时长（以秒为单位）”，记录了每个样本上音频的振幅信息. """ -
数据标准化：sklearn.preprocessing.scale(mfccs, axis=1,with_mean=True, with_std=True)
""" 公式：(X-X_mean)/X_std 计算时对每个属性/每列分别进行。 原理：得到的结果是，对每个属性/每列来说所有数据都聚集在0附近，方差值为1。 参数：X：待处理的数组axis：表示处理哪个维度，0表示处理横向的数据（行）， 1表示处理纵向的数据（列）with_mean：默认为true，表示使均值为0with_std：默认为true，表示使标准差为1 """ -
抽取mfcc特征：librosa.feature.mfcc(y, sr)：
""" 参数：y：音频数据。np.ndarray [shape=(n,)] 或 Nonesr：y的采样率。number > 0 [scalar]S：对数功能梅尔谱图。np.ndarray [shape=(d, t)] or Nonen_mfcc：要返回的MFCC数量。 int > 0 [scalar]dct_type：离散余弦变换（DCT）类型。默认情况下，使用DCT类型2。None, or {1, 2, 3}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。n_fft：返回的mfcc数据维数，默认为13维。#获得N_FFT的长度N_FFT=getNearestLen(0.25,sr)；print(“N_FFT:” , N_FFT)hop_length：帧移lifter: 如果 lifter>0, 提升倒谱滤波。设置lifter >= 2 * n_mfcc强调高阶系数。随着lifter的增加，权重系数近似为线性。kwargs: 额外的关键参数。参数melspectrogram，如果按时间序列输入操作 返回：M：np.ndarray [shape=(n_mfcc, t)] 。 MFCC序列 """
librosa
- 加载音频librosa.load(path, sr=22050, mono=True, offset=0.0, duration=None) #可以是WAV、Mp3等：
"""参数：path ：音频文件的路径。sr：采样率，是每秒传输的音频样本数，以Hz或kHz为单位。默认采样率为22050Hz（sr缺省或sr=None），高于该采样率的音频文件会被下采样，低于该采样率的文件会被上采样。以44.1KHz重新采样：librosa.load(audio_path, sr=44100)禁用重新采样（使用音频自身的采样率）：librosa.load(audio_path, sr=None)mono ：bool值，表示是否将信号转换为单声道。mono=True为单声道，mono=False为stereo立体声 offset ：float，在此时间之后开始阅读（以秒为单位）duration：持续时间，float，仅加载这么多的音频（以秒为单位）dtype：返回的音频信号值的格式，似乎只有float和float32res_type：重采样的格式返回：y：音频时间序列，类型为numpy.ndarraysr：音频的采样率，如果参数没有设置返回的是原始采样率""" -
使用IPython.display.Audio 直接在jupyter笔记本中播放音频：
import IPython.display as ipd ipd.Audio(path) -
重采样：librosa.resample(y, sr, 16000, fix=True, scale=False)：
""" 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。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 """ -
计算时间序列的的持续时间（以秒为单位）：librosa.get_duration(y=y, sr=22050, S=None, n_fft=2048, hop_length=512, center=True, filename=None) ：
""" 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） """ -
过零率：描述声音的明亮程度，声音越明亮，过零率越高。因为声音信号是波形，所以过零率越高，表示频率越高。声音的频率高则其在单位时间内拥有更多波形周期，因此 单位时间内过零数会更多，那么过零率就更高。librosa.zero_crossings(y[n0:n1], pad=False)：
""" 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 """ - 自相关(autocorrelation)也叫序列相关，可以描述一个信号与其沿时间轴位移后的版本之间的相似度：librosa.autocorrelate(y, max_size=int(k_high)) # int(k_high) = 801：
""" 参数：y：信号值max_size：要求自相关的长度axis：沿着的维 返回值：y关于max_size的自相关值 """ -
展示波形：librosa.display.waveshow(y, sr=22050, x_axis='time', offset=0.0, ax=None)：
""" 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 音频信号每一位分别对应一个采样点，其位数等于“采样率*音频时长（以秒为单位）”，记录了每个样本上音频的振幅信息. """ -
数据标准化：sklearn.preprocessing.scale(mfccs, axis=1,with_mean=True, with_std=True)
""" 公式：(X-X_mean)/X_std 计算时对每个属性/每列分别进行。 原理：得到的结果是，对每个属性/每列来说所有数据都聚集在0附近，方差值为1。 参数：X：待处理的数组axis：表示处理哪个维度，0表示处理横向的数据（行）， 1表示处理纵向的数据（列）with_mean：默认为true，表示使均值为0with_std：默认为true，表示使标准差为1 """ -
抽取mfcc特征：librosa.feature.mfcc(y, sr)：
""" 参数：y：音频数据。np.ndarray [shape=(n,)] 或 Nonesr：y的采样率。number > 0 [scalar]S：对数功能梅尔谱图。np.ndarray [shape=(d, t)] or Nonen_mfcc：要返回的MFCC数量。 int > 0 [scalar]dct_type：离散余弦变换（DCT）类型。默认情况下，使用DCT类型2。None, or {1, 2, 3}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。n_fft：返回的mfcc数据维数，默认为13维。#获得N_FFT的长度N_FFT=getNearestLen(0.25,sr)；print(“N_FFT:” , N_FFT)hop_length：帧移lifter: 如果 lifter>0, 提升倒谱滤波。设置lifter >= 2 * n_mfcc强调高阶系数。随着lifter的增加，权重系数近似为线性。kwargs: 额外的关键参数。参数melspectrogram，如果按时间序列输入操作 返回：M：np.ndarray [shape=(n_mfcc, t)] 。 MFCC序列 """