librosa語音信號處理

　　librosa是一個非常強大的python語音信號處理的第三方庫，本文參考的是librosa的官方文檔，本文主要總結了一些重要，對我來說非常常用的功能。學會librosa后再也不用用python去實現那些復雜的算法了，只需要一句語句就能輕松實現。

先總結一下本文中常用的專業名詞：sr：采樣率、hop_length：幀移、overlapping：連續幀之間的重疊部分、n_fft：窗口大小、spectrum：頻譜、spectrogram：頻譜圖或叫做語譜圖、amplitude：振幅、mono：單聲道、stereo：立體聲

讀取音頻

librosa.load(path, sr=22050, mono=True, offset=0.0, duration=None)

讀取音頻文件。默認采樣率是22050，如果要保留音頻的原始采樣率，使用sr = None。

參數：

• path ：音頻文件的路徑。
• sr ：采樣率，如果為“None”使用音頻自身的采樣率
• mono ：bool，是否將信號轉換為單聲道
• offset ：float，在此時間之后開始閱讀（以秒為單位）
• 持續時間：float，僅加載這么多的音頻（以秒為單位）

返回：

• y ：音頻時間序列
• sr ：音頻的采樣率

重采樣

librosa.resample(y, orig_sr, target_sr, fix=True, scale=False) 

重新采樣從orig_sr到target_sr的時間序列

參數：

• y ：音頻時間序列。可以是單聲道或立體聲。
• orig_sr ：y的原始采樣率
• target_sr ：目標采樣率
• fix：bool，調整重采樣信號的長度，使其大小恰好為 $\frac{len(y)}{orig\_sr}*target\_sr =t*target\_sr$
• scale：bool，縮放重新采樣的信號，以使y和y_hat具有大約相等的總能量。

返回：

• y_hat ：重采樣之后的音頻數組

讀取時長

librosa.get_duration(y=None, sr=22050, S=None, n_fft=2048, hop_length=512, center=True, filename=None)

計算時間序列的的持續時間（以秒為單位）

參數：

• y ：音頻時間序列
• sr ：y的音頻采樣率
• S ：STFT矩陣或任何STFT衍生的矩陣（例如，色譜圖或梅爾頻譜圖）。根據頻譜圖輸入計算的持續時間僅在達到幀分辨率之前才是准確的。如果需要高精度，則最好直接使用音頻時間序列。
• n_fft ：S的 FFT窗口大小
• hop_length ：S列之間的音頻樣本數
• center ：布爾值
  • 如果為True，則S [:, t]的中心為y [t * hop_length]
  • 如果為False，則S [:, t]從y[t * hop_length]開始
• filename ：如果提供，則所有其他參數都將被忽略，並且持續時間是直接從音頻文件中計算得出的。

返回：

• d ：持續時間（以秒為單位）

讀取采樣率

librosa.get_samplerate(path)

參數：

• path ：音頻文件的路徑

返回：音頻文件的采樣率

寫音頻

librosa.output.write_wav(path, y, sr, norm=False)

將時間序列輸出為.wav文件

參數：

• 路徑：保存輸出wav文件的路徑
• y ：音頻時間序列。
• sr ：y的采樣率
• norm：bool，是否啟用幅度歸一化。將數據縮放到[-1，+1]范圍。

過零率

計算音頻時間序列的過零率。

librosa.feature.zero_crossing_rate(y, frame_length = 2048, hop_length = 512, center = True) 

參數：

• y ：音頻時間序列
• frame_length ：幀長
• hop_length ：幀移
• center：bool，如果為True，則通過填充y的邊緣來使幀居中。

返回：

• zcr：zcr[0，i]是第i幀中的過零率

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]])

波形圖

librosa.display.waveplot(y, sr=22050, x_axis='time', offset=0.0, ax=None)

繪制波形的幅度包絡線

參數：

• y ：音頻時間序列
• sr ：y的采樣率
• x_axis ：str {'time'，'off'，'none'}或None，如果為“時間”，則在x軸上給定時間刻度線。
• offset：水平偏移（以秒為單位）開始波形圖

import librosa.display
import matplotlib.pyplot as plt

y, sr = librosa.load(librosa.util.example_audio_file(), duration=10)
librosa.display.waveplot(y, sr=sr)
plt.show()

短時傅里葉變換

librosa.stft(y, n_fft=2048, hop_length=None, win_length=None, window='hann', center=True, pad_mode='reflect')

短時傅立葉變換（STFT），返回一個復數矩陣使得D(f,t)

• 復數的實部：np.abs(D(f,t))頻率的振幅
• 復數的虛部：np.angle(D(f,t))頻率的相位

參數：

• y：音頻時間序列
• n_fft：FFT窗口大小，n_fft=hop_length+overlapping
• hop_length：幀移，如果未指定，則默認win_length / 4。
• win_length：每一幀音頻都由window（）加窗。窗長win_length，然后用零填充以匹配N_FFT。默認win_length=n_fft。
• window：字符串，元組，數字，函數 shape =（n_fft, )
  • 窗口（字符串，元組或數字）；
  • 窗函數，例如scipy.signal.hanning
  • 長度為n_fft的向量或數組
• center：bool
  • 如果為True，則填充信號y，以使幀 D [:, t]以y [t * hop_length]為中心。
  • 如果為False，則D [:, t]從y [t * hop_length]開始
• dtype：D的復數值類型。默認值為64-bit complex復數
• pad_mode：如果center = True，則在信號的邊緣使用填充模式。默認情況下，STFT使用reflection padding。

返回：

• STFT矩陣，shape =（1 + $\frac{n_{fft} }{2}$，t）

短時傅里葉逆變換

librosa.istft(stft_matrix, hop_length=None, win_length=None, window='hann', center=True, length=None)

短時傅立葉逆變換（ISTFT），將復數值D(f,t)頻譜矩陣轉換為時間序列y，窗函數、幀移等參數應與stft相同

參數：

• stft_matrix ：經過STFT之后的矩陣
• hop_length ：幀移，默認為$\frac{win_{length}}{4}$
• win_length ：窗長，默認為n_fft
• window：字符串，元組，數字，函數或shape = (n_fft, )
  • 窗口（字符串，元組或數字）
  • 窗函數，例如scipy.signal.hanning
  • 長度為n_fft的向量或數組
• center：bool
  • 如果為True，則假定D具有居中的幀
  • 如果False，則假定D具有左對齊的幀
• length：如果提供，則輸出y為零填充或剪裁為精確長度音頻

返回：

• y ：時域信號

幅度轉dB

librosa.amplitude_to_db(S, ref=1.0)

將幅度頻譜轉換為dB標度頻譜。也就是對S取對數。與這個函數相反的是librosa.db_to_amplitude(S)

參數：

• S ：輸入幅度
• ref ：參考值，振幅abs（S）相對於ref進行縮放，$20*log_{10}(\frac{S}{ref})$

返回：

• dB為單位的S

功率轉dB

librosa.core.power_to_db(S, ref=1.0)

將功率譜（幅度平方）轉換為分貝（dB）單位，與這個函數相反的是librosa.db_to_power(S)

參數：

• S：輸入功率
• ref ：參考值，振幅abs(S)相對於ref進行縮放，$10*log_{10}(\frac{S}{ref})$

返回：

• dB為單位的S

import librosa.display
import numpy as np
import matplotlib.pyplot as plt

y, sr = librosa.load(librosa.util.example_audio_file())
S = np.abs(librosa.stft(y))
print(librosa.power_to_db(S ** 2))
# array([[-33.293, -27.32 , ..., -33.293, -33.293],
#        [-33.293, -25.723, ..., -33.293, -33.293],
#        ...,
#        [-33.293, -33.293, ..., -33.293, -33.293],
#        [-33.293, -33.293, ..., -33.293, -33.293]], dtype=float32)

plt.figure()
plt.subplot(2, 1, 1)
librosa.display.specshow(S ** 2, sr=sr, y_axis='log')  # 從波形獲取功率譜圖
plt.colorbar()
plt.title('Power spectrogram')
plt.subplot(2, 1, 2)
# 相對於峰值功率計算dB, 那么其他的dB都是負的，注意看后邊cmp值
librosa.display.specshow(librosa.power_to_db(S ** 2, ref=np.max),
                         sr=sr, y_axis='log', x_axis='time')
plt.colorbar(format='%+2.0f dB')
plt.title('Log-Power spectrogram')
plt.set_cmap("autumn")
plt.tight_layout()
plt.show()

功率譜和dB功率譜

頻譜圖

librosa.display.specshow(data,  x_axis=None, y_axis=None, sr=22050, hop_length=512)

參數：

• data：要顯示的矩陣
• sr ：采樣率
• hop_length ：幀移
• x_axis 、y_axis ：x和y軸的范圍
• 頻率類型
  • 'linear'，'fft'，'hz'：頻率范圍由FFT窗口和采樣率確定
  • 'log'：頻譜以對數刻度顯示
  • 'mel'：頻率由mel標度決定
• 時間類型
  • time：標記以毫秒，秒，分鍾或小時顯示。值以秒為單位繪制。
  • s：標記顯示為秒。
  • ms：標記以毫秒為單位顯示。
• 所有頻率類型均以Hz為單位繪制

import librosa.display
import numpy as np
import matplotlib.pyplot as plt

y, sr = librosa.load(librosa.util.example_audio_file())
plt.figure()

D = librosa.amplitude_to_db(np.abs(librosa.stft(y)), ref=np.max)
plt.subplot(2, 1, 1)
librosa.display.specshow(D, y_axis='linear')
plt.colorbar(format='%+2.0f dB')
plt.title('線性頻率功率譜')

plt.subplot(2, 1, 2)
librosa.display.specshow(D, y_axis='log')
plt.colorbar(format='%+2.0f dB')
plt.title('對數頻率功率譜')
plt.show()

Mel濾波器組

librosa.filters.mel(sr, n_fft, n_mels=128, fmin=0.0, fmax=None, htk=False, norm=1)

創建一個濾波器組矩陣以將FFT合並成Mel頻率

參數：

• sr ：輸入信號的采樣率
• n_fft ：FFT組件數
• n_mels ：產生的梅爾帶數
• fmin ：最低頻率（Hz）
• fmax：最高頻率（以Hz為單位）。如果為None，則使用fmax = sr / 2.0
• norm：{None，1，np.inf} [標量]
• 如果為1，則將三角mel權重除以mel帶的寬度（區域歸一化）。否則，保留所有三角形的峰值為1.0

返回：Mel變換矩陣

melfb = librosa.filters.mel(22050, 2048)
# array([[ 0.   ,  0.016, ...,  0.   ,  0.   ],
#        [ 0.   ,  0.   , ...,  0.   ,  0.   ],
#        ...,
#        [ 0.   ,  0.   , ...,  0.   ,  0.   ],
#        [ 0.   ,  0.   , ...,  0.   ,  0.   ]])
import matplotlib.pyplot as plt
plt.figure()
librosa.display.specshow(melfb, x_axis='linear')
plt.ylabel('Mel filter')
plt.title('Mel filter bank')
plt.colorbar()
plt.tight_layout()
plt.show()

計算Mel scaled 頻譜

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)

如果提供了頻譜圖輸入S，則通過mel_f.dot（S）將其直接映射到mel_f上。

如果提供了時間序列輸入y，sr，則首先計算其幅值頻譜S，然后通過mel_f.dot（S ** power）將其映射到mel scale上 。默認情況下，power= 2在功率譜上運行。

參數：

• y ：音頻時間序列
• sr ：采樣率
• S ：頻譜
• n_fft ：FFT窗口的長度
• hop_length ：幀移
• win_length ：窗口的長度為win_length，默認win_length = n_fft
• window ：字符串，元組，數字，函數或shape =（n_fft, )
  • 窗口規范（字符串，元組或數字）；看到scipy.signal.get_window
  • 窗口函數，例如 scipy.signal.hanning
  • 長度為n_fft的向量或數組
• center：bool
  • 如果為True，則填充信號y，以使幀 t以y [t * hop_length]為中心。
  • 如果為False，則幀t從y [t * hop_length]開始
• power：幅度譜的指數。例如1代表能量，2代表功率，等等
• n_mels：濾波器組的個數 1288
• fmax：最高頻率

返回：Mel頻譜shape=(n_mels, t)

import librosa.display
import numpy as np
import matplotlib.pyplot as plt

y, sr = librosa.load(librosa.util.example_audio_file())
# 方法一：使用時間序列求Mel頻譜
print(librosa.feature.melspectrogram(y=y, sr=sr))
# array([[  2.891e-07,   2.548e-03, ...,   8.116e-09,   5.633e-09],
#        [  1.986e-07,   1.162e-02, ...,   9.332e-08,   6.716e-09],
#        ...,
#        [  3.668e-09,   2.029e-08, ...,   3.208e-09,   2.864e-09],
#        [  2.561e-10,   2.096e-09, ...,   7.543e-10,   6.101e-10]])

# 方法二：使用stft頻譜求Mel頻譜
D = np.abs(librosa.stft(y)) ** 2  # stft頻譜
S = librosa.feature.melspectrogram(S=D)  # 使用stft頻譜求Mel頻譜

plt.figure(figsize=(10, 4))
librosa.display.specshow(librosa.power_to_db(S, ref=np.max),
                         y_axis='mel', fmax=8000, x_axis='time')
plt.colorbar(format='%+2.0f dB')
plt.title('Mel spectrogram')
plt.tight_layout()
plt.show()

提取Log-Mel Spectrogram 特征

　　Log-Mel Spectrogram特征是目前在語音識別和環境聲音識別中很常用的一個特征，由於CNN在處理圖像上展現了強大的能力，使得音頻信號的頻譜圖特征的使用愈加廣泛，甚至比MFCC使用的更多。在librosa中，Log-Mel Spectrogram特征的提取只需幾行代碼：

import librosa

y, sr = librosa.load('./train_nb.wav', 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)        # 轉換到對數刻度

print(logmelspec.shape)        # (128, 65)

　　可見，Log-Mel Spectrogram特征是二維數組的形式，128表示Mel頻率的維度（頻域），64為時間幀長度（時域），所以Log-Mel Spectrogram特征是音頻信號的時頻表示特征。其中，n_fft指的是窗的大小，這里為1024；hop_length表示相鄰窗之間的距離，這里為512，也就是相鄰窗之間有50%的overlap；n_mels為mel bands的數量，這里設為128。

提取MFCC系數

　　MFCC特征是一種在自動語音識別和說話人識別中廣泛使用的特征。關於MFCC特征的詳細信息，有興趣的可以參考博客http:// blog.csdn.net/zzc15806/article/details/79246716。在librosa中，提取MFCC特征只需要一個函數：

librosa.feature.mfcc(y=None, sr=22050, S=None, n_mfcc=20, dct_type=2, norm='ortho', **kwargs)

參數：

• y：音頻數據
• sr：采樣率
• S：np.ndarray，對數功能梅爾譜圖
• n_mfcc：int>0，要返回的MFCC數量
• dct_type：None, or {1, 2, 3}  離散余弦變換（DCT）類型。默認情況下，使用DCT類型2。
• norm： None or ‘ortho’ 規范。如果dct_type為2或3，則設置norm =’ortho’使用正交DCT基礎。 標准化不支持dct_type = 1。

返回：

• M： MFCC序列

import librosa

y, sr = librosa.load('./train_nb.wav', sr=16000)
# 提取 MFCC feature
mfccs = librosa.feature.mfcc(y=y, sr=sr, n_mfcc=40)

print(mfccs.shape)        # (40, 65)

線性譜、梅爾譜、對數譜：經過FFT變換后得到語音數據的線性譜，對線性譜取Mel系數，得到梅爾譜；對線性譜取對數，得到對數譜。

參考

線性譜與梅爾譜