python干货：如何使用Python对音频进行特征提取？

写在前面

因为喜欢玩儿音乐游戏，所以打算研究一下如何用深度学习的模型生成音游的谱面。这篇文章主要目的是介绍或者总结一些音频的知识和代码。

恩。如果没玩儿过的话，音乐游戏大概是下面这个样子。

 

下面进入正题。

我Google了一下，找到了这篇文章：Music Feature Extraction in Python。然后这篇文章介绍完了还有一个歌曲分类的实践：Classification of Music into different Genres using Keras。

下面的内容会主要参考一下这两篇文章，并加入一些我的理解。内容如下：

• 声音信号介绍
• 使用Python对音频进行特征提取
• 使用Keras对歌曲的题材进行分类

主要涉及的背景知识有：

• 傅里叶变换
• 采样定理
• Python
• 机器学习

声音基础知识

音频信号

首先先百度一下音频信号，

音频信号是（Audio）带有语音、音乐和音效的有规律的声波的频率、幅度变化信息载体。 根据声波的特征，可把音频信息分类为规则音频和不规则声音。其中规则音频又可以分为语音、音乐和音效。规则音频是一种连续变化的模拟信号，可用一条连续的曲线来表示，称为声波。声音的三个要素是音调、音强和音色。声波或正弦波有三个重要参数：频率 、幅度和相位 ，这也就决定了音频信号的特征。

 

如果大家在学习中遇到困难，想找一个python学习交流环境，可以加入我们的python圈，裙号930900780，可领取python学习资料，会节约很多时间，减少很多遇到的难题。

 

总体来说：音频信号就是不同频率和相位的正弦波的一个叠加。

一般的声音大概就是这个样子。

 

横轴是时间，纵轴是声音的幅度。因为本质上就是正弦波的一个叠加，所以看到其实是有正有负的。

 

人耳听力频率范围

生活中存在各种正弦波，但并不是所有的波都能被人耳听到。比如说我们手机通信的信号，wifi信号，以及阳光都是一种波，但并不能被人听见。

正常人耳听见声音的频率范围是 20Hz 到 2 万 Hz 。相同强度的声音如频率不同的话，听起来的响度是不一样的。至敏感的频率是 3000 和 4000Hz 。

所以声波的信号基本上只要关注2wHz以内就好了。

奈奎斯特采样定理

声音本质上是一种模拟信号，但在计算机或者在其他数字设备上传输时，我们要把模拟信号转换为数字信号，需要进行采样。

奈奎斯特采样定理如下：

在进行模拟/数字信号的转换过程中，当采样频率fs.max大于信号中最高频率fmax的2倍时(fs.max>2fmax)，采样之后的数字信号完整地保留了原始信号中的信息。

这个定理描述的很简单，证明其实也不难，对于声音信号，只要采样的频率大于2*2wHz=4WHz的话，我们就可以听到无损的音质了。

上面说人耳听力敏感的范围主要是在4000Hz，所以我们一般听到的音乐其实是使用8000Hz频率进行采样的。这里可以看下最近比较火的芒种这首歌。

 

这首歌的时间是3分36秒也就是216秒，