librosa语音信号处理

librosa是一个非常强大的python语音信号处理的第三方库，本文参考的是librosa的官方文档，本文主要总结了一些重要，对我来说非常常用的功能。学会librosa后再也不用python去实现那些复杂的算法了，只需要一句语句就能轻松实现。

先总结一下本文中常用的专业名词：sr：采样率、hop_length：帧移、overlapping：连续帧之间的重叠部分、n_fft：窗口大小、spectrum：频谱、spectrogram：频谱图或叫做语谱图、amplitude：振幅、mono：单声道、stereo：立体声

时域

读取音频

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

读取音频文件。默认采样率是22050，如果要保留音频的原始采样率，使用sr = None。

参数：

• path ：音频文件的路径。
• sr ：采样率，如果为“None”使用音频自身的采样率
• mono ：bool，是否将信号转换为单声道
• offset ：float，在此时间之后开始阅读（以秒为单位）
• 持续时间：float，仅加载这么多的音频（以秒为单位）

返回：

• y ：音频时间序列
• sr ：音频的采样率

重采样

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

重新采样从orig_sr到target_sr的时间序列

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，使其大小恰好为$\frac{len(y)}{orig\_sr}\ast target\_sr=t\ast target\_sr$
• 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

读取时长

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

计算时间序列的的持续时间（以秒为单位）

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）

读取采样率

librosa.get_samplerate(path)

参数：

• path ：音频文件的路径
• 返回：音频文件的采样率

写音频

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

将时间序列输出为.wav文件

参数：

• path：保存输出wav文件的路径
• y ：音频时间序列。
• sr ：y的采样率
• norm：bool，是否启用幅度归一化。将数据缩放到[-1，+1]范围。

在0.8.0以后的版本，librosa都会将这个函数删除，推荐用下面的函数：

import soundfile
soundfile.write(file, data, samplerate)

参数：

• file：保存输出wav文件的路径
• data：音频数据
• samplerate：采样率

过零率

计算音频时间序列的过零率。

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

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

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]])

波形图

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

绘制波形的幅度包络线

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

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()

频域

短时傅里叶变换

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

短时傅立叶变换（STFT），返回一个复数矩阵D(F，T)

参数：

• y：音频时间序列
• n_fft：FFT窗口大小，n_fft=hop_length+overlapping
• hop_length：帧移，如果未指定，则默认win_length / 4。
• win_length：每一帧音频都由window（）加窗。窗长win_length，然后用零填充以匹配N_FFT。默认win_length=n_fft。
• window：字符串，元组，数字，函数 shape =（n_fft, )
  • 窗口（字符串，元组或数字）；
  • 窗函数，例如scipy.signal.hanning
  • 长度为n_fft的向量或数组
• center：bool
  • 如果为True，则填充信号y，以使帧 D [:, t]以y [t * hop_length]为中心。
  • 如果为False，则D [:, t]从y [t * hop_leng