python - 在音频分析中绘制频谱图

我正在使用神经网络进行语音识别。为此，我需要获取那些训练音频文件(.wav)的声谱图。如何在python中获取这些频谱图？

最佳答案

有很多方法可以做到这一点。最简单的方法是检查Kaggle竞赛Kernels上TensorFlow Speech Recognition Challenge中提出的方法(仅按投票数排序)。 This one特别清晰和简单，并包含以下功能。输入是从wav文件提取的样本的数值矢量，采样率，以毫秒为单位的帧大小，以毫秒为单位的步长(跨步或跳过)大小和较小的偏移量。

from scipy.io import wavfile
from scipy import signal
import numpy as np

sample_rate, audio = wavfile.read(path_to_wav_file)

def log_specgram(audio, sample_rate, window_size=20,
                 step_size=10, eps=1e-10):
    nperseg = int(round(window_size * sample_rate / 1e3))
    noverlap = int(round(step_size * sample_rate / 1e3))
    freqs, times, spec = signal.spectrogram(audio,
                                    fs=sample_rate,
                                    window='hann',
                                    nperseg=nperseg,
                                    noverlap=noverlap,
                                    detrend=False)
    return freqs, times, np.log(spec.T.astype(np.float32) + eps)

输出是在SciPy manual中定义的，但频谱图是通过单调函数(Log())重新缩放的，该函数将较大的值压制得比较小的值要小得多，而较大的值仍要比较小的值大。这样，规范中没有极值将主导计算。或者，可以将值限制在某个分位数上，但首选log(甚至平方根)。还有许多其他方法可以标准化频谱图的高度，即防止极端值“夸大”输出:)

freq (f) : ndarray, Array of sample frequencies.
times (t) : ndarray, Array of segment times.
spec (Sxx) : ndarray, Spectrogram of x. By default, the last axis of Sxx corresponds to the segment times.

或者，您可以从github repo检查Tensorflow example on audio recognition上的train.py和models.py代码。

Here is another thread解释并提供有关在Python中构建频谱图的代码。