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
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 $\frac{len(y)}{orig\_sr}*target\_sr =t*target\_sr$
- 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：
- 路径：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。
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()
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），返回一个复数矩阵使得D(f,t)
- 复数的实部：np.abs(D(f,t))频率的振幅
- 复数的虚部：np.angle(D(f,t))频率的相位
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_length]开始
- dtype：D的复数值类型。默认值为64-bit complex复数
- pad_mode：如果center = True，则在信号的边缘使用填充模式。默认情况下，STFT使用reflection padding。
返回：
- STFT矩阵，shape =（1 + $\frac{n_{fft} }{2}$，t）
短时傅里叶逆变换
librosa.istft(stft_matrix, hop_length=None, win_length=None, window='hann', center=True, length=None)
短时傅立叶逆变换（ISTFT），将复数值D(f,t)频谱矩阵转换为时间序列y，窗函数、帧移等参数应与stft相同
参数：
- stft_matrix ：经过STFT之后的矩阵
- hop_length ：帧移，默认为$\frac{win_{length}}{4}$
- win_length ：窗长，默认为n_fft
- window：字符串，元组，数字，函数或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，则假定D具有居中的帧
- 如果False，则假定D具有左对齐的帧
- length：如果提供，则输出y为零填充或剪裁为精确长度音频
返回：
- y ：时域信号
幅度转dB
librosa.amplitude_to_db(S, ref=1.0)
将幅度频谱转换为dB标度频谱。也就是对S取对数。与这个函数相反的是librosa.db_to_amplitude(S)
参数：
- S ：输入幅度
- ref ：参考值，振幅abs（S）相对于ref进行缩放，$20*log_{10}(\frac{S}{ref})$
返回：
- dB为单位的S
功率转dB
librosa.core.power_to_db(S, ref=1.0)
将功率谱（幅度平方）转换为分贝（dB）单位，与这个函数相反的是librosa.db_to_power(S)
参数：
- S：输入功率
- ref ：参考值，振幅abs(S)相对于ref进行缩放，$10*log_{10}(\frac{S}{ref})$
返回：
- dB为单位的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') # 从波形获取功率谱图
plt.colorbar()
plt.title('Power spectrogram')
plt.subplot(2, 1, 2)
# 相对于峰值功率计算dB, 那么其他的dB都是负的，注意看后边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()
功率谱和dB功率谱
频谱图
librosa.display.specshow(data, x_axis=None, y_axis=None, sr=22050, hop_length=512)
参数：
- data：要显示的矩阵
- sr ：采样率
- hop_length ：帧移
- x_axis 、y_axis ：x和y轴的范围
- 频率类型
- 'linear'，'fft'，'hz'：频率范围由FFT窗口和采样率确定
- 'log'：频谱以对数刻度显示
- 'mel'：频率由mel标度决定
- 时间类型
- time：标记以毫秒，秒，分钟或小时显示。值以秒为单位绘制。
- s：标记显示为秒。
- ms：标记以毫秒为单位显示。
- 所有频率类型均以Hz为单位绘制
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('线性频率功率谱') plt.subplot(2, 1, 2)
librosa.display.specshow(D, y_axis='log')
plt.colorbar(format='%+2.0f dB')
plt.title('对数频率功率谱')
plt.show()
Mel滤波器组
librosa.filters.mel(sr, n_fft, n_mels=128, fmin=0.0, fmax=None, htk=False, norm=1)
创建一个滤波器组矩阵以将FFT合并成Mel频率
参数：
- sr ：输入信号的采样率
- n_fft ：FFT组件数
- n_mels ：产生的梅尔带数
- fmin ：最低频率（Hz）
- fmax：最高频率（以Hz为单位）。如果为None，则使用fmax = sr / 2.0
- norm：{None，1，np.inf} [标量]
- 如果为1，则将三角mel权重除以mel带的宽度（区域归一化）。否则，保留所有三角形的峰值为1.0
返回：Mel变换矩阵
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()
计算Mel scaled 频谱
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)
如果提供了频谱图输入S，则通过mel_f.dot（S）将其直接映射到mel_f上。
如果提供了时间序列输入y，sr，则首先计算其幅值频谱S，然后通过mel_f.dot（S ** power）将其映射到mel scale上 。默认情况下，power= 2在功率谱上运行。
参数：
- y ：音频时间序列
- sr ：采样率
- S ：频谱
- n_fft ：FFT窗口的长度
- hop_length ：帧移
- win_length ：窗口的长度为win_length，默认
win_length = n_fft - window ：字符串，元组，数字，函数或shape =（n_fft, )
- 窗口规范（字符串，元组或数字）；看到
scipy.signal.get_window - 窗口函数，例如
scipy.signal.hanning - 长度为n_fft的向量或数组
- 窗口规范（字符串，元组或数字）；看到
- center：bool
- 如果为True，则填充信号y，以使帧 t以y [t * hop_length]为中心。
- 如果为False，则帧t从y [t * hop_length]开始
- power：幅度谱的指数。例如1代表能量，2代表功率，等等
- n_mels：滤波器组的个数 1288
- fmax：最高频率
返回：Mel频谱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：使用时间序列求Mel频谱
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频谱求Mel频谱
D = np.abs(librosa.stft(y)) ** 2 # stft频谱
S = librosa.feature.melspectrogram(S=D) # 使用stft频谱求Mel频谱 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特征是目前在语音识别和环境声音识别中很常用的一个特征，由于CNN在处理图像上展现了强大的能力，使得音频信号的频谱图特征的使用愈加广泛，甚至比MFCC使用的更多。在librosa中，Log-Mel Spectrogram特征的提取只需几行代码：
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) # 转换到对数刻度
print(logmelspec.shape) # (128, 65)可见，Log-Mel Spectrogram特征是二维数组的形式，128表示Mel频率的维度（频域），64为时间帧长度（时域），所以Log-Mel Spectrogram特征是音频信号的时频表示特征。其中，n_fft指的是窗的大小，这里为1024；hop_length表示相邻窗之间的距离，这里为512，也就是相邻窗之间有50%的overlap；n_mels为mel bands的数量，这里设为128。
提取MFCC系数
MFCC特征是一种在自动语音识别和说话人识别中广泛使用的特征。关于MFCC特征的详细信息，有兴趣的可以参考博客http:// blog.csdn.net/zzc15806/article/details/79246716。在librosa中，提取MFCC特征只需要一个函数：
librosa.feature.mfcc(y=None, sr=22050, S=None, n_mfcc=20, dct_type=2, norm='ortho', **kwargs)
参数：
- y：音频数据
- sr：采样率
- S：np.ndarray，对数功能梅尔谱图
- n_mfcc：int>0，要返回的MFCC数量
- dct_type：None, or {1, 2, 3} 离散余弦变换（DCT）类型。默认情况下，使用DCT类型2。
- 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。
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)