问题标签 [librosa]

我正在尝试在 Python 中绘制音频文件的波形。

这是我的代码（我正在使用 Librosa 库）：

plot.py 文件在哪里：

奇怪的是，即使我得到一个看起来像有效波形的图：

音频文件只有 5 秒长。因此，我不明白 x 轴在说什么；好像涨到了90000？

谢谢

如何从采样率为 8000 Hz (librosa) 的音频中提取 CQT

我写了以下代码。

但是出现了错误。

我想从采样率为 8000 Hz 的音频中提取 CQT 特征。

我正在使用这个算法来检测 这个音频文件的音高。正如你所听到的，这是用吉他演奏的 E2 音符，背景中有一点噪音。

我使用 STFT 生成了这个频谱图：

我正在使用上面链接的算法，如下所示：

结果，我几乎得到了我fmin和之间所有可能的频率fmax。我与该piptrack方法的输出有什么关系来发现时间框架的基频？

更新

不过，我仍然不确定那些二维数组代表什么。假设我想知道第 5 帧中 82Hz 的强度有多大。我可以使用 STFT 函数来做到这一点，该函数只返回一个 2D 矩阵（用于绘制频谱图）。

但是，piptrack做了一些其他可能有用的事情，我真的不明白是什么。pitches[f, t] contains instantaneous frequency at bin f, time t. 这是否意味着，如果我想在时间帧 t 找到最大频率，我必须：

1. 转到magnitudes[][t]数组，找到最大量级的 bin。
2. 将 bin 分配给一个变量f。
3. Findpitches[b][t]找到属于该 bin 的频率？

我正在使用Librosa转录单声道吉他音频信号。

我认为，根据开始时间“分割”信号，以在正确的时间检测音符变化，这将是一个好的开始。

Librosa 提供了一个功能，可以在开始时间之前检测局部最小值。我检查了这些时间，它们是正确的。

这是原始信号的波形和最小值的时间。

演奏的旋律是 E4, F4, F#4 ..., B4。

因此，理想的结果应该是：330Hz、350Hz、...、493Hz（大约）。

如您所见，minima数组中的时间表示音符播放前的时间。

然而，在一个切片信号上（10-12 秒，每个切片只有一个音符），我的频率检测方法的结果非常糟糕。我很困惑，因为我在我的代码中看不到任何错误：

其中freq_from函数直接取自这里。

我认为这只是方法的精度差，但我得到了一些疯狂的结果。具体来说，freq_from_hps返回：

这些值应该是 8 个相应切片的 8 个音高（以赫兹为单位！）。

freq_from_fft返回相似的值，同时freq_from_autocorr返回一些更“正常”的值，但也返回一些接近 10000Hz 的随机值：

这是整个信号的频谱图：

例如，这是切片 1 的频谱图（E4 音符）：

如您所见，切片已正确完成。但是有几个问题。首先，频谱图中存在八度音阶问题。我期待一些问题。然而，我从上面提到的 3 种方法得到的结果非常奇怪。

这是我的信号处理理解或我的代码的问题吗？

我在将我显示为 numpy ndarays 的图像保存时遇到了一些问题。

例子：

这段代码：

将显示如下图像：

但是当我将图像存储到一个 numpy ndarray 中，然后尝试绘制它时，我得到了这样的东西..

给我看一张图片：

发生了什么事？.. 为什么我不能存储相同的图像，并以相同的方式查看它？

最小的工作示例：

第一个情节是：

第二个情节是：

规范化数据集并不能修复第二张图像。

我正在使用Librosa库进行音高和起始检测。具体来说，我正在使用onset_detectand piptrack。

这是我的代码：

在录音棚中录制的吉他音频样本上运行此程序时，因此样本没有噪音（像这样），我在这两个功能中都得到了非常好的结果。开始时间是正确的，频率几乎总是正确的（有时会出现一些八度音阶错误）。

然而，当我尝试用我便宜的麦克风录制自己的吉他声音时，出现了一个大问题。我得到带有噪音的音频文件，例如this。该onset_detect算法感到困惑，并认为噪声包含起始时间。因此，我得到了非常糟糕的结果。即使我的音频文件由一个音符组成，我也会有很多次发作。

这是两个波形。第一个是在录音室录制的 B3 音符的吉他样本，而第二个是我录制的 E2 音符。

第一个的结果是正确的 B3（检测到一个起始时间）。第二个的结果是一个包含7 个元素的数组，这意味着检测到 7 个起始时间，而不是 1 个！其中一个元素是正确的开始时间，其他元素只是噪声部分的随机峰值。

另一个例子是这个包含音符 B3、C4、D4、E4 的音频文件：

如您所见，噪声很清晰，我的高通滤波器没有帮助（这是应用滤波器后的波形）。

我认为这是一个噪音问题，因为这些文件之间的区别就在那里。如果是，我能做些什么来减少它？我尝试过使用高通滤波器，但没有任何变化。

如何matplotlib确保数据集可以在指定大小的图中。

我如何从存储为 numpy 的图中读取像素的颜色，说明数据点 (0,4) - 在图中。

例子：

第一个情节是：

第二个情节是：

所以第一个已调整大小以绘制大小 12,4，其中最后一个基本上绘制相同的数据，但只是使用数据形状作为大小......我该如何改变它？

Librosa 只是根据GitHub 源码执行 pcolormesh

我似乎不得不确定我可以信任的工具......

我一直在测试的工具是 Librosa 和 Kaldi，用于创建数据集，用于绘制音频文件的 40 个滤波器组能量的可视化。

在 kaldi 中使用这些配置提取滤波器组能量。

fbank.conf

librosa使用plot绘制提取的数据。Librosa使用matplotlib pcolormesh，这意味着除了librosa提供更易于使用的 API 之外，应该没有任何区别。

输出：

在 Librosa 中创建的类似图如下：

输出这个：

尽管颜色不同，两者都显示出相似的图，但能量范围似乎有点不同。

Kaldi 的最小值/最大值为 -1.828067/22.70058

Librosa 的最小值/最大值为 -84.6796661558/-4.67966615584

问题是我试图将这些图存储为 numpy 数组，以便进一步处理。

这似乎创建了一个不同的图。使用 Librosa 数据，我将图创建为：

这是完美的......它类似于原始数据集......

但是对于 Kaldi，我从这段代码中得到了这个情节：

我从之前的帖子中发现，出现红色的原因可能是由于范围，并且之前的标准化会有所帮助 - 但这导致了这个：

但这绝不会与 Kaldi 情节中的原始情节有关……那么为什么会这样呢？.. 为什么我可以用从 Librosa 提取的能量而不是从 Kaldi 提取的能量来绘制它？

Librosa 的最小工作示例：

kaldi 的最小工作示例 - （真实数据）：

当使用 Librosa 库计算两个时间序列之间的动态时间扭曲矩阵时，如何获得两个信号之间的最小距离？在Matlab中，第一个返回的参数是这个距离。在Librosa中，返回值是累积成本矩阵，并带有注释“D[N,M] 是总对齐成本”。

这是否意味着D矩阵的右下条目是两个时间序列之间的最小距离，就像Matlab中的返回值一样？如果不是，我如何获得与返回矩阵的距离？

我想重新采样以 40.000 Hz 到 44100 Hz 录制的单声道录音。

下面的代码有效，但 librosa 似乎以立体声保存，使文件大小增加了一倍，这是不需要的，我有很多样本要处理。

所以我需要将结果保存为单声道。

代码：

问题：我想以单声道保存重新采样的文件，我得到立体声并且没有选项只能保存单声道...