python 音频处理（1）——重采样、音高提取
采集数据->采样率调整
使用
torchaudio
进行重采样（cpu版）
首先导入相关包，既然使用torch作为我们的选项，安装torch环境我就不必多说了，如果你不想用torch可以使用后文提到的另一个库
1 importtorch2 importtorchaudio3 from torchaudio.transforms importResample4 from time import time#仅计算时间，不影响主体
使用
torchaudio.load
导入音频文件设定目标采样率并构造
resample
函数调用构造好的
resample
函数调用
torchaudio
的保存函数
封装一下，总函数【记得先导入】：
1 defresample_by_cpu():2 file_path = input("please input your file path:")3 start_time = time()#不影响，可去掉 4 y, sr = torchaudio.load(file_path) #使用torchaudio.load导入音频文件 5 6 target_sample = 32000 #设定目标采样率 7 resampler = Resample(orig_freq=sr, new_freq=target_sample)#构造resample函数，输入原始采样率和目标采样率 8 resample_misic = resampler(y) #调用resample函数 9 10 torchaudio.save("test.mp3", resample_misic, target_sample)#调用torchaudio的保存即可 11 print(f"cost :{time() - start_time}s")#不影响，可去掉
最后结果大概是几秒钟这样子
使用使用
torchaudio
进行重采样（gpu版）：
有了上面cpu的基础，其实调用gpu也就更换一下设备，和放入gpu的操作就好了，因此不过多赘述
defresample_use_cuda():
device= torch.device('cuda' if torch.cuda.is_available() else 'cpu')
start_time=time()
file_path= input("please input your file path:")
y, sr=torchaudio.load(file_path)
y=y.to(device)
target_sample= 32000resampler= Resample(orig_freq=sr, new_freq=target_sample).to(device)
resample_misic=resampler(y)
torchaudio.save("test.mp3", resample_misic.to('cpu'), target_sample) #这里注意要把结果从gpu中拿出来到cpu，不然会报错。 print(f"cost :{time() - start_time}s")
时间方面嘛，单个音频多了放入gpu取出gpu的步骤肯定会稍慢的，但是跑过cuda都知道它的强大，更多是用于后续的操作说是。
使用librosa库进行重采样
具体步骤：
导入两个库文件，
librosa
和音频文件读写库
soundfileimport librosa
import soundfile as sf
from time import time#仅计算时间，不影响主体导入音频文件
设定目标采样率
重采样
输出
综合封装成函数：
1 defresample_by_lisa():2 file_path = input("please input your file path:")3 start_time =time()4 y, sr = librosa.load(file_path) #使用librosa导入音频文件 5 target_sample_rate = 32000 6 y_32k = librosa.resample(y=y, orig_sr=sr, target_sr=target_sample_rate) #使用librosa进行重采样至目标采样率 7 sf.write("test_lisa.mp3", data=y_32k, samplerate=target_sample_rate) #使用soundfile进行文件写入 8 print(f"cost :{time() - start_time}s")
总结：
优点，简单小巧，
ibrosa
有很多能处理音频的功能缺点：无法调用cuda，保存的时候需要依赖
soundfile
库。时间：也是几秒左右，和
torchaudio
cpu版差不多小声bb：提取32k的效果好像没有torchaudio好【嘛，毕竟librosa历史有点久了，没有专注深度学习的torch好很正常啦】，你们也可以自己测一下
all code：
1 importtorch2 importtorchaudio3 from torchaudio.transforms importResample4 importlibrosa5 importsoundfile as sf6 from time importtime7 8 defresample_by_cpu():9 file_path = input("please input your file path:")10 start_time =time()11 y, sr = torchaudio.load(file_path) #使用torchaudio.load导入音频文件 12 13 target_sample = 32000 #设定目标采样率 14 resampler = Resample(orig_freq=sr, new_freq=target_sample)#构造resample函数，输入原始采样率和目标采样率 15 resample_misic = resampler(y) #调用resample函数 16 17 torchaudio.save("test.mp3", resample_misic, target_sample)#调用torchaudio的保存即可 18 print(f"cost :{time() - start_time}s")19 defresample_use_cuda():20 21 device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')22 start_time =time()23 file_path = input("please input your file path:")24 y, sr =torchaudio.load(file_path)25 26 y =y.to(device)27 target_sample = 32000 28 resampler = Resample(orig_freq=sr, new_freq=target_sample).to(device)29 resample_misic =resampler(y)30 torchaudio.save("test.mp3", resample_misic.to('cpu'), target_sample)31 print(f"cost :{time() - start_time}s")32 33 defresample_by_lisa():34 file_path = input("please input your file path:")35 start_time =time()36 y, sr = librosa.load(file_path)#使用librosa导入音频文件 37 target_sample_rate = 32000 38 y_32k = librosa.resample(y=y, orig_sr=sr, target_sr=target_sample_rate)#使用librosa进行重采样至目标采样率 39 sf.write("test_lisa.mp3", data=y_32k, samplerate=target_sample_rate)#使用soundfile进行文件写入 40 print(f"cost :{time() - start_time}s")41 42 if __name__ == '__main__':43 resample_use_cuda()44 resample_by_cpu()45 resample_by_lisa()
2.2 提取pitch基频特征【音高提取】
使用
torchaudio
进行基频特征提取
其实主要使用的这个函数：
torchaudio.transforms._transforms.PitchShift让我们来看看它官方的
example
，仿照着来写就好啦
>>> waveform, sample_rate = torchaudio.load("test.wav", normalize=True)>>> transform = transforms.PitchShift(sample_rate, 4)>>> waveform_shift = transform(waveform) #(channel, time)
步骤：
导入依赖
importtorchaudioimporttorchaudio.transforms as Tfimport matplotlib.pyplot as plt #画图依赖
导入音频
构造
PitchShift使用这个函数对歌曲进行基频提取
code：
defget_pitch_by_torch():
file_path= input("file path:")
y, sr=torchaudio.load(file_path)"""specimen:
>>> waveform, sample_rate = torchaudio.load("test.wav", normalize=True)
>>> transform = transforms.PitchShift(sample_rate, 4)
>>> waveform_shift = transform(waveform) # (channel, time)"""pitch_tf= Tf.PitchShift(sample_rate=sr, n_steps=0)
feature=pitch_tf(y)#绘制基频特征 这部分可以忽略，只是画图而已，可以直接复制不用理解 plt.figure(figsize=(16, 5))
plt.plot(feature[0].numpy(), label='Pitch')
plt.xlabel('Frame')
plt.ylabel('Frequency (Hz)')
plt.title('Pitch Estimation')
plt.legend()
plt.show()
输出图片【总歌曲】效果：
将输出的范围稍微改一下，切分特征的一部分，就是歌曲部分的音高特征啦，效果就很明显了
改为：
plt.plot(feature[0][5000:10000].numpy(), label='Pitch')
使用librosa提取基频特征
步骤：
导入包
提取基频特征
（可选）绘制基频特征
主要函数：
librosa.pyin
，请见官方example
#Computing a fundamental frequency (F0) curve from an audio input
>>> y, sr = librosa.load(librosa.ex('trumpet'))
>>> f0, voiced_flag, voiced_probs = librosa.pyin(y,
... sr=sr,
... fmin=librosa.note_to_hz('C2'),
... fmax=librosa.note_to_hz('C7'))
>>> times = librosa.times_like(f0, sr=sr)
code：
1 defget_pitch_by_librosa():2 3 file_path = input("请输入音频文件路径：")4 y, sr =librosa.load(file_path)5 """librosa.pyin(y,sr=sr,fmin=librosa.note_to_hz('C2'),fmax=librosa.note_to_hz('C7'))""" 6 #使用pyin提取基频特征 7 f0, voiced_flag, voiced_probs = librosa.pyin(y, sr=sr, fmin=librosa.note_to_hz('C2'), fmax=librosa.note_to_hz('C7'))8 9 #绘制基频特征,可忽略 10 plt.figure(figsize=(14, 5))11 librosa.display.waveshow(y, sr=sr, alpha=0.5)12 plt.plot(librosa.times_like(f0), f0, label='f0 (fundamental frequency)', color='r')13 plt.xlabel('Time (s)')14 plt.ylabel('Frequency (Hz)')15 plt.title('Pitch (fundamental frequency) Estimation')16 plt.legend()17 plt.show()
总结：
比torchaudio略微麻烦一点，不过多了两个参数
voiced_flag, voiced_probs
，看起来的视觉图好像也有些不一样，不过都是按照官方的这个来了，这也不对的话我也不会了
输出：
all code：
importtorchaudioimporttorchaudio.transforms as Tfimportmatplotlib.pyplot as pltimportlibrosadefget_pitch_by_torch():
file_path= input("file path:")
y, sr=torchaudio.load(file_path)"""specimen:
>>> waveform, sample_rate = torchaudio.load("test.wav", normalize=True)
>>> transform = transforms.PitchShift(sample_rate, 4)
>>> waveform_shift = transform(waveform) # (channel, time)"""pitch_tf= Tf.PitchShift(sample_rate=sr, n_steps=0)
feature=pitch_tf(y)#绘制基频特征 plt.figure(figsize=(16, 5))
plt.plot(feature[0][5000:10000].numpy(), label='Pitch')
plt.xlabel('Frame')
plt.ylabel('Frequency (Hz)')
plt.title('Pitch Estimation')
plt.legend()
plt.show()defget_pitch_by_librosa():
file_path= input("请输入音频文件路径：")
y, sr=librosa.load(file_path)"""librosa.pyin(y,sr=sr,fmin=librosa.note_to_hz('C2'),fmax=librosa.note_to_hz('C7'))""" #使用pyin提取基频特征 f0, voiced_flag, voiced_probs = librosa.pyin(y, sr=sr, fmin=librosa.note_to_hz('C2'), fmax=librosa.note_to_hz('C7'))
#绘制基频特征,可忽略 plt.figure(figsize=(14, 5))
librosa.display.waveshow(y, sr=sr, alpha=0.5)
plt.plot(librosa.times_like(f0), f0, label='f0 (fundamental frequency)', color='r')
plt.xlabel('Time (s)')
plt.ylabel('Frequency (Hz)')
plt.title('Pitch (fundamental frequency) Estimation')
plt.legend()
plt.show()if __name__ == '__main__':#get_pitch_by_torch() #get_pitch_by_librosa()
后续PPG特征、
vec特征见下一章