python 音频处理重采样、音高提取的操作方法

更新时间：2024年08月02日 09:54:06 作者：io_T_T

这篇文章主要介绍了python 音频处理重采样、音高提取,本文给大家介绍的非常详细,感兴趣的朋友跟随小编一起看看吧

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

import torch
 import torchaudio
 from torchaudio.transforms import Resample
 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】：

def resample_by_cpu():
    file_path = input("please input your file path: ")
    start_time = time()#不影响，可去掉
    y, sr = torchaudio.load(file_path)  #使用torchaudio.load导入音频文件

    target_sample = 32000   #设定目标采样率
    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
    resample_misic = resampler(y)                             #调用resample函数

    torchaudio.save("test.mp3", resample_misic, target_sample)#调用torchaudio的保存即可
    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

2.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

def resample_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 = 32000
    resampler = 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。

3.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soundfile

import 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：

def resample_by_lisa():
    file_path = input("please input your file path:")
    start_time = time()
    y, sr = librosa.load(file_path)     #使用librosa导入音频文件
    target_sample_rate = 32000
    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
    sf.write("test_lisa.mp3", data=y_32k, samplerate=target_sample_rate)        #使用soundfile进行文件写入
    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torchaudiocpu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：

import torch
import torchaudio
from torchaudio.transforms import Resample
import librosa
import soundfile as sf
from time import time

def resample_by_cpu():
    file_path = input("please input your file path: ")
    start_time = time()
    y, sr = torchaudio.load(file_path)  #使用torchaudio.load导入音频文件

    target_sample = 32000   #设定目标采样率
    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
    resample_misic = resampler(y)                             #调用resample函数

    torchaudio.save("test.mp3", resample_misic, target_sample)#调用torchaudio的保存即可
    print(f"cost :{time() - start_time}s")
def resample_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 = 32000
    resampler = Resample(orig_freq=sr, new_freq=target_sample).to(device)
    resample_misic = resampler(y)
    torchaudio.save("test.mp3", resample_misic.to('cpu'), target_sample)
    print(f"cost :{time() - start_time}s")

def resample_by_lisa():
    file_path = input("please input your file path:")
    start_time = time()
    y, sr = librosa.load(file_path)#使用librosa导入音频文件
    target_sample_rate = 32000
    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
    sf.write("test_lisa.mp3", data=y_32k, samplerate=target_sample_rate)#使用soundfile进行文件写入
    print(f"cost :{time() - start_time}s")

if __name__ == '__main__':
    resample_use_cuda()
    resample_by_cpu()
    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

import torchaudio
import torchaudio.transforms as Tf
import 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：

def get_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：

def get_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()

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：

import torchaudio
import torchaudio.transforms as Tf
import matplotlib.pyplot as plt
import librosa
def get_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()
def get_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

到此这篇关于python 音频处理重采样、音高提取的文章就介绍到这了,更多相关python 音频重采样内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！

您可能感兴趣的文章:

python读取各种文件数据方法解析
这篇文章主要为大家详细介绍了python读取各种文件数据方法，具有一定的参考价值，感兴趣的小伙伴们可以参考一下
2018-12-12
python利用Opencv实现人脸识别功能
这篇文章主要为大家详细介绍了python利用Opencv实现人脸识别功能，具有一定的参考价值，感兴趣的小伙伴们可以参考一下
2019-04-04
python定间隔取点(np.linspace)的实现
今天小编就为大家分享一篇python定间隔取点(np.linspace)的实现，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
2019-11-11
Python拼接字符串的7种方法总结
这篇文章主要给大家总结介绍了关于Python拼接字符串的7种方法，分别是来自C语言的%方式、format()拼接方式、() 类似元组方式、面向对象模板拼接、join()拼接方式以及f-string方式，文中通过示例代码介绍的非常详细，需要的朋友可以参考下
2018-11-11
python实现会员信息管理系统(List)
这篇文章主要为大家详细介绍了python实现会员信息管理系统，文中示例代码介绍的非常详细，具有一定的参考价值，感兴趣的小伙伴们可以参考一下
2022-03-03
使用tensorflow实现AlexNet
这篇文章主要为大家详细介绍了使用tensorflow实现AlexNet，具有一定的参考价值，感兴趣的小伙伴们可以参考一下
2017-11-11
Pandas读取行列数据最全方法
本文主要介绍了Pandas读取行列数据最全方法，文中通过示例代码介绍的非常详细，具有一定的参考价值，感兴趣的小伙伴们可以参考一下
2021-08-08
从运行效率与开发效率比较Python和C++
今天小编就为大家分享一篇关于从运行效率与开发效率比较Python和C++，小编觉得内容挺不错的，现在分享给大家，具有很好的参考价值，需要的朋友一起跟随小编来看看吧
2018-12-12
python enumerate内置函数用法总结
这篇文章主要介绍了python enumerate内置函数用法总结,文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下
2020-01-01
Python计算标准差之numpy.std和torch.std的区别
Torch自称为神经网络中的numpy,它会将torch产生的tensor放在GPU中加速运算,就像numpy会把array放在CPU中加速运算,下面这篇文章主要给大家介绍了关于Python Numpy计算标准差之numpy.std和torch.std区别的相关资料,需要的朋友可以参考下
2022-08-08

python 音频处理重采样、音高提取的操作方法

采集数据->采样率调整

相关文章

最新评论

大家感兴趣的内容

最近更新的内容

常用在线小工具