在語音識別領(lǐng)域，比較常用的兩個模塊就是librosa和python_speech_features了。

最近也是在做音樂方向的項目，借此做一下筆記，并記錄一些兩者的差別。下面是兩模塊的官方文檔

LibROSA - librosa 0.6.3 documentation?librosa.github.ioWelcome to python_speech_features’s documentation!?python-speech-features.readthedocs.io

直接對比兩文檔就可以看出librosa功能十分強(qiáng)大，涉及到了音頻的特征提取、譜圖分解、譜圖顯示、順序建模、創(chuàng)建音頻等功能，而python_speech_features只涉及了音頻特征提取。就特征提取的實現(xiàn)方法和種類來看，兩者也有所不同。

python_speech_features的特征

支持的特征：

• python_speech_features.mfcc() - 梅爾倒譜系數(shù)
• python_speech_features.fbank() - 濾波器組能量
• python_speech_features.logfbank() - 對數(shù)濾波器組能量
• python_speech_features.ssc() - 子帶頻譜質(zhì)心特征

提取mfcc、logfbank特征的方法

from python_speech_features import mfcc from python_speech_features import logfbank import scipy.io.wavfile as wav(rate,sig) = wav.read("file.wav") # 返回信號的采樣率以及信號數(shù)組ndarray mfcc_feat = mfcc(sig,rate) # 返回一個二維ndarray數(shù)組 fbank_feat = logfbank(sig,rate) # 返回一個二維ndarray數(shù)組print(fbank_feat[1:3,:])

python_speech_features的比較好用的地方就是自帶預(yù)加重參數(shù)，只需要設(shè)定preemph的值，就可以對語音信號進(jìn)行預(yù)加重，增強(qiáng)高頻信號。

python_speech_features模塊提供的函數(shù)

python_speech_features.base.mfcc(signal, samplerate=16000, winlen=0.025, winstep=0.01, numcep=13, nfilt=26, nfft=512, lowfreq=0, highfreq=None, preemph=0.97, ceplifter=22, appendEnergy=True, winfunc=<function <lambda>>)

計算一個音頻信號的MFCC特征

返回： 一個大小為numcep的numpy數(shù)組，包含著特征，每一行都包含一個特征向量。

參數(shù)：

signal - 需要用來計算特征的音頻信號，應(yīng)該是一個N*1的數(shù)組

samplerate - 我們用來工作的信號的采樣率

winlen - 分析窗口的長度，按秒計，默認(rèn)0.025s(25ms)

winstep - 連續(xù)窗口之間的步長，按秒計，默認(rèn)0.01s（10ms）

numcep - 倒頻譜返回的數(shù)量，默認(rèn)13

nfilt - 濾波器組的濾波器數(shù)量，默認(rèn)26

nfft - FFT的大小，默認(rèn)512

lowfreq - 梅爾濾波器的最低邊緣，單位赫茲，默認(rèn)為0

highfreq - 梅爾濾波器的最高邊緣，單位赫茲，默認(rèn)為采樣率/2

preemph - 應(yīng)用預(yù)加重過濾器和預(yù)加重過濾器的系數(shù)，0表示沒有過濾器，默認(rèn)0.97

ceplifter - 將升降器應(yīng)用于最終的倒譜系數(shù)。 0沒有升降機(jī)。默認(rèn)值為22。

appendEnergy - 如果是true，則將第0個倒譜系數(shù)替換為總幀能量的對數(shù)。

winfunc - 分析窗口應(yīng)用于每個框架。 默認(rèn)情況下不應(yīng)用任何窗口。 你可以在這里使用numpy窗口函數(shù) 例如：winfunc=numpy.hamming

python_speech_features.base.fbank(signal, samplerate=16000, winlen=0.025, winstep=0.01, nfilt=26, nfft=512, lowfreq=0, highfreq=None, preemph=0.97, winfunc=<function <lambda>>)

從一個音頻信號中計算梅爾濾波器能量特征

返回：2個值。第一個是一個包含著特征的大小為nfilt的numpy數(shù)組，每一行都有一個特征向量。第二個返回值是每一幀的能量

python_speech_features.base.logfbank(signal, samplerate=16000, winlen=0.025, winstep=0.01, nfilt=26, nfft=512, lowfreq=0, highfreq=None, preemph=0.97)

從一個音頻信號中計算梅爾濾波器能量特征的對數(shù)

返回： 一個包含特征的大小為nfilt的numpy數(shù)組，每一行都有一個特征向量

python_speech_features.base.ssc(signal, samplerate=16000, winlen=0.025, winstep=0.01, nfilt=26, nfft=512, lowfreq=0, highfreq=None, preemph=0.97, winfunc=<function <lambda>>)

從一個音頻信號中計算子帶頻譜質(zhì)心特征

返回：一個包含特征的大小為nfilt的numpy數(shù)組，每一行都有一個特征向量

librosa的特征提取

librosa的可以提取的特征種類十分豐富

篇幅原因不多介紹

librosa.features.mfcc(y=None,sr=22050,S=None,n_mfcc=20,dct_type=2,norm='ortho',**kwargs)

y, sr = librosa.load('test.wav',offset=30, duration=5) librosa.feature.mfcc(y=y, sr=sr, n_mfcc=40) # 返回shape=(n_mfcc, timestep)的二維矩陣

librosa.feature.spectral_centroid(y=None,sr=22050,S=None,n_fft=2048,hop_length=512,freq=None)
計算頻譜質(zhì)心

>>> y, sr = librosa.load('test.wav') >>> cent = librosa.feature.spectral_centroid(y=y, sr=sr) >>> cent array([[ 4382.894, 626.588, ..., 5037.07 , 5413.398]])

藍(lán)調(diào)音樂的頻譜質(zhì)心在頻譜偏中心的位置，金屬音樂在靠后的位置

librosa.feature.zero_crossing_rate(y,frame_length=2048,hop_length=512,center=True,**kwargs)

計算過零率

>>> y, sr = librosa.load('test.wav') >>> librosa.feature.zero_crossing_rate(y) array([[ 0.134, 0.139, ..., 0.387, 0.322]])

相對于python_speech_features來說，librosa沒有預(yù)加重的處理?；蛘哒flibrosa提供自定義預(yù)加重功能。

預(yù)加重的一般傳遞函數(shù)為

差分方程實現(xiàn)預(yù)加重的方程為

總結(jié)

以上是生活随笔為你收集整理的librosa能量_librosa与python_speech_features的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。