在python中绘制音频频谱图

Question

我目前有几千个音频片段需要通过机器学习进行分类。

经过一番挖掘，我发现如果你对音频进行短时傅里叶变换，它会变成一个二维图像，所以我可以在这些图像上使用各种图像分类算法而不是音频文件本身。

为此，我找到了一个python package来做STFT，我需要的是绘制它以便我可以得到图像。对于绘图我发现this github repo非常有用。

最后我的代码最终结果如下：

import stft    
import scipy
import scipy.io.wavfile as wav
import matplotlib.pylab as pylab

def save_stft_image(source_filename, destination_filename):
    fs, audio = wav.read(source_filename)
    X = stft.spectrogram(audio)

    print X.shape    

    fig = pylab.figure()    
    ax = pylab.Axes(fig, [0,0,1,1])    
    ax.set_axis_off()
    fig.add_axes(ax)      
    pylab.imshow(scipy.absolute(X[:][:][0].T), origin='lower', aspect='auto', interpolation='nearest')
    pylab.savefig(destination_filename)

save_stft_image("Example.wav","Example.png")

输出是：

代码有效，但我观察到当print X.shape行执行时，我得到(513L, 943L, 2L)。所以结果是三维的。所以，当我只写X[:][:][0]或X[:][:][1]时，我会得到一张图片。

我一直在阅读这个＆＃34;冗余＆＃34; STFT有，您可以删除一半，因为您不需要它。那第三个维度是冗余还是我在这里做了一些非常错误的事情？如果是这样，我该如何正确地绘制它？

谢谢。

编辑： 所以新的代码和输出是：

import stft
import os
import scipy
import scipy.io.wavfile as wav
import matplotlib.pylab as pylab

def save_stft_image(source_filename, destination_filename):
    fs, audio = wav.read(source_filename)
    audio = scipy.mean(audio, axis = 1)
    X = stft.spectrogram(audio)

    print X.shape    

    fig = pylab.figure()    
    ax = pylab.Axes(fig, [0,0,1,1])    
    ax.set_axis_off()
    fig.add_axes(ax)      
    pylab.imshow(scipy.absolute(X.T), origin='lower', aspect='auto', interpolation='nearest')
    pylab.savefig(destination_filename)

save_stft_image("Example.wav","Example.png")

在左边，我得到一个几乎看不见的颜色列。我正在处理的声音是呼吸音，所以它们的频率非常低。也许这就是为什么可视化是一个非常薄的颜色列。

Answer 1

你可能有一个立体声音频文件？因此X[:][:][0]和X[:][:][1]对应于每个频道。

您可以通过scipy.mean(audio, axis=1)将多声道转换为单声道。