Question

我正在使用神经网络进行语音识别。为此，我需要获取那些训练音频文件（.wav）的频谱图。如何在python中获取这些频谱图？

Answer 1

有很多方法可以做到这一点。最简单的方法是查看Kernels关于Kaggle竞赛TensorFlow Speech Recognition Challenge中提出的方法（按大多数投票排序）。 This one特别清晰简单，包含以下功能。输入是从wav文件中提取的样本的数字向量，采样率，帧的大小（以毫秒为单位），步长（跨度或跳跃）大小（以毫秒为单位）和小偏移量。

from scipy.io import wavfile
from scipy import signal
import numpy as np

sample_rate, audio = wavfile.read(path_to_wav_file)

def log_specgram(audio, sample_rate, window_size=20,
                 step_size=10, eps=1e-10):
    nperseg = int(round(window_size * sample_rate / 1e3))
    noverlap = int(round(step_size * sample_rate / 1e3))
    freqs, times, spec = signal.spectrogram(audio,
                                    fs=sample_rate,
                                    window='hann',
                                    nperseg=nperseg,
                                    noverlap=noverlap,
                                    detrend=False)
    return freqs, times, np.log(spec.T.astype(np.float32) + eps)

输出在SciPy manual中定义，但光谱图用单调函数（Log（））重新缩放除外，它比较小的值压下更大的值，而更大的值仍然大于较小的值。这样，规范中没有极端值将支配计算。或者，可以将值限制在某个分位数处，但优选log（或甚至平方根）。还有许多其他方法来标准化频谱图的高度，即防止来自＆＃34;欺凌＆＃34;的极端值。输出:)）

freq (f) : ndarray, Array of sample frequencies.
times (t) : ndarray, Array of segment times.
spec (Sxx) : ndarray, Spectrogram of x. By default, the last axis of Sxx corresponds to the segment times.

或者，您可以查看github repo上Tensorflow example on audio recognition上的train.py和models.py代码。

Here is another thread解释并提供了在Python中构建光谱图的代码。

Answer 2

Scipy就是为了这个目的。

import matplotlib.pyplot as plt
plt.pcolormesh(segment_time, sample_freq, spec_data )
plt.ylabel('Frequency [Hz]')
plt.xlabel('Time [sec]')
plt.show()

使用matplot库可视化频谱图

{{1}}

Answer 3

您可以使用 NumPy ， SciPy 和 matplotlib 包制作光谱图。见以下帖子。 http://www.frank-zalkow.de/en/code-snippets/create-audio-spectrograms-with-python.html

在音频分析中绘制频谱图

3 个答案: