Python脚本：

Question

我正在尝试使用scipy文件夹在Python中加载.wav文件。我的最终目标是创建该音频文件的频谱图。读取文件的代码总结如下：

import scipy.io.wavfile as wav
(sig, rate) = wav.read(_wav_file_)

对于某些.wav文件，我收到以下错误：

WavFileWarning：不理解块（非数据），请跳过它。 WavFileWarning）** ValueError：不完整的wav块。

因此，我决定使用librosa通过以下方式读取文件：

import librosa
(sig, rate) = librosa.load(_wav_file_, sr=None)

在所有情况下都可以正常工作，但是，我注意到频谱图的颜色有所不同。虽然它是相同的确切数字，但是颜色却是相反的。更具体地说，我注意到，当保持相同的功能来计算规格并仅更改我阅读.wav的方式时，就存在这种差异。知道会产生什么东西吗？两种方法读取.wav文件的方式之间有默认区别吗？

编辑：

(rate1, sig1) = wav.read(spec_file) # rate1 = 16000
sig, rate = librosa.load(spec_file) # rate 22050
sig = np.array(α*sig, dtype = "int16")

几乎可行的方法是将sig的结果与常数α相乘，该常数为scipy wavread的信号最大值与librosa的信号最大值之间的比例。尽管信号速率不同。

Answer 1

这听起来像一个量化问题。如果wave文件中的样本存储为float，而librosa只是直接转换为int，并且值小于1将被截断为0。这很有可能是{{ 1}}是全零的数组。必须缩放sig才能将其映射到float的范围内。例如，

int

将a转换为类型>>> a = sp.randn(10) >>> a array([-0.04250369, 0.244113 , 0.64479281, -0.3665814 , -0.2836227 , -0.27808428, -0.07668698, -1.3104602 , 0.95253315, -0.56778205])而不缩放

int

将a转换为>>> a.astype(int) array([0, 0, 0, 0, 0, 0, 0, 0, 0, 0])，缩放比例为16位整数

int

将缩放后的>>> b = (a* 32767).astype(int) >>> b array([ -1392, 7998, 21127, -12011, -9293, -9111, -2512, -42939, 31211, -18604])转换回int

float

>>> c = b/32767.0 >>> c array([-0.04248177, 0.24408704, 0.64476455, -0.36655782, -0.28360851, -0.27805414, -0.0766625 , -1.31043428, 0.9525132 , -0.56776635])和c由于量化为b而仅等于约3或4个小数位。

如果librosa返回int，则可以按float缩放比例并将其转换为2**15，以获得与scipy Wave阅读器返回的值相同的范围。由于librosa返回的是int，因此这些值很有可能位于float内的16位整数较小的范围内，例如[-1, +1]。因此，您需要缩放一个以匹配范围。例如，

[-32768, +32767]

Answer 2

如果您自己不想进行量化，则可以使用pylab函数来使用pylab.specgram来为您完成量化。您可以查看函数内部，并查看其如何使用vmin和vmax。
从您的帖子中（至少对我而言）尚不清楚要实现的目标（因为既没有示例输入文件，也没有事先提供的任何脚本）。但是无论如何，要根据从任何读取函数返回的信号数据是float32或int的情况来检查波形文件的频谱图是否有显着差异，我测试了以下3个函数。

Python脚本：

_wav_file_ = "africa-toto.wav"

def spectogram_librosa(_wav_file_):
    import librosa
    import pylab
    import numpy as np

    (sig, rate) = librosa.load(_wav_file_, sr=None, mono=True,  dtype=np.float32)
    pylab.specgram(sig, Fs=rate)
    pylab.savefig('spectrogram3.png')

def graph_spectrogram_wave(wav_file):
    import wave
    import pylab
    def get_wav_info(wav_file):
        wav = wave.open(wav_file, 'r')
        frames = wav.readframes(-1)
        sound_info = pylab.fromstring(frames, 'int16')
        frame_rate = wav.getframerate()
        wav.close()
        return sound_info, frame_rate
    sound_info, frame_rate = get_wav_info(wav_file)
    pylab.figure(num=3, figsize=(10, 6))
    pylab.title('spectrogram pylab with wav_file')
    pylab.specgram(sound_info, Fs=frame_rate)
    pylab.savefig('spectrogram2.png')


def graph_wavfileread(_wav_file_):
    import matplotlib.pyplot as plt
    from scipy import signal
    from scipy.io import wavfile
    import numpy as np   
    sample_rate, samples = wavfile.read(_wav_file_)   
    frequencies, times, spectrogram = signal.spectrogram(samples,sample_rate,nfft=1024)
    plt.pcolormesh(times, frequencies, 10*np.log10(spectrogram))
    plt.ylabel('Frequency [Hz]')
    plt.xlabel('Time [sec]')
    plt.savefig("spectogram1.png")


spectogram_librosa(_wav_file_)
#graph_wavfileread(_wav_file_)
#graph_spectrogram_wave(_wav_file_)

产生了以下3个输出：

除了大小和强度上的微小差异外，无论读取方法，库还是数据类型，它们看起来都非常相似，这使我有些疑问，出于什么目的，输出必须“完全”相同，以及应该如何精确他们是。

尽管librosa.load()函数提供了一个dtype参数，但无论如何只能与float值一起使用，我确实感到很奇怪。在这方面进行谷歌搜索导致我只得到了这个issue，并没有多大帮助，而这个issue说，这就是librosa的使用方式，因为在内部它似乎仅使用浮点数。

Answer 3

要补充说的话，Librosa有一个实用程序可以将整数数组转换为浮点数。

def buf_to_float(x, n_bytes=2, dtype=np.float32):
    """Convert an integer buffer to floating point values.
    This is primarily useful when loading integer-valued wav data
    into numpy arrays.
    See Also
    --------
    buf_to_float
    Parameters
    ----------
    x : np.ndarray [dtype=int]
        The integer-valued data buffer
    n_bytes : int [1, 2, 4]
        The number of bytes per sample in `x`
    dtype : numeric type
        The target output type (default: 32-bit float)
    Returns
    -------
    x_float : np.ndarray [dtype=float]
        The input data buffer cast to floating point
    """

    # Invert the scale of the data
    scale = 1./float(1 << ((8 * n_bytes) - 1))

    # Construct the format string
    fmt = '<i{:d}'.format(n_bytes)

    # Rescale and format the data buffer
    return scale * np.frombuffer(x, fmt).astype(dtype)

在制作Pydub音频片段的频谱图时，我用它取得了巨大的成功。请记住，其参数之一是每个样本的字节数。默认值为2。您可以在documentation here中了解更多信息。这是source code：

results[0].ID

在python中

3 个答案:

Python脚本：