python 音频处理（1）——重采样、音高提取

采集数据->采样率调整

1. 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

     1 import torch
     2 import torchaudio
     3 from torchaudio.transforms import Resample
     4 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】：

   1defresample_by_cpu():2 file_path = input("please input your file path: ")3 start_time = time()#不影响，可去掉4 y, sr = torchaudio.load(file_path) #使用torchaudio.load导入音频文件5​6 target_sample = 32000 #设定目标采样率7 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8 resample_misic = resampler(y) #调用resample函数9​10torchaudio.save("test.mp3", resample_misic, target_sample)#调用torchaudio的保存即可11print(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'iftorch.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 = 32000resampler= 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

        importlibrosa
        importsoundfileassf
        fromtimeimporttime#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：

      1defresample_by_lisa():2 file_path = input("please input your file path:")3 start_time =time()4 y, sr = librosa.load(file_path) #使用librosa导入音频文件5 target_sample_rate = 320006 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7sf.write("test_lisa.mp3", data=y_32k, samplerate=target_sample_rate) #使用soundfile进行文件写入8print(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：

   1importtorch2importtorchaudio3fromtorchaudio.transformsimportResample4importlibrosa5import soundfile as sf6fromtimeimporttime7​8defresample_by_cpu():9 file_path = input("please input your file path: ")10 start_time =time()11 y, sr = torchaudio.load(file_path) #使用torchaudio.load导入音频文件12​13 target_sample = 32000 #设定目标采样率14 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15 resample_misic = resampler(y) #调用resample函数16​17torchaudio.save("test.mp3", resample_misic, target_sample)#调用torchaudio的保存即可18print(f"cost :{time() - start_time}s")19defresample_use_cuda():20​21 device = torch.device('cuda'iftorch.cuda.is_available()else'cpu')22 start_time =time()23 file_path = input("please input your file path:")24 y, sr =torchaudio.load(file_path)25​26 y =y.to(device)27 target_sample = 3200028 resampler = Resample(orig_freq=sr, new_freq=target_sample).to(device)29 resample_misic =resampler(y)30torchaudio.save("test.mp3", resample_misic.to('cpu'), target_sample)31print(f"cost :{time() - start_time}s")32​33defresample_by_lisa():34 file_path = input("please input your file path:")35 start_time =time()36 y, sr = librosa.load(file_path)#使用librosa导入音频文件37 target_sample_rate = 3200038 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39sf.write("test_lisa.mp3", data=y_32k, samplerate=target_sample_rate)#使用soundfile进行文件写入40print(f"cost :{time() - start_time}s")41​42if__name__=='__main__':43resample_use_cuda()44resample_by_cpu()45resample_by_lisa()

2.2 提取pitch基频特征【音高提取】

1. 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

     importtorchaudioimport torchaudio.transforms as Tfimport 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')

   

2. 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：

   1defget_pitch_by_librosa():2​3 file_path = input("请输入音频文件路径：")4 y, sr =librosa.load(file_path)5"""librosa.pyin(y,sr=sr,fmin=librosa.note_to_hz('C2'),fmax=librosa.note_to_hz('C7'))"""6#使用pyin提取基频特征7 f0, voiced_flag, voiced_probs = librosa.pyin(y, sr=sr, fmin=librosa.note_to_hz('C2'), fmax=librosa.note_to_hz('C7'))8​9#绘制基频特征,可忽略10 plt.figure(figsize=(14, 5))11 librosa.display.waveshow(y, sr=sr, alpha=0.5)12 plt.plot(librosa.times_like(f0), f0, label='f0 (fundamental frequency)', color='r')13plt.xlabel('Time (s)')14plt.ylabel('Frequency (Hz)')15plt.title('Pitch (fundamental frequency) Estimation')16plt.legend()17plt.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：

     

3. all code：

   importtorchaudioimport torchaudio.transforms as Tfimport matplotlib.pyplot as pltimportlibrosadef 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