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】：

     1 def resample_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 ​
10     torchaudio.save("test.mp3", resample_misic, target_sample)#调用torchaudio的保存即可
11     print(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

    1. 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' if torch.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 = 32000
    resampler = 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。

    2. 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

        import librosa
        import soundfile as sf
        from time import time#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：

      1 def resample_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 = 32000
6     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
7     sf.write("test_lisa.mp3", data=y_32k, samplerate=target_sample_rate)        #使用soundfile进行文件写入
8     print(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：

     1 import torch
 2 import torchaudio
 3 from torchaudio.transforms import Resample
 4 import librosa
 5 import soundfile as sf
 6 from time import time
 7 ​
 8 def resample_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 ​
17     torchaudio.save("test.mp3", resample_misic, target_sample)#调用torchaudio的保存即可
18     print(f"cost :{time() - start_time}s")
19 def resample_use_cuda():
20 ​
21     device = torch.device('cuda' if torch.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 = 32000
28     resampler = Resample(orig_freq=sr, new_freq=target_sample).to(device)
29     resample_misic = resampler(y)
30     torchaudio.save("test.mp3", resample_misic.to('cpu'), target_sample)
31     print(f"cost :{time() - start_time}s")
32 ​
33 def resample_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 = 32000
38     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
39     sf.write("test_lisa.mp3", data=y_32k, samplerate=target_sample_rate)#使用soundfile进行文件写入
40     print(f"cost :{time() - start_time}s")
41 ​
42 if __name__ == '__main__':
43     resample_use_cuda()
44     resample_by_cpu()
45     resample_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

      import torchaudio
import torchaudio.transforms as Tf
import 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：

    image-20240801144650461

    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')

    image-20240801145201858

  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：

     1 def get_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')
13     plt.xlabel('Time (s)')
14     plt.ylabel('Frequency (Hz)')
15     plt.title('Pitch (fundamental frequency) Estimation')
16     plt.legend()
17     plt.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：

      image-20240801151606191

  3. all code：
    import torchaudio
import torchaudio.transforms as Tf
import matplotlib.pyplot as plt
import librosa
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
    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

 

posted @ 2024-08-01 15:45  io_T_T  阅读(465)  评论(0)  编辑  收藏  举报