如何使用 python matplotlib 库从 wav 文件中提取数据？

Question

我正在尝试从 wav 文件中提取数据，以对每个频率及其相对于时间的幅度进行音频分析，经过一番谷歌搜索后，我的目标是为大学项目的机器学习算法运行这些数据发现这可以通过 Python 的 matplotlib 库来完成，我看到了一些运行短傅里叶变换并绘制了这些 wav 文件的频谱图的示例代码，但无法理解如何使用该库来提取数据（所有频率的幅度在音频文件中的给定时间）并将其存储在 3D 数组或 .mat 文件中。 这是我在一些website上看到的代码：

#!/usr/bin/env python

""" This work is licensed under a Creative Commons Attribution 3.0 Unported License.
Frank Zalkow, 2012-2013 """

import numpy as np
from matplotlib import pyplot as plt
import scipy.io.wavfile as wav
from numpy.lib import stride_tricks

""" short time fourier transform of audio signal """
def stft(sig, frameSize, overlapFac=0.5, window=np.hanning):
    win = window(frameSize)
    hopSize = int(frameSize - np.floor(overlapFac * frameSize))

    # zeros at beginning (thus center of 1st window should be for sample nr. 0)
    samples = np.append(np.zeros(np.floor(frameSize/2.0)), sig)    
    # cols for windowing
    cols = np.ceil( (len(samples) - frameSize) / float(hopSize)) + 1
    # zeros at end (thus samples can be fully covered by frames)
    samples = np.append(samples, np.zeros(frameSize))

    frames = stride_tricks.as_strided(samples, shape=(cols, frameSize), strides=(samples.strides[0]*hopSize, samples.strides[0])).copy()
    frames *= win


    return np.fft.rfft(frames)    

""" scale frequency axis logarithmically """    
def logscale_spec(spec, sr=44100, factor=20.):
    timebins, freqbins = np.shape(spec)

    scale = np.linspace(0, 1, freqbins) ** factor
    scale *= (freqbins-1)/max(scale)
    scale = np.unique(np.round(scale))

    # create spectrogram with new freq bins
    newspec = np.complex128(np.zeros([timebins, len(scale)]))
    for i in range(0, len(scale)):
        if i == len(scale)-1:
            newspec[:,i] = np.sum(spec[:,scale[i]:], axis=1)
        else:        
            newspec[:,i] = np.sum(spec[:,scale[i]:scale[i+1]], axis=1)

    # list center freq of bins
    allfreqs = np.abs(np.fft.fftfreq(freqbins*2, 1./sr)[:freqbins+1])
    freqs = []
    for i in range(0, len(scale)):
        if i == len(scale)-1:
            freqs += [np.mean(allfreqs[scale[i]:])]
        else:
            freqs += [np.mean(allfreqs[scale[i]:scale[i+1]])]

    return newspec, freqs

""" plot spectrogram"""
def plotstft(audiopath, binsize=2**10, plotpath=None, colormap="jet"):
    samplerate, samples = wav.read(audiopath)
    s = stft(samples, binsize)

    sshow, freq = logscale_spec(s, factor=1.0, sr=samplerate)
    ims = 20.*np.log10(np.abs(sshow)/10e-6) # amplitude to decibel

    timebins, freqbins = np.shape(ims)

    plt.figure(figsize=(15, 7.5))
    plt.imshow(np.transpose(ims), origin="lower", aspect="auto", cmap=colormap, interpolation="none")
    plt.colorbar()

    plt.xlabel("time (s)")
    plt.ylabel("frequency (hz)")
    plt.xlim([0, timebins-1])
    plt.ylim([0, freqbins])

    xlocs = np.float32(np.linspace(0, timebins-1, 5))
    plt.xticks(xlocs, ["%.02f" % l for l in ((xlocs*len(samples)/timebins)+(0.5*binsize))/samplerate])
    ylocs = np.int16(np.round(np.linspace(0, freqbins-1, 10)))
    plt.yticks(ylocs, ["%.02f" % freq[i] for i in ylocs])

    if plotpath:
        plt.savefig(plotpath, bbox_inches="tight")
    else:
        plt.show()

    plt.clf()
plotstft("abc.wav")

请指导我了解如何提取数据，如果不是通过 matplotlib，请向我推荐一些其他库来帮助我实现这一目标。

Answer 1

首先，这看起来像我的代码，据说是在 CC 许可下。我不太认真，但你不应该忽视这些方面（在这种情况下你省略了作者身份声明），其他人可能会对这样的事情更加恼火。

对于您的问题：在此代码中，stft 不是由 matplotlib 计算的，而是由 numpy.你可以像这样得到它：

samplerate, samples = wav.read(audiopath)
s = stft(samples, 1024)

我不知道你为什么想要一个 3D 数组？它是一个二维数组，但它是复值。如果要将其保存在 .mat 文件中：

from scipy.io import savemat
savemat("file.mat", {'arr': s})

Answer 2

您可以看到，一旦将 wav 音频文件读入可变样本，它就会传递给一个名为 stft 的函数：

samplerate, samples = wav.read(audiopath)
s = stft(samples, binsize)

在这里，您已经可以访问整数形式的 var samples 中的音频样本...请注意，位深度会影响每个样本的字节数，以一系列整数表示...还知道您的字节顺序（从左到右或反之亦然）...但是在函数 stft 中，该数组被进一步处理为变量中的浮点数组：在其传递给函数 np.fft.rfft

之前的帧

根据您的需要，这些是您的访问选择，无需您自己进行任何处理