采集数据->采样率调整
-
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
-
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。
-
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soundfileimport 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】
-
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：
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')
-
-
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：
-
-
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