在python中绘制音频频谱图

Question

我目前有几千个音频剪辑需要用机器学习进行分类。

经过一番挖掘，我发现如果对音频进行短时间傅立叶变换，它会变成二维图像，因此我可以对这些图像使用各种图像分类算法，而不是音频文件本身。

为此，我找到了一个执行 STFT 的python 包，我所需要的只是绘制它，以便我可以获得图像。 对于绘图，我发现这个 github repo非常有用。

最后我的代码变成了这样：

import stft    
import scipy
import scipy.io.wavfile as wav
import matplotlib.pylab as pylab

def save_stft_image(source_filename, destination_filename):
    fs, audio = wav.read(source_filename)
    X = stft.spectrogram(audio)

    print X.shape    

    fig = pylab.figure()    
    ax = pylab.Axes(fig, [0,0,1,1])    
    ax.set_axis_off()
    fig.add_axes(ax)      
    pylab.imshow(scipy.absolute(X[:][:][0].T), origin='lower', aspect='auto', interpolation='nearest')
    pylab.savefig(destination_filename)

save_stft_image("Example.wav","Example.png")

输出是：

代码有效，但是我观察到当print X.shape line 执行时我得到(513L, 943L, 2L) 。 所以结果是3维的。 因此，当我只写X[:][:][0]或X[:][:][1]我会得到一个图像。

我一直在阅读这个“冗余”STFT，你可以删除一半，因为你不需要它。 那个第三维是冗余还是我在这里做错了什么？ 如果是这样，我如何正确地绘制它？

谢谢你。

编辑：所以新的代码和输出是：

import stft
import os
import scipy
import scipy.io.wavfile as wav
import matplotlib.pylab as pylab

def save_stft_image(source_filename, destination_filename):
    fs, audio = wav.read(source_filename)
    audio = scipy.mean(audio, axis = 1)
    X = stft.spectrogram(audio)

    print X.shape    

    fig = pylab.figure()    
    ax = pylab.Axes(fig, [0,0,1,1])    
    ax.set_axis_off()
    fig.add_axes(ax)      
    pylab.imshow(scipy.absolute(X.T), origin='lower', aspect='auto', interpolation='nearest')
    pylab.savefig(destination_filename)

save_stft_image("Example.wav","Example.png")

在左边，我得到一列几乎不可见的颜色。 我正在研究的声音是呼吸音，所以它们的频率非常低。 也许这就是为什么可视化是一个非常细的颜色列。

Answer 1

你可能有一个立体声音频文件？ 所以X[:][:][0]和X[:][:][1]对应每个通道。

您可以通过scipy.mean(audio, axis=1)将多声道转换为单声道。