在python中繪制音頻頻譜圖

Question

我目前有幾千個音頻剪輯需要用機器學習進行分類。

經過一番挖掘，我發現如果對音頻進行短時間傅立葉變換，它會變成二維圖像，因此我可以對這些圖像使用各種圖像分類算法，而不是音頻文件本身。

為此，我找到了一個執行 STFT 的python 包，我所需要的只是繪制它，以便我可以獲得圖像。 對於繪圖，我發現這個 github repo非常有用。

最后我的代碼變成了這樣：

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")

輸出是：

代碼有效，但是我觀察到當print X.shape line 執行時我得到(513L, 943L, 2L) 。 所以結果是3維的。 因此，當我只寫X[:][:][0]或X[:][:][1]我會得到一個圖像。

我一直在閱讀這個“冗余”STFT，你可以刪除一半，因為你不需要它。 那個第三維是冗余還是我在這里做錯了什么？ 如果是這樣，我如何正確地繪制它？

謝謝你。

編輯：所以新的代碼和輸出是：

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")

在左邊，我得到一列幾乎不可見的顏色。 我正在研究的聲音是呼吸音，所以它們的頻率非常低。 也許這就是為什么可視化是一個非常細的顏色列。

Answer 1

你可能有一個立體聲音頻文件？ 所以X[:][:][0]和X[:][:][1]對應每個通道。

您可以通過scipy.mean(audio, axis=1)將多聲道轉換為單聲道。