python分析音频信号频谱,python做信号频率分析
许多现代语音识别系统都使用频域特征。个性化的咖啡豆频率倒谱系数(mfcc)首先计算信号的功率谱,通过滤波和离散馀弦变换提取特征。本文重点介绍了提取美尔倒谱系数特征的方法。
首先创建大蟒文件,然后导入库文件来自scipy。ioimportwavfilefrompython _ speech _ featuresimportmfcc。logfbankiportmatplotlib。pylabsplt 1,首先创建大蟒文件,然后创建库文件,来自scipy。ioimportwavfilefrompython _ speech _ fean
读取音频文件:
samplimg_freq,audio=wav文件。read( data/input _ freq。wav’)。
提取美尔倒谱系数特征和滤波器特征:
MFCC_features=mfcc(音频,samplimg_freq)))))))))。
滤波器bank _ features=logfbank (audio,samplimg_freq)))))))))))))))))))))))))))))))))))))。
打印参数以确定可以生成的表单的数量。
打印((nm FCC:(nnnumberofwindows=)、mfcc_features.shape[0])))))))))))。
print( lengthfeachfeature=,mfcc_features.shape[1]
打印((nfilterbank:(nnnumberofwindows=),filterbank_features.shape [0])))。
print( lengthfeachfeature=,filterbank_features.shape[1])。
可视化美尔倒谱系数的特征。将矩阵转换为时域水平:
mfcc_features=mfcc_features.t
PLT.matshow(mfcc_features))。
工厂名称(mfcc)。
可视化滤波器组的特征。将矩阵转换为时域水平:
滤波器组_特征=滤波器组_特征
PLT。mat show(滤波器组_特性)).
PLT.title(filterbank )))))。
plt.show())
你想和很多网友交流吗?
点击这个留言吧!
郑重声明:本文由网友发布,不代表盛行IT的观点,版权归原作者所有,仅为传播更多信息之目的,如有侵权请联系,我们将第一时间修改或删除,多谢。