python - 在Python中绘制音频频谱图

Question

我目前有几千个音频剪辑需要通过机器学习进行分类。

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

为此我找到了一个python package这就是 STFT，我所需要的就是绘制它，这样我就可以获得图像。为了绘图，我发现 this github repo非常有用。

最后我的代码如下:

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 行执行时，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] 时，我会得到一个图像。

我一直在阅读 STFT 的“冗余”，您可以删除一半，因为您不需要它。第三维度是多余的还是我在这里做错了什么？如果是这样，我该如何正确绘制它？

谢谢。

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")

在左边我看到一列几乎看不见的颜色。我正在研究的声音是呼吸声，因此它们的频率非常低。也许这就是为什么可视化是一个非常薄的颜色列。

Answer 1

您可能有立体声音频文件？因此 X[:][:][0] 和 X[:][:][1] 对应于每个 channel 。

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