在python中使用scipy和librosa读取wav文件

Question

我正在尝试.wav使用 scipy 文件夹在 Python 中加载文件。我的最终目标是创建该音频文件的频谱图。读取文件的代码可以总结如下：import scipy.io.wavfile as wav(sig, rate) = wav.read(_wav_file_)对于某些.wav文件，我收到以下错误：WavFileWarning：无法理解块（非数据），跳过它。WavFileWarning) ** ValueError: 不完整的 wav 块。因此，我决定使用 librosa 使用以下命令读取文件：import librosa(sig, rate) = librosa.load(_wav_file_, sr=None)这适用于所有情况，但是，我注意到光谱图的颜色有所不同。然而，虽然它是完全相同的数字，但不知何故颜色颠倒了。更具体地说，我注意到当保持相同的功能来计算规格并仅改变我阅读的方式时，.wav就会出现这种差异。知道什么可以产生那种东西吗？这两种方法读取.wav文件的方式之间是否存在默认差异？编辑：(rate1, sig1) = wav.read(spec_file) # rate1 = 16000sig, rate = librosa.load(spec_file) # rate 22050sig = np.array(α*sig, dtype = "int16") 几乎有效的方法是将 sig 的结果与常数αalpha 相乘，该 alpha 是来自 scipy wavread 的信号的最大值与来自 librosa 的信号之间的比例。尽管信号速率不同。

Answer 1

这听起来像是一个量化问题。如果波形文件中的样本存储为 asfloat并且 librosa 只是对 an 执行直接转换int，则小于 1 的值将被截断为 0。很有可能，这就是为什么sig是全零数组的原因。在float必须被缩放以将其映射到的范围int。例如，

>>> a = sp.randn(10)

>>> a

array([-0.04250369,  0.244113  ,  0.64479281, -0.3665814 , -0.2836227 ,

       -0.27808428, -0.07668698, -1.3104602 ,  0.95253315, -0.56778205])

将 a 转换为类型int而不缩放

>>> a.astype(int)

array([0, 0, 0, 0, 0, 0, 0, 0, 0, 0])

将 a 转换int为 16 位整数的缩放比例

>>> b = (a* 32767).astype(int)

>>> b

array([ -1392,   7998,  21127, -12011,  -9293,  -9111,  -2512, -42939,

        31211, -18604])

转换缩放int回float

>>> c = b/32767.0

>>> c

array([-0.04248177,  0.24408704,  0.64476455, -0.36655782, -0.28360851,

       -0.27805414, -0.0766625 , -1.31043428,  0.9525132 , -0.56776635])

cb由于量化为，并且仅等于大约 3 或 4 个小数位int。

如果 librosa 返回 a float，您可以按比例缩放2**15并将其转换为 anint以获得与 scipy wave reader 返回的相同范围的值。由于 librosa 正在返回 a float，因此值可能会位于一个小得多的范围内，例如[-1, +1]，而不是将在[-32768, +32767]. 所以你需要缩放一个以获得匹配的范围。例如，

sig, rate = librosa.load(spec_file, mono=True)

sig = sig × 32767

Answer 2

补充一下，Librosa 有一个实用程序可以将整数数组转换为浮点数。

float_audio = librosa.util.buf_to_float(sig)

在生成 Pydub 音频段的频谱图时，我使用它取得了巨大的成功。请记住，它的参数之一是每个样本的字节数。它默认为 2。您可以在此处的文档中了解更多信息。这是源代码：

def buf_to_float(x, n_bytes=2, dtype=np.float32):

    """Convert an integer buffer to floating point values.

    This is primarily useful when loading integer-valued wav data

    into numpy arrays.

    See Also

    --------

    buf_to_float

    Parameters

    ----------

    x : np.ndarray [dtype=int]

        The integer-valued data buffer

    n_bytes : int [1, 2, 4]

        The number of bytes per sample in `x`

    dtype : numeric type

        The target output type (default: 32-bit float)

    Returns

    -------

    x_float : np.ndarray [dtype=float]

        The input data buffer cast to floating point

    """

    # Invert the scale of the data

    scale = 1./float(1 << ((8 * n_bytes) - 1))

    # Construct the format string

    fmt = '<i{:d}'.format(n_bytes)

    # Rescale and format the data buffer

    return scale * np.frombuffer(x, fmt).astype(dtype)