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。