尧图网站开发 
1. 从一段声音的“模样”说起做语音分析无论是做语音识别、情感计算还是简单的音频质量检查第一步往往不是直接上复杂的模型而是“看”。看什么看声音长什么样。这听起来有点玄乎声音是听的怎么“看”没错在数字信号处理的世界里声音被采样成一串串数字我们可以用图形化的方式直观地“看到”它的形态、能量分布和频率成分。这就是波形图和语谱图的价值——它们是音频数据的“X光片”和“CT扫描图”。很多朋友一上来就想跑通一个深度学习模型结果模型效果不好却不知道问题可能出在最原始的音频数据上是不是录音有噪声是不是说话人声音忽大忽小是不是有异常的静音段这些信息一张清晰的波形图和语谱图能给你最直接的答案。用Python来做这件事librosa库几乎是行业标准它封装了音频处理中那些繁琐的数学计算让我们能专注于分析和可视化本身。今天我们就从最基础的“看图”开始聊聊怎么用Python和librosa画出既专业又美观的波形图和语谱图。这不仅仅是调用几个API更重要的是理解图形背后的含义以及如何通过调整参数让这些图真正成为你分析问题的利器而不是一堆花花绿绿却无用的像素。2. 环境搭建与核心工具选型工欲善其事必先利其器。在开始画图之前我们需要一个稳定、功能齐全的Python环境。对于音频处理这类科学计算任务我强烈建议使用Anaconda来管理你的Python环境。它能很好地解决包依赖冲突的问题特别是涉及到一些需要编译的底层库时。2.1 创建专属的音频分析环境打开你的终端Windows上是Anaconda PromptmacOS/Linux是终端执行以下命令来创建一个新的、干净的虚拟环境conda create -n audio_analysis python3.9这里我选择了Python 3.9这是一个在稳定性和库兼容性之间取得很好平衡的版本。新版本如3.11、3.12固然好但一些科学计算库的预编译轮子可能更新不及时容易遇到安装问题。对于生产或长期项目求稳是关键。创建完成后激活这个环境conda activate audio_analysis你会看到命令行提示符前面变成了(audio_analysis)这表示你已经进入了这个独立的环境。2.2 安装核心三件套Librosa, Matplotlib, NumPy接下来安装我们最核心的三个库。我推荐使用pip安装因为conda通道里的版本有时会滞后。pip install librosa matplotlib numpyLibrosa (librosa): 今天的主角。它不仅是加载、播放音频的工具更提供了计算短时傅里叶变换STFT、梅尔频谱等核心功能的函数是我们生成语谱图数据的基础。Matplotlib (matplotlib): Python绘图的事实标准。我们将用它来绘制和美化我们的波形图与语谱图。虽然librosa自带简单的显示函数如librosa.display.waveshow但功能比较基础想要高度定制化的、出版级质量的图必须深入使用matplotlib。NumPy (numpy): 几乎所有科学计算库的基石。librosa加载的音频数据就是numpy数组。理解numpy的数组操作对于后续的音频数据处理至关重要。注意首次安装librosa时可能会因为依赖项如soundfile用于读写音频numba用于加速的编译而稍慢一些这是正常的。如果遇到网络问题可以考虑使用国内的镜像源例如清华源pip install librosa matplotlib numpy -i https://pypi.tuna.tsinghua.edu.cn/simple。2.3 可选但推荐的“颜值”提升包如果你希望图表看起来更现代、更美观可以安装seaborn和SciencePlots库。pip install seaborn scienceplotsSeaborn (seaborn): 基于matplotlib的统计图形库。它提供了一套更高级的绘图接口和更美观的默认样式。即使我们不直接用它绘图仅仅导入它import seaborn as sns也能全局美化matplotlib的图表样式。SciencePlots (scienceplots): 一个专门为学术论文绘制提供matplotlib样式的库。它内置了诸如science、ieee等样式能一键让你的图表拥有期刊论文的范儿非常适合需要报告或论文输出的场景。安装完成后你可以通过一个简单的脚本来测试环境是否正常import librosa import matplotlib.pyplot as plt import numpy as np print(fLibrosa version: {librosa.__version__}) print(fMatplotlib version: {plt.matplotlib.__version__}) print(fNumPy version: {np.__version__}) # 尝试生成一个简单的正弦波并绘图 sr 22050 # 采样率 t np.linspace(0, 1, sr) # 1秒时间轴 y 0.5 * np.sin(2 * np.pi * 440 * t) # 440Hz的A音 plt.figure(figsize(10, 4)) plt.plot(t[:1000], y[:1000]) # 只画前1000个点看看 plt.title(Test: 440Hz Sine Wave) plt.xlabel(Time [s]) plt.ylabel(Amplitude) plt.tight_layout() plt.show()如果这段代码能正常运行并弹出一个显示正弦波的窗口那么恭喜你环境准备就绪。3. 波形图声音振幅的时空画卷波形图是我们最熟悉的音频可视化形式它横轴是时间纵轴是振幅可以粗略理解为声音的“响度”或气压变化。绘制一个“能看”的波形图很简单但绘制一个“好看且信息量大”的波形图则需要一些技巧。3.1 基础绘制与关键参数解析首先我们加载一段示例音频。librosa自带了一些示例音频方便我们测试。import librosa import librosa.display import matplotlib.pyplot as plt import numpy as np # 使用librosa自带的示例音频 file_path librosa.ex(trumpet) y, sr librosa.load(file_path, srNone) # srNone表示保持原始采样率 print(f音频长度: {len(y)} 个样本点) print(f采样率: {sr} Hz) print(f持续时间: {librosa.get_duration(yy, srsr):.2f} 秒)现在我们来绘制最基础的波形图。plt.figure(figsize(12, 4)) librosa.display.waveshow(y, srsr) plt.title(Basic Waveform Plot - Trumpet Example) plt.xlabel(Time [s]) plt.ylabel(Amplitude) plt.tight_layout() plt.show()librosa.display.waveshow是librosa提供的便捷函数。但如果你想获得更多的控制权我建议直接使用matplotlib的plot函数因为你可以更精细地控制线条样式、颜色和缩放。# 方法二使用matplotlib直接绘制控制力更强 time np.arange(len(y)) / sr # 构造时间轴单位秒 plt.figure(figsize(12, 4)) plt.plot(time, y, linewidth0.5, alpha0.8, colorsteelblue) plt.title(Waveform Plot with Matplotlib (Customized)) plt.xlabel(Time [s]) plt.ylabel(Amplitude) plt.xlim([0, time[-1]]) # 确保x轴范围正确 plt.grid(True, linestyle--, alpha0.5) plt.tight_layout() plt.show()这里有几个关键参数决定了图的美观度和可读性figsize(12, 4): 图的尺寸。宽高比很重要对于波形图宽度通常是高度的3倍左右以便在时间轴上展开细节。linewidth0.5: 线条宽度。对于长时间、高采样率的音频线条太粗如默认的1.5会导致图形糊成一团看不清细节。0.5-1是比较好的选择。alpha0.8: 透明度。让线条看起来不那么生硬当波形重叠时也能有一定区分度。colorsteelblue: 颜色。选择一种视觉上舒适、且在黑白打印时也能有较好对比度的颜色。steelblue,darkorange,forestgreen都是不错的选择。xlim: 限制x轴范围。如果你想聚焦于音频的某一段例如前3秒可以设置为plt.xlim([0, 3])。3.2 处理长音频自适应缩放与峰值标记当我们处理很长的音频比如几分钟的演讲或音乐时把整个波形画在一张图上会失去所有细节看起来就是一条实心的色块。这时候需要策略。策略一绘制全局概览局部细节这是最实用的方法。用一张小图显示整体能量轮廓再用一张大图显示你感兴趣的片段。# 假设我们有一份较长的音频这里用示例音频重复拼接模拟 y_long np.tile(y, 5) # 将小号示例重复5次 time_long np.arange(len(y_long)) / sr segment_start, segment_duration 1.5, 0.5 # 查看从1.5秒开始持续0.5秒的片段 segment_samples int(segment_duration * sr) idx_start int(segment_start * sr) fig, ax plt.subplots(2, 1, figsize(14, 6), gridspec_kw{height_ratios: [1, 2]}) # 子图1全局概览 ax[0].plot(time_long, y_long, linewidth0.2, alpha0.7, colorgray) ax[0].axvspan(segment_start, segment_startsegment_duration, colororange, alpha0.3) # 高亮感兴趣区域 ax[0].set_title(Global Waveform Overview (Highlighted Segment)) ax[0].set_ylabel(Amplitude) ax[0].grid(True, linestyle--, alpha0.3) # 子图2局部细节 ax[1].plot(time_long[idx_start:idx_startsegment_samples], y_long[idx_start:idx_startsegment_samples], linewidth1, colorsteelblue) ax[1].fill_between(time_long[idx_start:idx_startsegment_samples], y_long[idx_start:idx_startsegment_samples], colorsteelblue, alpha0.3) # 填充波形下方增强视觉 ax[1].set_title(fDetailed Waveform from {segment_start}s to {segment_startsegment_duration}s) ax[1].set_xlabel(Time [s]) ax[1].set_ylabel(Amplitude) ax[1].grid(True, linestyle--, alpha0.5) plt.tight_layout() plt.show()策略二标记关键点我们经常需要关注波形的峰值最大振幅点、过零点Zero-Crossing Rate ZCR与清浊音相关等。# 计算峰值位置 peak_indices librosa.util.peak_pick(y, pre_max10, post_max10, pre_avg10, post_avg10, delta0.5, wait10) peak_times librosa.frames_to_time(peak_indices, srsr) peak_amplitudes y[peak_indices] # 计算短时过零率简化版仅作示意 frame_length 1024 hop_length 512 zcr librosa.feature.zero_crossing_rate(y, frame_lengthframe_length, hop_lengthhop_length)[0] zcr_times librosa.frames_to_time(np.arange(len(zcr)), srsr, hop_lengthhop_length) fig, ax plt.subplots(2, 1, figsize(14, 7)) # 子图1波形与峰值 ax[0].plot(time, y, linewidth0.5, alpha0.6, colorgray, labelWaveform) ax[0].scatter(peak_times, peak_amplitudes, colorred, s20, zorder5, labelPeaks) ax[0].set_title(Waveform with Peak Detection) ax[0].set_ylabel(Amplitude) ax[0].legend() ax[0].grid(True, linestyle--, alpha0.3) # 子图2过零率 ax[1].plot(zcr_times, zcr, colorgreen, linewidth1.5) ax[1].set_title(Short-Time Zero-Crossing Rate (ZCR)) ax[1].set_xlabel(Time [s]) ax[1].set_ylabel(ZCR) ax[1].grid(True, linestyle--, alpha0.3) plt.tight_layout() plt.show()实操心得绘制长音频波形时linewidth一定要调小如0.1-0.3否则图形会变成实心块完全无法分辨。另外alpha透明度也可以帮助在重叠区域看到更多信息。对于峰值标记librosa.util.peak_pick的参数如delta,wait需要根据你的音频特性调整它决定了多高的峰、间隔多远的峰才会被选中。4. 语谱图声音频率成分的时间演化如果说波形图是声音的“外貌”那么语谱图Spectrogram就是它的“声纹”。它将声音信号在时间和频率两个维度上展开用颜色深浅或亮度表示能量强弱从而让我们看到不同频率成分是如何随时间变化的。音乐中的旋律、语音中的元音辅音在语谱图上都有清晰的对应模式。4.1 理解语谱图的核心短时傅里叶变换STFT语谱图的基础是短时傅里叶变换。它的核心思想是假设在一段很短的时间比如20-40毫秒内声音是平稳的统计特性不变对这一小段信号做傅里叶变换得到该时刻的频率分布。然后将时间窗沿着信号滑动重复这个过程最终得到一个二维矩阵时间 vs. 频率其值代表能量幅度。librosa中的librosa.stft函数就是干这个的。# 计算STFT n_fft 2048 # FFT窗口大小决定频率分辨率。越大频率分辨率越高时间分辨率越低。 hop_length 512 # 帧移即窗口每次滑动的样本数。越小时间分辨率越高但计算量越大。 win_length n_fft # 窗口长度通常等于n_fft window hann # 窗函数用于减少频谱泄漏。‘hann’汉宁窗是最常用的。 D librosa.stft(y, n_fftn_fft, hop_lengthhop_length, win_lengthwin_length, windowwindow) # D是一个复数矩阵 shape (1 n_fft/2, num_frames)得到复数矩阵D后我们取其幅度模并转换为分贝dB尺度因为人耳对声音强度的感知是对数型的。S_db librosa.amplitude_to_db(np.abs(D), refnp.max) # 转换为分贝ref是参考值这里用最大值现在S_db就是我们绘制语谱图所需的数据矩阵。4.2 绘制基础语谱图与参数调优使用librosa.display.specshow可以方便地绘制语谱图。plt.figure(figsize(12, 6)) librosa.display.specshow(S_db, srsr, hop_lengthhop_length, x_axistime, y_axislog) plt.colorbar(format%2.0f dB) # 添加颜色条单位dB plt.title(Log-Frequency Spectrogram (dB)) plt.xlabel(Time [s]) plt.ylabel(Frequency [Hz]) plt.tight_layout() plt.show()这张图已经包含了核心信息但我们可以通过调整参数让它更清晰、更专业。1. 调整色彩映射Colormap默认的viridis色彩映射在表示能量时可能对比度不够。magma,plasma,inferno,cividis或jet虽然不推荐用于科学出版但视觉对比强是更常见的选择。plt.figure(figsize(12, 6)) librosa.display.specshow(S_db, srsr, hop_lengthhop_length, x_axistime, y_axislog, cmapmagma) plt.colorbar(format%2.0f dB) plt.title(Spectrogram with Magma Colormap) plt.xlabel(Time [s]) plt.ylabel(Frequency [Hz]) plt.tight_layout() plt.show()2. 调整动态范围有时音频中既有很响的部分也有很弱的部分为了同时看清它们可以限制显示的动态范围。# 假设我们只关心比峰值低60dB以上的内容 S_db_limited librosa.amplitude_to_db(np.abs(D), refnp.max, top_db60) plt.figure(figsize(12, 6)) librosa.display.specshow(S_db_limited, srsr, hop_lengthhop_length, x_axistime, y_axislog, cmapinferno) plt.colorbar(format%2.0f dB) plt.title(Spectrogram Limited to 60 dB Dynamic Range) plt.xlabel(Time [s]) plt.ylabel(Frequency [Hz]) plt.tight_layout() plt.show()3. 使用梅尔尺度Mel Scale人耳对频率的感知不是线性的对低频差异更敏感。梅尔尺度是一种模拟人耳听觉特性的非线性频率尺度。在语音和音乐分析中梅尔语谱图Mel-spectrogram更为常用。# 直接计算梅尔频谱而不是从STFT转换 n_mels 128 # 梅尔滤波器的数量 mel_spec librosa.feature.melspectrogram(yy, srsr, n_fftn_fft, hop_lengthhop_length, n_melsn_mels) mel_spec_db librosa.power_to_db(mel_spec, refnp.max) # 注意这里是power_to_db因为melspectrogram返回的是功率谱 plt.figure(figsize(12, 6)) librosa.display.specshow(mel_spec_db, srsr, hop_lengthhop_length, x_axistime, y_axismel, cmapcividis) plt.colorbar(format%2.0f dB) plt.title(Mel-frequency Spectrogram (128 Mel bands)) plt.xlabel(Time [s]) plt.ylabel(Frequency [Hz]) plt.tight_layout() plt.show()使用y_axismel后纵轴会自动转换为梅尔刻度更符合听觉感知。4.3 高级技巧叠加波形与基频轮廓为了在一张图上获得更全面的信息我们可以将波形图和语谱图叠加或者加上基频F0 Pitch轨迹。# 计算基频使用pyin算法相对稳健 f0, voiced_flag, voiced_probs librosa.pyin(y, fminlibrosa.note_to_hz(C2), fmaxlibrosa.note_to_hz(C7), srsr) times_f0 librosa.times_like(f0, srsr, hop_lengthhop_length) # 注意pyin有自己的hop_length默认值 fig, ax plt.subplots(3, 1, figsize(14, 10), gridspec_kw{height_ratios: [1, 3, 1]}) # 子图1波形 librosa.display.waveshow(y, srsr, axax[0], alpha0.6) ax[0].set_title(Waveform Spectrogram Pitch Contour) ax[0].set_ylabel(Amplitude) ax[0].set_xlabel() # 子图2语谱图 基频 img librosa.display.specshow(S_db, srsr, hop_lengthhop_length, x_axistime, y_axislog, axax[1], cmapmagma) ax[1].plot(times_f0, f0, colorcyan, linewidth2, labelF0 (Pitch)) ax[1].set_title(Log-Frequency Spectrogram with Pitch Track) ax[1].set_ylabel(Frequency [Hz]) ax[1].legend(locupper right) fig.colorbar(img, axax[1], format%2.0f dB) # 子图3基频概率 voiced_probs 表示是浊音的概率 ax[2].plot(times_f0, voiced_probs, colorgreen, linewidth1.5, drawstylesteps-post) ax[2].set_ylim([0, 1.1]) ax[2].set_title(Voicing Probability (from PYIN)) ax[2].set_xlabel(Time [s]) ax[2].set_ylabel(Probability) ax[2].grid(True, linestyle--, alpha0.5) plt.tight_layout() plt.show()这张复合图包含了丰富的信息顶部的波形给出了振幅的宏观视图中间的语谱图展示了所有频率成分叠加的青色曲线是估计的基频音高你可以看到小号演奏的旋律线清晰地对应着语谱图中能量最强的谐波结构底部的浊音概率曲线显示了算法在哪些时刻有信心检测到音高接近1表示是浊音如元音或乐器持续音接近0表示是清音或噪声。踩坑实录绘制语谱图时n_fft和hop_length的选择是一场时间分辨率与频率分辨率的博弈。n_fft越大频率分辨率越高频率轴上的点更密能区分开更近的频率但时间分辨率会下降时间轴上的点更稀疏看不清快速变化。对于语音常用n_fft2048对应约46ms 44.1kHzhop_length512约12ms。对于音乐可能需要更大的n_fft来获得更好的频率分辨率。一个快速检查的方法是如果你的语谱图在时间轴上看起来“块状”很明显说明hop_length太大了如果频率轴上的谐波条纹很粗很模糊说明n_fft可能太小了。5. 实战从零分析一段自定义音频现在让我们把前面的所有技巧整合起来对一个真实的音频文件进行一次完整的分析。假设我们有一段自己录制的语音文件my_speech.wav。5.1 加载与预处理import librosa import librosa.display import matplotlib.pyplot as plt import numpy as np import seaborn as sns # 导入seaborn美化样式 # 设置全局绘图样式 sns.set_style(whitegrid) plt.rcParams[figure.dpi] 150 plt.rcParams[savefig.dpi] 300 plt.rcParams[font.size] 10 # 1. 加载音频 audio_path my_speech.wav # 替换为你的文件路径 try: y, sr librosa.load(audio_path, sr16000, monoTrue) # 语音分析常用16kHz强制单声道 except FileNotFoundError: print(f文件 {audio_path} 未找到使用示例音频代替。) y, sr librosa.load(librosa.ex(libri1), sr16000, monoTrue) duration librosa.get_duration(yy, srsr) print(f文件加载成功。采样率: {sr} Hz, 时长: {duration:.2f} 秒, 样本数: {len(y)}) # 2. 预处理简单的静音切除可选但能提升可视化效果 # 使用librosa的效果器进行简单的头尾静音修剪 y_trimmed, index librosa.effects.trim(y, top_db20, frame_length2048, hop_length512) print(f静音切除后时长: {librosa.get_duration(yy_trimmed, srsr):.2f} 秒)5.2 绘制综合可视化分析图我们将创建一张包含四个子图的仪表板全面展示这段音频的特征。# 计算所有需要的特征 # 波形数据 time_trimmed np.arange(len(y_trimmed)) / sr # 语谱图数据 (STFT) n_fft 2048 hop_length 256 # 为了更好的时间分辨率hop_length设小一些 D librosa.stft(y_trimmed, n_fftn_fft, hop_lengthhop_length) S_db librosa.amplitude_to_db(np.abs(D), refnp.max, top_db80) # 梅尔语谱图数据 n_mels 80 mel_spec librosa.feature.melspectrogram(yy_trimmed, srsr, n_fftn_fft, hop_lengthhop_length, n_melsn_mels) mel_spec_db librosa.power_to_db(mel_spec, refnp.max, top_db80) # 能量RMS曲线 frame_length n_fft hop_length_rms hop_length rms librosa.feature.rms(yy_trimmed, frame_lengthframe_length, hop_lengthhop_length_rms)[0] times_rms librosa.frames_to_time(np.arange(len(rms)), srsr, hop_lengthhop_length_rms) # 过零率ZCR曲线 zcr librosa.feature.zero_crossing_rate(y_trimmed, frame_lengthframe_length, hop_lengthhop_length_rms)[0] times_zcr librosa.frames_to_time(np.arange(len(zcr)), srsr, hop_lengthhop_length_rms) # 开始绘图 fig plt.figure(figsize(16, 12)) # 使用GridSpec进行更灵活的布局 gs fig.add_gridspec(4, 2, height_ratios[1.2, 3, 3, 1], hspace0.4, wspace0.3) ax0 fig.add_subplot(gs[0, :]) # 波形占满第一行 ax1 fig.add_subplot(gs[1, 0]) # 线性谱图 ax2 fig.add_subplot(gs[1, 1]) # 梅尔谱图 ax3 fig.add_subplot(gs[2, 0]) # 能量曲线 ax4 fig.add_subplot(gs[2, 1]) # 过零率曲线 ax5 fig.add_subplot(gs[3, :]) # 频谱对比可选 # 1. 波形图 (带能量包络) ax0.plot(time_trimmed, y_trimmed, colorsteelblue, linewidth0.5, alpha0.7, labelWaveform) # 计算一个平滑的能量包络用于叠加 from scipy.ndimage import gaussian_filter1d envelope gaussian_filter1d(np.abs(y_trimmed), sigmasr//100) # 简单高斯平滑 ax0.fill_between(time_trimmed, -envelope, envelope, colorsteelblue, alpha0.2, labelEnvelope) ax0.set_xlim([0, time_trimmed[-1]]) ax0.set_ylabel(Amplitude) ax0.set_title(fAudio Waveform with Envelope (Duration: {duration:.2f}s)) ax0.legend(locupper right) ax0.grid(True, linestyle--, alpha0.3) # 2. 线性频率语谱图 img1 librosa.display.specshow(S_db, srsr, hop_lengthhop_length, x_axistime, y_axislinear, axax1, cmapmagma) ax1.set_title(Linear-Frequency Spectrogram (STFT)) ax1.set_ylabel(Frequency [Hz]) fig.colorbar(img1, axax1, format%2.0f dB) # 3. 梅尔频率语谱图 img2 librosa.display.specshow(mel_spec_db, srsr, hop_lengthhop_length, x_axistime, y_axismel, axax2, cmapviridis) ax2.set_title(Mel-Frequency Spectrogram) ax2.set_ylabel(Frequency [Mel]) fig.colorbar(img2, axax2, format%2.0f dB) # 4. 能量RMS曲线 ax3.plot(times_rms, rms, colordarkorange, linewidth2) ax3.fill_between(times_rms, rms, colordarkorange, alpha0.3) ax3.set_title(Root Mean Square (RMS) Energy) ax3.set_xlabel(Time [s]) ax3.set_ylabel(RMS) ax3.grid(True, linestyle--, alpha0.3) ax3.set_ylim(bottom0) # 5. 过零率ZCR曲线 ax4.plot(times_zcr, zcr, colorforestgreen, linewidth2) ax4.fill_between(times_zcr, zcr, colorforestgreen, alpha0.3) ax4.set_title(Zero-Crossing Rate (ZCR)) ax4.set_xlabel(Time [s]) ax4.set_ylabel(ZCR) ax4.grid(True, linestyle--, alpha0.3) ax4.set_ylim([0, max(zcr)*1.1]) # 6. 平均频谱对比可选展示整体频率分布 S_avg np.mean(np.abs(D), axis1) # 对时间轴求平均 freqs librosa.fft_frequencies(srsr, n_fftn_fft) ax5.semilogx(freqs[1:], librosa.amplitude_to_db(S_avg[1:], refnp.max), colorpurple, linewidth1.5) # 忽略0Hz ax5.set_title(Average Spectrum (Linear Frequency Scale)) ax5.set_xlabel(Frequency [Hz]) ax5.set_ylabel(Magnitude [dB]) ax5.grid(True, linestyle--, alpha0.3, whichboth) # both表示主次网格线 plt.suptitle(Comprehensive Audio Analysis Dashboard, fontsize16, y1.02) plt.tight_layout() plt.show()这张综合图提供了极其丰富的信息顶部波形让你对音频的整体振幅变化有个直观认识平滑的包络线突出了声音的起伏。中部左侧线性谱图展示了原始的频率分布你能看到谐波结构等间距的横条和噪声区域。中部右侧梅尔谱图更符合人耳听觉在低频部分有更高的分辨率常用于语音识别和音乐分类的特征提取。下部左侧能量曲线清晰地标出了语音中音节或音乐中乐句的起止。下部右侧过零率曲线高过零率通常对应清辅音如/s/, /f/或噪声低过零率对应元音和浊辅音。结合能量曲线可以粗略地进行有声/无声段检测。底部平均频谱显示了这段音频在整个频率范围内的能量分布有助于判断录音设备的频率响应或是否存在特定频率的噪声如50/60Hz的工频干扰。5.3 保存高质量图表分析完成后我们可能需要将图表保存下来用于报告或分享。output_path audio_analysis_dashboard.png fig.savefig(output_path, dpi300, bbox_inchestight, facecolorwhite, edgecolornone) print(f分析图表已保存至: {output_path})个人经验在实际项目中我习惯将这样的分析流程封装成一个函数输入音频路径和几个关键参数如sr,n_fft直接输出保存好的分析图和一个包含所有计算特征的数据字典。这能极大提升批量分析音频文件的效率。另外如果音频特别长1分钟建议分段分析或者使用librosa.display.specshow的x_axis和y_axis参数来缩放显示范围否则图形会过于密集失去可读性。6. 美化与出版级图表输出“好看”的图表不仅能愉悦自己在分享、报告或论文中也更显专业。Matplotlib提供了强大的定制能力。6.1 使用预定义样式最简单的方法是使用plt.style.use()。# 查看所有可用样式 print(plt.style.available) # 使用 seaborn 样式需要先安装seaborn plt.style.use(seaborn-v0_8-darkgrid) # 深色网格背景 # 或者使用 ggplot 样式 # plt.style.use(ggplot) # 或者使用 scienceplots 的期刊样式需要先安装scienceplots # import scienceplots # plt.style.use([science, ieee]) # IEEE论文样式6.2 深度自定义字体、颜色、布局对于最终要发表的图表我们可能需要精细到每一个元素。# 在绘制前设置全局参数 plt.rcParams.update({ font.family: serif, # 使用衬线字体如Times New Roman更正式 font.serif: [Times New Roman, DejaVu Serif, SimSun], font.size: 11, # 正文字号 axes.titlesize: 12, # 子图标题字号 axes.labelsize: 11, # 坐标轴标签字号 xtick.labelsize: 10, ytick.labelsize: 10, legend.fontsize: 10, figure.titlesize: 14, # 总标题字号 savefig.bbox: tight, # 保存时自动裁剪白边 savefig.dpi: 300, # 保存分辨率 axes.grid: True, # 默认显示网格 grid.alpha: 0.3, # 网格透明度 grid.linestyle: --, }) # 然后重新绘制一张简化的、用于出版的语谱图 fig, ax plt.subplots(1, 1, figsize(8, 4)) # 使用一个更专业的色彩映射如cividis它对色盲友好且在黑白打印时灰度过渡好 img librosa.display.specshow(mel_spec_db, srsr, hop_lengthhop_length, x_axistime, y_axismel, axax, cmapcividis) # 精心设置colorbar cbar fig.colorbar(img, axax, format%2.0f dB, pad0.02) cbar.set_label(Intensity (dB), rotation270, labelpad15) ax.set_title(Mel-Spectrogram of Speech Signal, pad15) # pad增加标题与图的间距 ax.set_xlabel(Time (s)) ax.set_ylabel(Frequency (Mel)) # 可以添加一些标注例如标出一个元音区域 # ax.axvspan(1.2, 1.5, colorwhite, alpha0.2, linewidth0) # 半透明高亮区域 # ax.text(1.35, 4000, Vowel /a/, colorwhite, hacenter, vacenter, fontweightbold) plt.tight_layout() # 保存为PDF矢量格式无限缩放 plt.savefig(professional_mel_spec.pdf, dpi300) plt.savefig(professional_mel_spec.png, dpi300) # 同时保存一份位图 plt.show()6.3 创建可复用的绘图模板如果你经常需要产出风格一致的图表可以将其封装成函数或类。def plot_enhanced_spectrogram(audio_path, sr16000, n_fft2048, hop_length512, n_mels128, cmapmagma, output_pathNone): 绘制并保存一个增强版的梅尔语谱图。 参数: audio_path: 音频文件路径 sr: 目标采样率 ... 其他参数 output_path: 保存路径如未提供则只显示不保存 # 加载和预处理音频 y, sr librosa.load(audio_path, srsr, monoTrue) y, _ librosa.effects.trim(y, top_db20) # 计算梅尔谱图 mel_spec librosa.feature.melspectrogram(yy, srsr, n_fftn_fft, hop_lengthhop_length, n_melsn_mels) mel_spec_db librosa.power_to_db(mel_spec, refnp.max, top_db80) # 绘图 plt.style.use(seaborn-v0_8-whitegrid) # 使用一个干净的样式 fig, ax plt.subplots(figsize(10, 5)) img librosa.display.specshow(mel_spec_db, srsr, hop_lengthhop_length, x_axistime, y_axismel, axax, cmapcmap) cbar fig.colorbar(img, axax, format%2.0f dB) cbar.set_label(Power (dB), rotation270, labelpad15) ax.set_title(fMel-Spectrogram: {Path(audio_path).name}, fontsize14, pad12) ax.set_xlabel(Time [seconds], fontsize12) ax.set_ylabel(Frequency [Mel], fontsize12) plt.tight_layout() if output_path: plt.savefig(output_path, dpi300, bbox_inchestight) print(f图表已保存至: {output_path}) else: plt.show() plt.close(fig) # 关闭图形释放内存 # 使用函数 plot_enhanced_spectrogram(my_speech.wav, output_pathmy_speech_spectrogram.png)通过这样的封装你可以快速地为大量音频文件生成统一风格的分析图极大提升工作效率。从加载一段原始的音频数据到绘制出信息丰富、外观专业的波形图和语谱图这个过程不仅是简单的数据可视化更是深入理解音频信号本质的开始。当你能够熟练解读这些图形时你就拥有了诊断音频问题、设计特征、甚至直观理解模型行为的强大能力。记住好的可视化是分析成功的一半。 
1. 从一段声音的“模样”说起做语音分析无论是做语音识别、情感计算还是简单的音频质量检查第一步往往不是直接上复杂的模型而是“看”。看什么看声音长什么样。这听起来有点玄乎声音是听的怎么“看”没错在数字信号处理的世界里声音被采样成一串串数字我们可以用图形化的方式直观地“看到”它的形态、能量分布和频率成分。这就是波形图和语谱图的价值——它们是音频数据的“X光片”和“CT扫描图”。很多朋友一上来就想跑通一个深度学习模型结果模型效果不好却不知道问题可能出在最原始的音频数据上是不是录音有噪声是不是说话人声音忽大忽小是不是有异常的静音段这些信息一张清晰的波形图和语谱图能给你最直接的答案。用Python来做这件事librosa库几乎是行业标准它封装了音频处理中那些繁琐的数学计算让我们能专注于分析和可视化本身。今天我们就从最基础的“看图”开始聊聊怎么用Python和librosa画出既专业又美观的波形图和语谱图。这不仅仅是调用几个API更重要的是理解图形背后的含义以及如何通过调整参数让这些图真正成为你分析问题的利器而不是一堆花花绿绿却无用的像素。2. 环境搭建与核心工具选型工欲善其事必先利其器。在开始画图之前我们需要一个稳定、功能齐全的Python环境。对于音频处理这类科学计算任务我强烈建议使用Anaconda来管理你的Python环境。它能很好地解决包依赖冲突的问题特别是涉及到一些需要编译的底层库时。2.1 创建专属的音频分析环境打开你的终端Windows上是Anaconda PromptmacOS/Linux是终端执行以下命令来创建一个新的、干净的虚拟环境conda create -n audio_analysis python3.9这里我选择了Python 3.9这是一个在稳定性和库兼容性之间取得很好平衡的版本。新版本如3.11、3.12固然好但一些科学计算库的预编译轮子可能更新不及时容易遇到安装问题。对于生产或长期项目求稳是关键。创建完成后激活这个环境conda activate audio_analysis你会看到命令行提示符前面变成了(audio_analysis)这表示你已经进入了这个独立的环境。2.2 安装核心三件套Librosa, Matplotlib, NumPy接下来安装我们最核心的三个库。我推荐使用pip安装因为conda通道里的版本有时会滞后。pip install librosa matplotlib numpyLibrosa (librosa): 今天的主角。它不仅是加载、播放音频的工具更提供了计算短时傅里叶变换STFT、梅尔频谱等核心功能的函数是我们生成语谱图数据的基础。Matplotlib (matplotlib): Python绘图的事实标准。我们将用它来绘制和美化我们的波形图与语谱图。虽然librosa自带简单的显示函数如librosa.display.waveshow但功能比较基础想要高度定制化的、出版级质量的图必须深入使用matplotlib。NumPy (numpy): 几乎所有科学计算库的基石。librosa加载的音频数据就是numpy数组。理解numpy的数组操作对于后续的音频数据处理至关重要。注意首次安装librosa时可能会因为依赖项如soundfile用于读写音频numba用于加速的编译而稍慢一些这是正常的。如果遇到网络问题可以考虑使用国内的镜像源例如清华源pip install librosa matplotlib numpy -i https://pypi.tuna.tsinghua.edu.cn/simple。2.3 可选但推荐的“颜值”提升包如果你希望图表看起来更现代、更美观可以安装seaborn和SciencePlots库。pip install seaborn scienceplotsSeaborn (seaborn): 基于matplotlib的统计图形库。它提供了一套更高级的绘图接口和更美观的默认样式。即使我们不直接用它绘图仅仅导入它import seaborn as sns也能全局美化matplotlib的图表样式。SciencePlots (scienceplots): 一个专门为学术论文绘制提供matplotlib样式的库。它内置了诸如science、ieee等样式能一键让你的图表拥有期刊论文的范儿非常适合需要报告或论文输出的场景。安装完成后你可以通过一个简单的脚本来测试环境是否正常import librosa import matplotlib.pyplot as plt import numpy as np print(fLibrosa version: {librosa.__version__}) print(fMatplotlib version: {plt.matplotlib.__version__}) print(fNumPy version: {np.__version__}) # 尝试生成一个简单的正弦波并绘图 sr 22050 # 采样率 t np.linspace(0, 1, sr) # 1秒时间轴 y 0.5 * np.sin(2 * np.pi * 440 * t) # 440Hz的A音 plt.figure(figsize(10, 4)) plt.plot(t[:1000], y[:1000]) # 只画前1000个点看看 plt.title(Test: 440Hz Sine Wave) plt.xlabel(Time [s]) plt.ylabel(Amplitude) plt.tight_layout() plt.show()如果这段代码能正常运行并弹出一个显示正弦波的窗口那么恭喜你环境准备就绪。3. 波形图声音振幅的时空画卷波形图是我们最熟悉的音频可视化形式它横轴是时间纵轴是振幅可以粗略理解为声音的“响度”或气压变化。绘制一个“能看”的波形图很简单但绘制一个“好看且信息量大”的波形图则需要一些技巧。3.1 基础绘制与关键参数解析首先我们加载一段示例音频。librosa自带了一些示例音频方便我们测试。import librosa import librosa.display import matplotlib.pyplot as plt import numpy as np # 使用librosa自带的示例音频 file_path librosa.ex(trumpet) y, sr librosa.load(file_path, srNone) # srNone表示保持原始采样率 print(f音频长度: {len(y)} 个样本点) print(f采样率: {sr} Hz) print(f持续时间: {librosa.get_duration(yy, srsr):.2f} 秒)现在我们来绘制最基础的波形图。plt.figure(figsize(12, 4)) librosa.display.waveshow(y, srsr) plt.title(Basic Waveform Plot - Trumpet Example) plt.xlabel(Time [s]) plt.ylabel(Amplitude) plt.tight_layout() plt.show()librosa.display.waveshow是librosa提供的便捷函数。但如果你想获得更多的控制权我建议直接使用matplotlib的plot函数因为你可以更精细地控制线条样式、颜色和缩放。# 方法二使用matplotlib直接绘制控制力更强 time np.arange(len(y)) / sr # 构造时间轴单位秒 plt.figure(figsize(12, 4)) plt.plot(time, y, linewidth0.5, alpha0.8, colorsteelblue) plt.title(Waveform Plot with Matplotlib (Customized)) plt.xlabel(Time [s]) plt.ylabel(Amplitude) plt.xlim([0, time[-1]]) # 确保x轴范围正确 plt.grid(True, linestyle--, alpha0.5) plt.tight_layout() plt.show()这里有几个关键参数决定了图的美观度和可读性figsize(12, 4): 图的尺寸。宽高比很重要对于波形图宽度通常是高度的3倍左右以便在时间轴上展开细节。linewidth0.5: 线条宽度。对于长时间、高采样率的音频线条太粗如默认的1.5会导致图形糊成一团看不清细节。0.5-1是比较好的选择。alpha0.8: 透明度。让线条看起来不那么生硬当波形重叠时也能有一定区分度。colorsteelblue: 颜色。选择一种视觉上舒适、且在黑白打印时也能有较好对比度的颜色。steelblue,darkorange,forestgreen都是不错的选择。xlim: 限制x轴范围。如果你想聚焦于音频的某一段例如前3秒可以设置为plt.xlim([0, 3])。3.2 处理长音频自适应缩放与峰值标记当我们处理很长的音频比如几分钟的演讲或音乐时把整个波形画在一张图上会失去所有细节看起来就是一条实心的色块。这时候需要策略。策略一绘制全局概览局部细节这是最实用的方法。用一张小图显示整体能量轮廓再用一张大图显示你感兴趣的片段。# 假设我们有一份较长的音频这里用示例音频重复拼接模拟 y_long np.tile(y, 5) # 将小号示例重复5次 time_long np.arange(len(y_long)) / sr segment_start, segment_duration 1.5, 0.5 # 查看从1.5秒开始持续0.5秒的片段 segment_samples int(segment_duration * sr) idx_start int(segment_start * sr) fig, ax plt.subplots(2, 1, figsize(14, 6), gridspec_kw{height_ratios: [1, 2]}) # 子图1全局概览 ax[0].plot(time_long, y_long, linewidth0.2, alpha0.7, colorgray) ax[0].axvspan(segment_start, segment_startsegment_duration, colororange, alpha0.3) # 高亮感兴趣区域 ax[0].set_title(Global Waveform Overview (Highlighted Segment)) ax[0].set_ylabel(Amplitude) ax[0].grid(True, linestyle--, alpha0.3) # 子图2局部细节 ax[1].plot(time_long[idx_start:idx_startsegment_samples], y_long[idx_start:idx_startsegment_samples], linewidth1, colorsteelblue) ax[1].fill_between(time_long[idx_start:idx_startsegment_samples], y_long[idx_start:idx_startsegment_samples], colorsteelblue, alpha0.3) # 填充波形下方增强视觉 ax[1].set_title(fDetailed Waveform from {segment_start}s to {segment_startsegment_duration}s) ax[1].set_xlabel(Time [s]) ax[1].set_ylabel(Amplitude) ax[1].grid(True, linestyle--, alpha0.5) plt.tight_layout() plt.show()策略二标记关键点我们经常需要关注波形的峰值最大振幅点、过零点Zero-Crossing Rate ZCR与清浊音相关等。# 计算峰值位置 peak_indices librosa.util.peak_pick(y, pre_max10, post_max10, pre_avg10, post_avg10, delta0.5, wait10) peak_times librosa.frames_to_time(peak_indices, srsr) peak_amplitudes y[peak_indices] # 计算短时过零率简化版仅作示意 frame_length 1024 hop_length 512 zcr librosa.feature.zero_crossing_rate(y, frame_lengthframe_length, hop_lengthhop_length)[0] zcr_times librosa.frames_to_time(np.arange(len(zcr)), srsr, hop_lengthhop_length) fig, ax plt.subplots(2, 1, figsize(14, 7)) # 子图1波形与峰值 ax[0].plot(time, y, linewidth0.5, alpha0.6, colorgray, labelWaveform) ax[0].scatter(peak_times, peak_amplitudes, colorred, s20, zorder5, labelPeaks) ax[0].set_title(Waveform with Peak Detection) ax[0].set_ylabel(Amplitude) ax[0].legend() ax[0].grid(True, linestyle--, alpha0.3) # 子图2过零率 ax[1].plot(zcr_times, zcr, colorgreen, linewidth1.5) ax[1].set_title(Short-Time Zero-Crossing Rate (ZCR)) ax[1].set_xlabel(Time [s]) ax[1].set_ylabel(ZCR) ax[1].grid(True, linestyle--, alpha0.3) plt.tight_layout() plt.show()实操心得绘制长音频波形时linewidth一定要调小如0.1-0.3否则图形会变成实心块完全无法分辨。另外alpha透明度也可以帮助在重叠区域看到更多信息。对于峰值标记librosa.util.peak_pick的参数如delta,wait需要根据你的音频特性调整它决定了多高的峰、间隔多远的峰才会被选中。4. 语谱图声音频率成分的时间演化如果说波形图是声音的“外貌”那么语谱图Spectrogram就是它的“声纹”。它将声音信号在时间和频率两个维度上展开用颜色深浅或亮度表示能量强弱从而让我们看到不同频率成分是如何随时间变化的。音乐中的旋律、语音中的元音辅音在语谱图上都有清晰的对应模式。4.1 理解语谱图的核心短时傅里叶变换STFT语谱图的基础是短时傅里叶变换。它的核心思想是假设在一段很短的时间比如20-40毫秒内声音是平稳的统计特性不变对这一小段信号做傅里叶变换得到该时刻的频率分布。然后将时间窗沿着信号滑动重复这个过程最终得到一个二维矩阵时间 vs. 频率其值代表能量幅度。librosa中的librosa.stft函数就是干这个的。# 计算STFT n_fft 2048 # FFT窗口大小决定频率分辨率。越大频率分辨率越高时间分辨率越低。 hop_length 512 # 帧移即窗口每次滑动的样本数。越小时间分辨率越高但计算量越大。 win_length n_fft # 窗口长度通常等于n_fft window hann # 窗函数用于减少频谱泄漏。‘hann’汉宁窗是最常用的。 D librosa.stft(y, n_fftn_fft, hop_lengthhop_length, win_lengthwin_length, windowwindow) # D是一个复数矩阵 shape (1 n_fft/2, num_frames)得到复数矩阵D后我们取其幅度模并转换为分贝dB尺度因为人耳对声音强度的感知是对数型的。S_db librosa.amplitude_to_db(np.abs(D), refnp.max) # 转换为分贝ref是参考值这里用最大值现在S_db就是我们绘制语谱图所需的数据矩阵。4.2 绘制基础语谱图与参数调优使用librosa.display.specshow可以方便地绘制语谱图。plt.figure(figsize(12, 6)) librosa.display.specshow(S_db, srsr, hop_lengthhop_length, x_axistime, y_axislog) plt.colorbar(format%2.0f dB) # 添加颜色条单位dB plt.title(Log-Frequency Spectrogram (dB)) plt.xlabel(Time [s]) plt.ylabel(Frequency [Hz]) plt.tight_layout() plt.show()这张图已经包含了核心信息但我们可以通过调整参数让它更清晰、更专业。1. 调整色彩映射Colormap默认的viridis色彩映射在表示能量时可能对比度不够。magma,plasma,inferno,cividis或jet虽然不推荐用于科学出版但视觉对比强是更常见的选择。plt.figure(figsize(12, 6)) librosa.display.specshow(S_db, srsr, hop_lengthhop_length, x_axistime, y_axislog, cmapmagma) plt.colorbar(format%2.0f dB) plt.title(Spectrogram with Magma Colormap) plt.xlabel(Time [s]) plt.ylabel(Frequency [Hz]) plt.tight_layout() plt.show()2. 调整动态范围有时音频中既有很响的部分也有很弱的部分为了同时看清它们可以限制显示的动态范围。# 假设我们只关心比峰值低60dB以上的内容 S_db_limited librosa.amplitude_to_db(np.abs(D), refnp.max, top_db60) plt.figure(figsize(12, 6)) librosa.display.specshow(S_db_limited, srsr, hop_lengthhop_length, x_axistime, y_axislog, cmapinferno) plt.colorbar(format%2.0f dB) plt.title(Spectrogram Limited to 60 dB Dynamic Range) plt.xlabel(Time [s]) plt.ylabel(Frequency [Hz]) plt.tight_layout() plt.show()3. 使用梅尔尺度Mel Scale人耳对频率的感知不是线性的对低频差异更敏感。梅尔尺度是一种模拟人耳听觉特性的非线性频率尺度。在语音和音乐分析中梅尔语谱图Mel-spectrogram更为常用。# 直接计算梅尔频谱而不是从STFT转换 n_mels 128 # 梅尔滤波器的数量 mel_spec librosa.feature.melspectrogram(yy, srsr, n_fftn_fft, hop_lengthhop_length, n_melsn_mels) mel_spec_db librosa.power_to_db(mel_spec, refnp.max) # 注意这里是power_to_db因为melspectrogram返回的是功率谱 plt.figure(figsize(12, 6)) librosa.display.specshow(mel_spec_db, srsr, hop_lengthhop_length, x_axistime, y_axismel, cmapcividis) plt.colorbar(format%2.0f dB) plt.title(Mel-frequency Spectrogram (128 Mel bands)) plt.xlabel(Time [s]) plt.ylabel(Frequency [Hz]) plt.tight_layout() plt.show()使用y_axismel后纵轴会自动转换为梅尔刻度更符合听觉感知。4.3 高级技巧叠加波形与基频轮廓为了在一张图上获得更全面的信息我们可以将波形图和语谱图叠加或者加上基频F0 Pitch轨迹。# 计算基频使用pyin算法相对稳健 f0, voiced_flag, voiced_probs librosa.pyin(y, fminlibrosa.note_to_hz(C2), fmaxlibrosa.note_to_hz(C7), srsr) times_f0 librosa.times_like(f0, srsr, hop_lengthhop_length) # 注意pyin有自己的hop_length默认值 fig, ax plt.subplots(3, 1, figsize(14, 10), gridspec_kw{height_ratios: [1, 3, 1]}) # 子图1波形 librosa.display.waveshow(y, srsr, axax[0], alpha0.6) ax[0].set_title(Waveform Spectrogram Pitch Contour) ax[0].set_ylabel(Amplitude) ax[0].set_xlabel() # 子图2语谱图 基频 img librosa.display.specshow(S_db, srsr, hop_lengthhop_length, x_axistime, y_axislog, axax[1], cmapmagma) ax[1].plot(times_f0, f0, colorcyan, linewidth2, labelF0 (Pitch)) ax[1].set_title(Log-Frequency Spectrogram with Pitch Track) ax[1].set_ylabel(Frequency [Hz]) ax[1].legend(locupper right) fig.colorbar(img, axax[1], format%2.0f dB) # 子图3基频概率 voiced_probs 表示是浊音的概率 ax[2].plot(times_f0, voiced_probs, colorgreen, linewidth1.5, drawstylesteps-post) ax[2].set_ylim([0, 1.1]) ax[2].set_title(Voicing Probability (from PYIN)) ax[2].set_xlabel(Time [s]) ax[2].set_ylabel(Probability) ax[2].grid(True, linestyle--, alpha0.5) plt.tight_layout() plt.show()这张复合图包含了丰富的信息顶部的波形给出了振幅的宏观视图中间的语谱图展示了所有频率成分叠加的青色曲线是估计的基频音高你可以看到小号演奏的旋律线清晰地对应着语谱图中能量最强的谐波结构底部的浊音概率曲线显示了算法在哪些时刻有信心检测到音高接近1表示是浊音如元音或乐器持续音接近0表示是清音或噪声。踩坑实录绘制语谱图时n_fft和hop_length的选择是一场时间分辨率与频率分辨率的博弈。n_fft越大频率分辨率越高频率轴上的点更密能区分开更近的频率但时间分辨率会下降时间轴上的点更稀疏看不清快速变化。对于语音常用n_fft2048对应约46ms 44.1kHzhop_length512约12ms。对于音乐可能需要更大的n_fft来获得更好的频率分辨率。一个快速检查的方法是如果你的语谱图在时间轴上看起来“块状”很明显说明hop_length太大了如果频率轴上的谐波条纹很粗很模糊说明n_fft可能太小了。5. 实战从零分析一段自定义音频现在让我们把前面的所有技巧整合起来对一个真实的音频文件进行一次完整的分析。假设我们有一段自己录制的语音文件my_speech.wav。5.1 加载与预处理import librosa import librosa.display import matplotlib.pyplot as plt import numpy as np import seaborn as sns # 导入seaborn美化样式 # 设置全局绘图样式 sns.set_style(whitegrid) plt.rcParams[figure.dpi] 150 plt.rcParams[savefig.dpi] 300 plt.rcParams[font.size] 10 # 1. 加载音频 audio_path my_speech.wav # 替换为你的文件路径 try: y, sr librosa.load(audio_path, sr16000, monoTrue) # 语音分析常用16kHz强制单声道 except FileNotFoundError: print(f文件 {audio_path} 未找到使用示例音频代替。) y, sr librosa.load(librosa.ex(libri1), sr16000, monoTrue) duration librosa.get_duration(yy, srsr) print(f文件加载成功。采样率: {sr} Hz, 时长: {duration:.2f} 秒, 样本数: {len(y)}) # 2. 预处理简单的静音切除可选但能提升可视化效果 # 使用librosa的效果器进行简单的头尾静音修剪 y_trimmed, index librosa.effects.trim(y, top_db20, frame_length2048, hop_length512) print(f静音切除后时长: {librosa.get_duration(yy_trimmed, srsr):.2f} 秒)5.2 绘制综合可视化分析图我们将创建一张包含四个子图的仪表板全面展示这段音频的特征。# 计算所有需要的特征 # 波形数据 time_trimmed np.arange(len(y_trimmed)) / sr # 语谱图数据 (STFT) n_fft 2048 hop_length 256 # 为了更好的时间分辨率hop_length设小一些 D librosa.stft(y_trimmed, n_fftn_fft, hop_lengthhop_length) S_db librosa.amplitude_to_db(np.abs(D), refnp.max, top_db80) # 梅尔语谱图数据 n_mels 80 mel_spec librosa.feature.melspectrogram(yy_trimmed, srsr, n_fftn_fft, hop_lengthhop_length, n_melsn_mels) mel_spec_db librosa.power_to_db(mel_spec, refnp.max, top_db80) # 能量RMS曲线 frame_length n_fft hop_length_rms hop_length rms librosa.feature.rms(yy_trimmed, frame_lengthframe_length, hop_lengthhop_length_rms)[0] times_rms librosa.frames_to_time(np.arange(len(rms)), srsr, hop_lengthhop_length_rms) # 过零率ZCR曲线 zcr librosa.feature.zero_crossing_rate(y_trimmed, frame_lengthframe_length, hop_lengthhop_length_rms)[0] times_zcr librosa.frames_to_time(np.arange(len(zcr)), srsr, hop_lengthhop_length_rms) # 开始绘图 fig plt.figure(figsize(16, 12)) # 使用GridSpec进行更灵活的布局 gs fig.add_gridspec(4, 2, height_ratios[1.2, 3, 3, 1], hspace0.4, wspace0.3) ax0 fig.add_subplot(gs[0, :]) # 波形占满第一行 ax1 fig.add_subplot(gs[1, 0]) # 线性谱图 ax2 fig.add_subplot(gs[1, 1]) # 梅尔谱图 ax3 fig.add_subplot(gs[2, 0]) # 能量曲线 ax4 fig.add_subplot(gs[2, 1]) # 过零率曲线 ax5 fig.add_subplot(gs[3, :]) # 频谱对比可选 # 1. 波形图 (带能量包络) ax0.plot(time_trimmed, y_trimmed, colorsteelblue, linewidth0.5, alpha0.7, labelWaveform) # 计算一个平滑的能量包络用于叠加 from scipy.ndimage import gaussian_filter1d envelope gaussian_filter1d(np.abs(y_trimmed), sigmasr//100) # 简单高斯平滑 ax0.fill_between(time_trimmed, -envelope, envelope, colorsteelblue, alpha0.2, labelEnvelope) ax0.set_xlim([0, time_trimmed[-1]]) ax0.set_ylabel(Amplitude) ax0.set_title(fAudio Waveform with Envelope (Duration: {duration:.2f}s)) ax0.legend(locupper right) ax0.grid(True, linestyle--, alpha0.3) # 2. 线性频率语谱图 img1 librosa.display.specshow(S_db, srsr, hop_lengthhop_length, x_axistime, y_axislinear, axax1, cmapmagma) ax1.set_title(Linear-Frequency Spectrogram (STFT)) ax1.set_ylabel(Frequency [Hz]) fig.colorbar(img1, axax1, format%2.0f dB) # 3. 梅尔频率语谱图 img2 librosa.display.specshow(mel_spec_db, srsr, hop_lengthhop_length, x_axistime, y_axismel, axax2, cmapviridis) ax2.set_title(Mel-Frequency Spectrogram) ax2.set_ylabel(Frequency [Mel]) fig.colorbar(img2, axax2, format%2.0f dB) # 4. 能量RMS曲线 ax3.plot(times_rms, rms, colordarkorange, linewidth2) ax3.fill_between(times_rms, rms, colordarkorange, alpha0.3) ax3.set_title(Root Mean Square (RMS) Energy) ax3.set_xlabel(Time [s]) ax3.set_ylabel(RMS) ax3.grid(True, linestyle--, alpha0.3) ax3.set_ylim(bottom0) # 5. 过零率ZCR曲线 ax4.plot(times_zcr, zcr, colorforestgreen, linewidth2) ax4.fill_between(times_zcr, zcr, colorforestgreen, alpha0.3) ax4.set_title(Zero-Crossing Rate (ZCR)) ax4.set_xlabel(Time [s]) ax4.set_ylabel(ZCR) ax4.grid(True, linestyle--, alpha0.3) ax4.set_ylim([0, max(zcr)*1.1]) # 6. 平均频谱对比可选展示整体频率分布 S_avg np.mean(np.abs(D), axis1) # 对时间轴求平均 freqs librosa.fft_frequencies(srsr, n_fftn_fft) ax5.semilogx(freqs[1:], librosa.amplitude_to_db(S_avg[1:], refnp.max), colorpurple, linewidth1.5) # 忽略0Hz ax5.set_title(Average Spectrum (Linear Frequency Scale)) ax5.set_xlabel(Frequency [Hz]) ax5.set_ylabel(Magnitude [dB]) ax5.grid(True, linestyle--, alpha0.3, whichboth) # both表示主次网格线 plt.suptitle(Comprehensive Audio Analysis Dashboard, fontsize16, y1.02) plt.tight_layout() plt.show()这张综合图提供了极其丰富的信息顶部波形让你对音频的整体振幅变化有个直观认识平滑的包络线突出了声音的起伏。中部左侧线性谱图展示了原始的频率分布你能看到谐波结构等间距的横条和噪声区域。中部右侧梅尔谱图更符合人耳听觉在低频部分有更高的分辨率常用于语音识别和音乐分类的特征提取。下部左侧能量曲线清晰地标出了语音中音节或音乐中乐句的起止。下部右侧过零率曲线高过零率通常对应清辅音如/s/, /f/或噪声低过零率对应元音和浊辅音。结合能量曲线可以粗略地进行有声/无声段检测。底部平均频谱显示了这段音频在整个频率范围内的能量分布有助于判断录音设备的频率响应或是否存在特定频率的噪声如50/60Hz的工频干扰。5.3 保存高质量图表分析完成后我们可能需要将图表保存下来用于报告或分享。output_path audio_analysis_dashboard.png fig.savefig(output_path, dpi300, bbox_inchestight, facecolorwhite, edgecolornone) print(f分析图表已保存至: {output_path})个人经验在实际项目中我习惯将这样的分析流程封装成一个函数输入音频路径和几个关键参数如sr,n_fft直接输出保存好的分析图和一个包含所有计算特征的数据字典。这能极大提升批量分析音频文件的效率。另外如果音频特别长1分钟建议分段分析或者使用librosa.display.specshow的x_axis和y_axis参数来缩放显示范围否则图形会过于密集失去可读性。6. 美化与出版级图表输出“好看”的图表不仅能愉悦自己在分享、报告或论文中也更显专业。Matplotlib提供了强大的定制能力。6.1 使用预定义样式最简单的方法是使用plt.style.use()。# 查看所有可用样式 print(plt.style.available) # 使用 seaborn 样式需要先安装seaborn plt.style.use(seaborn-v0_8-darkgrid) # 深色网格背景 # 或者使用 ggplot 样式 # plt.style.use(ggplot) # 或者使用 scienceplots 的期刊样式需要先安装scienceplots # import scienceplots # plt.style.use([science, ieee]) # IEEE论文样式6.2 深度自定义字体、颜色、布局对于最终要发表的图表我们可能需要精细到每一个元素。# 在绘制前设置全局参数 plt.rcParams.update({ font.family: serif, # 使用衬线字体如Times New Roman更正式 font.serif: [Times New Roman, DejaVu Serif, SimSun], font.size: 11, # 正文字号 axes.titlesize: 12, # 子图标题字号 axes.labelsize: 11, # 坐标轴标签字号 xtick.labelsize: 10, ytick.labelsize: 10, legend.fontsize: 10, figure.titlesize: 14, # 总标题字号 savefig.bbox: tight, # 保存时自动裁剪白边 savefig.dpi: 300, # 保存分辨率 axes.grid: True, # 默认显示网格 grid.alpha: 0.3, # 网格透明度 grid.linestyle: --, }) # 然后重新绘制一张简化的、用于出版的语谱图 fig, ax plt.subplots(1, 1, figsize(8, 4)) # 使用一个更专业的色彩映射如cividis它对色盲友好且在黑白打印时灰度过渡好 img librosa.display.specshow(mel_spec_db, srsr, hop_lengthhop_length, x_axistime, y_axismel, axax, cmapcividis) # 精心设置colorbar cbar fig.colorbar(img, axax, format%2.0f dB, pad0.02) cbar.set_label(Intensity (dB), rotation270, labelpad15) ax.set_title(Mel-Spectrogram of Speech Signal, pad15) # pad增加标题与图的间距 ax.set_xlabel(Time (s)) ax.set_ylabel(Frequency (Mel)) # 可以添加一些标注例如标出一个元音区域 # ax.axvspan(1.2, 1.5, colorwhite, alpha0.2, linewidth0) # 半透明高亮区域 # ax.text(1.35, 4000, Vowel /a/, colorwhite, hacenter, vacenter, fontweightbold) plt.tight_layout() # 保存为PDF矢量格式无限缩放 plt.savefig(professional_mel_spec.pdf, dpi300) plt.savefig(professional_mel_spec.png, dpi300) # 同时保存一份位图 plt.show()6.3 创建可复用的绘图模板如果你经常需要产出风格一致的图表可以将其封装成函数或类。def plot_enhanced_spectrogram(audio_path, sr16000, n_fft2048, hop_length512, n_mels128, cmapmagma, output_pathNone): 绘制并保存一个增强版的梅尔语谱图。 参数: audio_path: 音频文件路径 sr: 目标采样率 ... 其他参数 output_path: 保存路径如未提供则只显示不保存 # 加载和预处理音频 y, sr librosa.load(audio_path, srsr, monoTrue) y, _ librosa.effects.trim(y, top_db20) # 计算梅尔谱图 mel_spec librosa.feature.melspectrogram(yy, srsr, n_fftn_fft, hop_lengthhop_length, n_melsn_mels) mel_spec_db librosa.power_to_db(mel_spec, refnp.max, top_db80) # 绘图 plt.style.use(seaborn-v0_8-whitegrid) # 使用一个干净的样式 fig, ax plt.subplots(figsize(10, 5)) img librosa.display.specshow(mel_spec_db, srsr, hop_lengthhop_length, x_axistime, y_axismel, axax, cmapcmap) cbar fig.colorbar(img, axax, format%2.0f dB) cbar.set_label(Power (dB), rotation270, labelpad15) ax.set_title(fMel-Spectrogram: {Path(audio_path).name}, fontsize14, pad12) ax.set_xlabel(Time [seconds], fontsize12) ax.set_ylabel(Frequency [Mel], fontsize12) plt.tight_layout() if output_path: plt.savefig(output_path, dpi300, bbox_inchestight) print(f图表已保存至: {output_path}) else: plt.show() plt.close(fig) # 关闭图形释放内存 # 使用函数 plot_enhanced_spectrogram(my_speech.wav, output_pathmy_speech_spectrogram.png)通过这样的封装你可以快速地为大量音频文件生成统一风格的分析图极大提升工作效率。从加载一段原始的音频数据到绘制出信息丰富、外观专业的波形图和语谱图这个过程不仅是简单的数据可视化更是深入理解音频信号本质的开始。当你能够熟练解读这些图形时你就拥有了诊断音频问题、设计特征、甚至直观理解模型行为的强大能力。记住好的可视化是分析成功的一半。